Java并行编程–从并行任务集获取反馈

本文介绍如何利用Java中的Callable接口与ExecutorService实现多线程邮件发送,并实时监控发送进度及统计发送结果。

在并行任务启动后,强制性地从并行任务得到反馈。

假想有一个程序,可以发送批邮件,还使用了多线程机制。你想知道有多少邮件成功发送吗?你想知道在实际发送过程期间,这个批处理工作的实时进展吗?

要实现多线程的这种反馈,我们可以使用Callable接口。此接口的工作方式基本上与Runnable相同,但是执行方法(call())会返回一个值,该值反映了执行计算的结果。

package com.ricardozuasti; import java.util.concurrent.Callable; public class FictionalEmailSender implements Callable<Boolean>{ private String to; private String subject; private String body; public FictionalEmailSender(String to, String subject, String body){ this.to = to; this.subject = subject; this.body = body; } @Override public Boolean call() throws InterruptedException { // 在0~0.5秒间模拟发送邮件 Thread.sleep(Math.round(Math.random()*0.5*1000)); // 假设我们有80%的几率成功发送邮件 if(Math.random()>0.2){ return true; }else{ return false; } } }


注意:Callable接口可用于返回任意数据类型, 因此我们的任务可以返回我们需要的任何信息。

现在,我们使用一个线程池ExecutorService来发送邮件,由于我们的任务是以Callable接口实现的,我们提交执行的每个新任务,都会得到一个Future引用。注意我们要使用直接的构造器创建ExecutorService,而不是使用来自Executors的工具方法创建。这是因为使用指定类ThreadPoolExecutor提供了一些方法可以派上用场。

package com.ricardozuasti; import java.util.concurrent.Future; import java.util.concurrent.LinkedBlockingQueue; import java.util.concurrent.ThreadPoolExecutor; import java.util.concurrent.TimeUnit; import java.util.ArrayList; import java.util.List; public class Concurrency2 { public static void main(String[] args){ try{ ThreadPoolExecutor executor = new ThreadPoolExecutor(30, 30, 1, TimeUnit.SECONDS, new LinkedBlockingQueue()); List<Future<Boolean>> futures = new ArrayList<Future<Boolean>>(9000); // 发送垃圾邮件, 用户名假设为4位数字 for(int i=1000; i<10000; i++){ futures.add(executor.submit(new FictionalEmailSender(i+"@sina.com", "Knock, knock, Neo", "The Matrix has you..."))); } // 提交所有的任务后,关闭executor System.out.println("Starting shutdown..."); executor.shutdown(); // 每秒钟打印执行进度 while(!executor.isTerminated()){ executor.awaitTermination(1, TimeUnit.SECONDS); int progress = Math.round((executor.getCompletedTaskCount() *100)/executor.getTaskCount()); System.out.println(progress + "% done (" + executor.getCompletedTaskCount() + " emails have been sent)."); } // 现在所有邮件已发送完, 检查futures, 看成功发送的邮件有多少 int errorCount = 0; int successCount = 0; for(Future<Boolean> future : futures){ if(future.get()){ successCount++; }else{ errorCount++; } } System.out.println(successCount + " emails were successfully sent, but " + errorCount + " failed."); }catch(Exception ex){ ex.printStackTrace(); } } }


执行这个类,输出结果如下:

Starting shutdown... 1% done (118 emails have been sent). 2% done (232 emails have been sent). 3% done (358 emails have been sent). 5% done (478 emails have been sent). 6% done (587 emails have been sent). 7% done (718 emails have been sent). 9% done (850 emails have been sent). 10% done (969 emails have been sent). ……


所有的任务都由ExecutorService提交,我们开始它的关闭(防止提交新任务)并使用一个循环(实时场景,可能你会继续做其它的事情)来等待,直至所有任务都被执行完成、计算和打印当前每次迭代的进度。

注意,你可以存储executor引用,也可以在任意时间从其它线程查询它的计算结果和报告进程进度。

最后,使用Future集合引用,我们得到ExecutorService提交的每个Callable接口,通知成功发送的邮件数量和发送失败的邮件数量。

此结构不但易于使用,还使得相关性得到清晰的隔离,在调度程序和实际任务之间提供了一个预定义的通信机制。

基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的Koopman算子的递归神经网络模型线性化”展开,旨在研究纳米定位系统的预测控制问题,并提供完整的Matlab代码实现。文章结合数据驱动方法与Koopman算子理论,利用递归神经网络(RNN)对非线性系统进行建模与线性化处理,从而提升纳米级定位系统的精度与动态响应性能。该方法通过提取系统隐含动态特征,构建近似线性模型,便于后续模型预测控制(MPC)的设计与优化,适用于高精度自动化控制场景。文中还展示了相关实验验证与仿真结果,证明了该方法的有效性和先进性。; 适合人群:具备一定控制理论基础和Matlab编程能力,从事精密控制、智能制造、自动化或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能控制设计;②为非线性系统建模与线性化提供一种结合深度学习与现代控制理论的新思路;③帮助读者掌握Koopman算子、RNN建模与模型预测控制的综合应用。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现流程,重点关注数据预处理、RNN结构设计、Koopman观测矩阵构建及MPC控制器集成等关键环节,并可通过更换实际系统数据进行迁移验证,深化对方法泛化能力的理解。
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