13、代码重构对软件能耗的影响研究

代码重构对软件能耗的影响研究

1. 结构导向重构对能耗的影响

为了探究结构导向重构对软件能耗的影响,进行了相关实验。首先是关于添加注解重构的微基准测试,对类、方法和变量上的注解进行数亿次操作,检查其对能耗的影响。结果表明,注解对能耗没有实质性影响(差异约 1%,因 CPU 能耗波动可忽略不计),因为注解通常不会对 JVM 执行的字节码产生重大影响。这也说明在仅包含添加注解重构的提交中,观察到的能耗差异并非主要由添加注解重构导致,例如提交 #827717、#b9dfbc 和 #298b7a。

其次是移动类重构的微基准测试,在移动一些类/接口并重新组织微基准测试结构后,测量了几种场景下的能耗。结果显示,能耗差异最高可达 8%,平均标准差为 5%。移动类重构通常伴随着重命名重构,这表明代码重组可能会产生影响。虽然通过 JMH 实验或微基准测试观察到的影响可能不大,但了解项目的结构重组可能会对能耗产生影响是有益的,因此建议比较重构前后的能耗以跟踪这种影响。不过,目前尚未发现代码重组何时会对能耗产生积极或消极影响的具体模式或准则。在表 3 的提交中,仅能确定 Gson 项目的提交 #45bf2d 中,移动类重构可能导致了 2% 的能耗差异,因为测量的标准差为 5%。

综上所述,对于至少存在 5 年且共有 16,046 次提交的 7 个项目,结构导向重构对其主要功能的能耗没有实质性影响。这意味着可以安全地应用结构导向重构来提高代码质量,而不会对软件能耗产生负面影响。但比较重构前后的能耗始终是跟踪其变化的良好做法。

以下是一个简单的流程图,展示结构导向重构实验的流程:

graph LR
  
先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值