Practicle Java笔记 实践28-45

本文提供了一系列针对Java应用程序的性能优化技巧,包括优化设计、代码、数据结构和算法的选择,以及具体的实现建议如字符串连接、对象创建策略、同步控制等。

 

实践28

将精力集中于建立良好可靠的设计(必要时易于修改)

高效代码与 1 良好的设计 2 明智地选择数据结构 3 明智地选择算法 三者的密切程度,远大于与实现语言的关系。

实践29

常见的Java编译器几乎做不了什么优化工作,所以不要依赖编译器的优化功能(特别Java的)

我们有三个选择:1 手动优化 2 使用第三方优化编译器 3 依靠诸如JIT,Hotspot这样的运行期优化策略

实践30

理解运行期代码优化技术

JIT的目的在于将bytecode于运行期转换为本机二进制码(native binary code)。

必须确保用于[收集数据和执行优化]的时间,不能超过优化所节省的时间。并且JIT自身启动也需要实践。

许多嵌入式系统或许并没有足够的内存用于JIT或Hotspot执行层。

实践31

如果要执行字符串连接,StringBuffer优于String

实践32

将待建对象的数量和体积减至最小

对象构件过程中发生的顺序:

1 从heap中分配内存,用于存放全部的instantce变量及这个对象连同其superclass的专有数据(域和方法指针)

2 对象的instance变量初始化对应缺省值

3 调用最深层派生类的构造函数,一直到Object

4 在构造函数本体执行前 所有instance变量初始值设定式和初始化区段先执行,再执行本体。

如果确定性能问题是由重型对象的创建造成:

1 使用缓式评估(延迟求值,lazy evaluation)

2 重新设计class

3 将class分解为多个轻型对象,使最关键的部分只使用轻型对象

增加对象创建成本的特征

1 构造函数中有大量代码

2 内含数量众多和庞大的对象 它们的初始化将是构造函数的一部分

3 太深的继承层次

实践33

只有在需要的时候再创建对象

实践34

只有在必要的时候 才使用synchronized 并且如果整个函数需要被同步化,为了产生体积较小且执行更快的代码,应优先使用函数修饰符,而不是在函数内使用同步块

实践35

尽可能使用stack变量

stack变量为JVM提供了更高效的bytecode指令序列,所以在循环内重复访问static变量或instance变量时,应当将它们暂时存储于stack变量中,以便获得更快的运行速度。

实践36

以方法体替换方法调用,会导致更快速的程序,如果要令函数为inline,必须先声明它们为static、final或private。

实践37

所有static变量和instance变量都会自动获得缺省值,所以不必重新将它们设为缺省值。随意最好的class应该是这样的:

 

	class A{
		private int count;
		private boolean flag;
		private Point pt;
		
		public A(){
			pt=new Point(0,0);
		}
	}

  这里既不需要在开始对count,flag初始化,也不用在构造函数内初始化

实践38

使用基本类型,这将比使用包装类产生更小更快的代码

实践39

作遍历时,使用get()函数而不是Enumeration或Iterator/LisIterator,这样会导致更少的函数调用,也就意味着更快的运行速度

实践40

使用System.arraycopy()来复制arrays。因为这个是本机(native)函数,速度更快。 

注意copy的2个原数组和目标数组必须同类型且长度相同

实践41

优先使用array,再考虑ArrayList和Vector

Vector最慢 因为他是同步的 ArrayList是不带同步的

实践42

尽可能的复用现有的对象 但是要注意如果对象是objectreference 可能会引起不希望的结果

实践43

采用延迟求值 lazy evaluation, 延缓那些可能永远也不需要进行的工作

实践44

手工优化代码

剔除空白函数

剔除无用代码

削减强度(例如用+=)

合并常量

删减相同的子表达式

展开循环(会产生更多的代码)

