GC(二)

48271101_p0.png

原创文章,转载请注明出处

《垃圾回收的算法与实现》笔记

引用计数法

  • 计数器表示的是对象的人气指数,也就是有多少程序引入了这个对象(被引用数)。计数器是无符号的整数,用于计数器的位数根据算法和实现有所不同。

就是对于创建的每一个对象都有一个与之关联的计数器,这个计数器记录着该对象被使用的次数,垃圾收集器在进行垃圾回收时,对扫描到的每一个对象判断一下计数器是否等于0,若等于0,就会释放该对象占用的内存空间,同时将该对象引用的其他对象的计数器进行减一操作。

引用计数法的优缺点

优点
  • 可即刻回收垃圾

    在引用计数法中,每个对象始终都知道自己的被引用数(计数器的值),当值为 0 时,对象会马上把自己作为空闲空间连接到空闲链表。

  • 最大暂停时间短

    只有当通过 mutator 更新指针时程序才会执行垃圾回收。也就是说,每次执行 mutator 生成垃圾时这部分垃圾都会被回收,因而大幅度地削减了 mutator 的最大暂停时间。

  • 没有必要沿指针查找

    沿各个节点查找的话,成本就会增加。

缺点
  • 计数器值的增减处理繁重

    大多数情况下,指针都会频繁的更新,特别是有根的指针。

  • 计数器需要占用很多位

    用于引用计数的计数器最大必须能输完堆中所有对象的引用数。

  • 实现繁琐复杂

    进行指针更新操作的 update_ptr() 函数是在 mutator 这边调用的。而调用这个函数的地方很多,所以重写过程中很容易出现遗漏。如果漏掉了某处,内存管理就无法正确进行,就会产生 BUG 。

  • 循环引用无法回收

    循环垃圾的产生 :当两个对象互相引用,但是并没有被其他对象引用。所以这两个对象就无法被回收。

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    //定义 Person 类
    class Person {
    String name
    Person lover
    }

    //实例化对象
    taro = new Person("太郎")
    hanako = new Person("花子")

    //太郎喜欢花子
    taro.lover = hanako
    //花子喜欢太郎
    hanako.lover = taro

    //将 taro 转换为 null
    taro = null
    //将 hanako 转换为 null
    hanako = null
  • 循环引用无法回收这种方式一方面无法区分软、虛、弱、强引用类别。另一方面,会造成死锁,假设两个对象相互引用始终无法释放counter,永远不能GC。

延迟引用计数法(Deferred Reference Counting)

  • 为了改善引用计数法的一个缺点(计数器值的增减处理繁重)而改进的办法。

缺点 :计数器值的增减频繁的原因是“从根的引用变化频繁“

改进 :让从根引用的指针的变化不反映在计数器上

延迟引用计数法中使用 ZCT (Zero Count Table)。 ZCT 是一个表,它会事先记录下计数器值在 dec_ref_cnt() 函数的作用下变为 0 的对象。

计数器值为 0 的对象不一定都是垃圾,所以暂时先将这些对象保留,所以需要修正 dec_ref_cnt() 函数,使其适应延迟引用计数法。

dec_ref_cnt() 函数

1
2
3
4
5
6
7
8
9
10
11
dec_ref_cnt() {
obj.ref_cnt--

//如果计数器值为 0(obj 可能是垃圾,把 obj 添加到 $zct)
if (obj.ref_cnt == 0) {
if (is_full($zct) == TRUE) {
scan_zct()
}
push($zct, obj)
}
}

延迟引用计数法的优缺点

优点
  • 减轻了因根引用频繁发生变化而导致的计数器增减所带来的额外负担。
缺点
  • 在此方法中,程序延迟了根引用的计数器,垃圾会压迫堆,失去了延迟计数法的一个优点——即刻回收垃圾。

