jvm阅读03垃圾收集

本文深入解析了各种垃圾收集器的特点和工作原理,包括Serial、ParNew、ParallelScavenge、SerialOld、ParallelOld、CMS和G1。探讨了并行与并发的概念,以及不同收集器在吞吐量、停顿时间和资源消耗上的权衡。

在这里插入图片描述

并行与并发

并行:多任务同一时刻进行;多个指令在多个CPU上运行;宏观微观都是同时。
并发:多任务同一时间段进行(交替执行);多个指令在一个CPU上运行;宏观同时,微观串行。
在这里插入图片描述
垃圾收集器:内存回收的具体实现。

Serial

单线程:在进行垃圾收集时,必须暂停其他所有的工作线程,在用户不可见的情况下停掉用户正常工作的线程。

  • 是虚拟机运行Client模式下默认的新生代收集器,没有线程交互开销,单线程效率高。
  • 可以与CMS收集器配合使用。

ParNew

  • Serial收集器的多线程版本,是很多运行在Server模式下虚拟机首选的新生代收集器
  • 可以与CMS收集器(老年代收集器)配合使用。

Parallel Scavenge(从废弃物中) 觅食; 捡破烂; 拾荒;

  • 新生代收集器,复制算法,吞吐量优先。
  • 目标:达到一个可控制的吞吐量,吞吐量就是运行用户代码的时间与CPU总消耗时间的比值。
  • 停顿时间短:适合和用户频繁交互的任务。
  • 高吞吐量:适合在后台运行不需要太多交互的任务。

Serial Old

  • Serial的老年代版本,单线程
  • 标记整理算法,主要给Client模式下的虚拟机使用
  • 如果是在Server模式下:一方面与Parallel Scavenage搭配使用;另一方面可以作为CMS的后备预案。

Parallel Old

  • Parallel Scavenge的老年代版本
  • 多线程,标记整理算法
  • Parallel Scavenge + Parallel Old 组合

CMS

  • concurrent mark sweep ,为了获取最短停顿时间,由于目前很大部分Java应用集中在互联网站或B/S系统的服务端上。
过程
  • 初始标记(stop the world)
    标记一下GC Roots能直接关联到的对象
  • 并发标记 耗时长
    GC Roots tracing,判断对象是否仍在使用中,可达性分析。
  • 重新标记(stop the world)
    修正并发标记期间因用户程序继续运行而导致交际产生变动的那部分对象的标记记录
  • 并发清除 耗时长
缺点
  • 对CPU资源敏感
    面向并发设计的程序都对CPU资源敏感,会导致吞吐量降低
  • 无法处理浮动垃圾
    程序运行不断产生新的垃圾,cms在下一次GC时清理这些垃圾。当清理垃圾时用户线程需要运行,所以还要给用户线程预留足够的空间,CMS不能像其他收集器一样,等到老年代快满了再进行收集,要预留空间。
  • 标记清除算法的缺陷

G1

将整个Java堆划分为多个大小相等的Region,新生代和老年代不再是物理隔离,是一部分Region的集合。

  • 面向服务端
  • 分代收集
  • 整体基于标记整理算法,局部基于复制算法,不会产生内存空间碎片
  • 停顿可预测
    G1可以有计划地避免在整个Java堆中进行全区域的垃圾收集,它跟踪各个Region里垃圾堆积的价值大小(回收所获得的空间大小以及回收所需时间的经验值),在后台维护一个优先列表,优先回收价值最大的Region。
  • 避免全堆扫描 Remembered Set
    G1的每个Region都有个与之对应的Remembered Set,虚拟机发现程序在对Reference类型的数据进行写操作时,会产生一个 Write Barrier(屏障)暂时中断写操作,检查Reference引用的对象是否处于不同的Region中,如果是便通过CardTable把相关引用信息记录到被引用对象所属Region的Remembered Set中,回收时在GC根节点的枚举范围加入Remembered Set可以保证即使不进行全堆扫描也不会有遗漏。
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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
 
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