简化代数

搬移循环内的不变式

实践45

编译为本机代码,通常可以获得运行速度更快的代码,但却因此必须在各种不同的本机方案中取舍。

内容概要:本文围绕EKF SLAM(扩展卡尔曼滤波同步定位与地图构建)的性能展开多项对比实验研究,重点分析在稀疏与稠密landmark环境下、预测与更新步骤同时进行与非同时进行的情况下的系统性能差异,并进一步探讨EKF SLAM在有色噪声干扰下的鲁棒性表现。实验考虑了不确定性因素的影响,旨在评估不同条件下算法的定位精度与地图构建质量,为实际应用中EKF SLAM的优化提供依据。文档还提及多智能体系统在遭受DoS攻击下的弹性控制研究,但核心内容聚焦于SLAM算法的性能测试与分析。; 适合人群:具备一定机器人学、状态估计或自动驾驶基础知识的科研人员及工程技术人员,尤其是从事SLAM算法研究或应用开发的硕士、博士研究生和相关领域研发人员。; 使用场景及目标:①用于比较EKF SLAM在不同landmark密度下的性能表现;②分析预测与更新机制同步与否对滤波器稳定性与精度的影响;③评估系统在有色噪声等非理想观测条件下的适应能力,提升实际部署中的可靠性。; 阅读建议:建议结合MATLAB仿真代码进行实验复现,重点关注状态协方差传播、观测更新频率与噪声模型设置等关键环节,深入理解EKF SLAM在复杂环境下的行为特性。稀疏 landmark 与稠密 landmark 下 EKF SLAM 性能对比实验,预测更新同时进行与非同时进行对比 EKF SLAM 性能对比实验,EKF SLAM 在有色噪声下性能实验
内容概要:本文围绕“基于主从博弈的售电商多元零售套餐设计与多级市场购电策略”展开,结合Matlab代码实现,提出了一种适用于电力市场化环境下的售电商优化决策模型。该模型采用主从博弈(Stackelberg Game)理论构建售电商与用户之间的互动关系,售电商作为领导者制定电价套餐策略,用户作为跟随者响应电价并调整用电行为。同时,模型综合考虑售电商在多级电力市场(如日前市场、实时市场)中的【顶级EI复现】基于主从博弈的售电商多元零售套餐设计与多级市场购电策略(Matlab代码实现)购电组合优化,兼顾成本最小化与收益最大化,并引入不确定性因素(如负荷波动、可再生能源出力变化)进行鲁棒或随机优化处理。文中提供了完整的Matlab仿真代码,涵盖博弈建模、优化求解(可能结合YALMIP+CPLEX/Gurobi等工具)、结果可视化等环节,具有较强的可复现性和工程应用价值。; 适合人群:具备一定电力系统基础知识、博弈论初步认知和Matlab编程能力的研究生、科研人员及电力市场从业人员,尤其适合从事电力市场运营、需求响应、售电策略研究的相关人员。; 使用场景及目标:① 掌握主从博弈在电力市场中的建模方法;② 学习售电商如何设计差异化零售套餐以引导用户用电行为;③ 实现多级市场购电成本与风险的协同优化;④ 借助Matlab代码快速复现顶级EI期刊论文成果,支撑科研项目或实际系统开发。; 阅读建议:建议读者结合提供的网盘资源下载完整代码与案例数据,按照文档目录顺序逐步学习,重点关注博弈模型的数学表达与Matlab实现逻辑,同时尝试对目标函数或约束条件进行扩展改进,以深化理解并提升科研创新能力。
内容概要:本文介绍了基于粒子群优化算法(PSO)的p-Hub选址优化问基于粒子群优化算法的p-Hub选址优化(Matlab代码实现)题的Matlab代码实现,旨在解决物流与交通网络中枢纽节点的最优选址问题。通过构建数学模型,结合粒子群算法的全局寻优能力,优化枢纽位置及分配策略,提升网络传输效率并降低运营成本。文中详细阐述了算法的设计思路、实现步骤以及关键参数设置,并提供了完整的Matlab仿真代码,便于读者复现和进一步改进。该方法适用于复杂的组合优化问题,尤其在大规模网络选址中展现出良好的收敛性和实用性。; 适合人群:具备一定Matlab编程基础,从事物流优化、智能算法研究或交通运输系统设计的研究生、科研人员及工程技术人员;熟悉优化算法基本原理并对实际应用场景感兴趣的从业者。; 使用场景及目标:①应用于物流中心、航空枢纽、快递分拣中心等p-Hub选址问题;②帮助理解粒子群算法在离散优化问题中的编码与迭代机制;③为复杂网络优化提供可扩展的算法框架,支持进一步融合约束条件或改进算法性能。; 阅读建议:建议读者结合文中提供的Matlab代码逐段调试运行,理解算法流程与模型构建逻辑,重点关注粒子编码方式、适应度函数设计及约束处理策略。可尝试替换数据集或引入其他智能算法进行对比实验,以深化对优化效果和算法差异的理解。
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