Sticky 引用计数法

  • 用来减少计数器位宽的方法。

    假设用于计数器的位数是 5,此方法最多只能数到 2 的 5 次方减 1,也就是 31 个引用数。

1 位引用计数法

  • 1 位引用计数法 (1 bit Reference Counting) 是 Sticky 引用计数法的一个极端例子。

用 0 表示被引用数为 1,用 1 表示被引用数大于等于 2,这样能有效率的进行内存管理。

1 位引用计数法的优缺点

优点
  • 不容易出现高速缓存缺失(需要缓存的数据不再缓存里)。
缺点
  • 计数器溢出对象。
【3D应力敏感度分析拓扑优化】【基于p-范数全局应力衡量的3D敏感度分析】基于伴随方法的有限元分析和p-范数应力敏感度分析(Matlab代码实现)内容概要:本文档介绍了基于伴随方法的有限元分析与p-范数全局应力衡量的3D应力敏感度分析,并结合拓扑优化技术,提供了完整的Matlab代码实现方案。该方法通过有限元建模计算结构在载荷作用下的应力分布,采用p-范数对全局应力进行有效聚合,避免传统方法中应力约束过多的问题,进而利用伴随法高效求解设计变量对应力的敏感度,为结构优化提供关键梯度信息。整个流程涵盖了从有限元分析、应力评估到敏感度计算的核心环节,适用于复杂三维结构的轻量化与高强度设计。; 适合人群:具备有限元分析基础、拓扑优化背景及Matlab编程能力的研究生、科研人员与工程技术人员,尤其适合从事结构设计、力学仿真与多学科优化的相关从业者; 使用场景及目标:①用于实现高精度三维结构的应力约束拓扑优化;②帮助理解伴随法在敏感度分析中的应用原理与编程实现;③服务于科研复现、论文写作与工程项目中的结构性能提升需求; 阅读建议:建议读者结合有限元理论与优化算法知识,逐步调试Matlab代码,重点关注伴随方程的构建与p-范数的数值处理技巧,以深入掌握方法本质并实现个性化拓展。
下载前必看:https://pan.quark.cn/s/9f13b242f4b9 Android 平板设备远程操控个人计算机的指南 Android 平板设备远程操控个人计算机的指南详细阐述了如何运用 Splashtop Remote 应用程序达成 Android 平板设备对个人计算机的远程操控。 该指南被划分为四个环节:首先,在个人计算机上获取并部署 Splashtop Remote 应用程序,并设定客户端密码;其次,在 Android 平板设备上获取并部署 Splashtop Remote 应用程序,并与之建立连接至个人计算机的通道;再次,在 Splashtop Remote 应用程序中识别已部署个人计算机端软件的设备;最后,运用平板设备对个人计算机实施远程操控。 关键点1:Splashtop Remote 应用程序的部署与配置* 在个人计算机上获取并部署 Splashtop Remote 应用程序,可通过官方网站或其他获取途径进行下载。 * 部署结束后,必须输入客户端密码,该密码在平板控制计算机时用作验证,密码长度至少为8个字符,且需包含字母与数字。 * 在配置选项中,能够设定是否在设备启动时自动运行客户端,以及进行互联网搜索设置。 关键点2:Splashtop Remote 应用程序的 Android 版本获取与部署* 在 Android 平板设备上获取并部署 Splashtop Remote 应用程序,可通过 Google Play Store 或其他获取途径进行下载。 * 部署结束后,必须输入客户端密码,该密码用于连接至个人计算机端软件。 关键点3:运用 Splashtop Remote 远程操控个人计算机* 在 Splashtop Remote 应用程序中识别...
先看效果: https://pan.quark.cn/s/7baef05d1d08 在信息技术范畴内,语音识别是一项核心的技术,它赋予计算机或设备解析和处理人类语音输入的能力。 本研究项目运用了MFCC(Mel Frequency Cepstral Coefficients)与VQ(Vector Quantization)算法,借助VC++6.0的MFC(Microsoft Foundation Classes)库,开发出一个图形用户界面(GUI),从而达成基础的语音识别功能。 接下来将具体分析这些技术及其应用。 **MFCC特征提取**MFCC是语音信号处理中的一个标准方法,用于将复杂的语音波形转换成一组便于处理的数据参数。 MFCC模拟人类听觉系统对声音频率的感知模式,通过梅尔滤波器组对声音频谱进行分段处理,进而计算每个滤波器组的倒谱系数。 该过程包含以下环节:1. **预加重**:旨在削弱人声的低频响应部分,同时增强高频成分的强度。 2. **分帧和窗函数**:将语音信号分割成多个短时帧,并应用窗函数以降低帧与帧之间的相互干扰。 3. **梅尔尺度滤波**:采用梅尔滤波器组对每一帧进行剖析,获取梅尔频率谱。 4. **取对数**:鉴于人耳对声音强度的感知呈现非线性特征,因此对梅尔频率谱取对数操作以更好地符合人类听觉系统。 5. **离散余弦变换(DCT)**:对对数谱实施DCT运算,提取主要特征,通常选取前12-20个系数作为MFCC特征。 6. **动态特性**:为了捕捉语音的时域变化特征,还可计算MFCC特征的差分值和阶差分值。 **VQ识别算法**VQ是一种数据压缩方法,在语音识别领域中常用于特征矢量的量化处理。 其基本理念是将高维度的MFCC特征向量映射到一个小型、预...
评论
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