《深入理解Java虚拟机》笔记之第7章 虚拟机类加载机制

Java类的生命周期与初始化详解
本文深入解析Java类的生命周期,详细阐述类初始化的四种关键情况,包括使用new关键字、反射调用、父类初始化及主类初始化。同时解释加载、准备阶段以及初始化过程中的细节,包括类变量的赋值时机、静态语句块执行顺序和类加载的双亲委派模型。

1、类的生命周期

     

 

2、虚拟机规范严格控制规定了有且只有四种情况必须立即对类进行“初始化”(而加载、验证、准备自然需要在这些之前开始)。

   1)使用new关键字实例化对象、读取或设置一个类的静态字段(被final修饰、已在编译期把结果放入常量池的静态字段除外)、以及调用一个类的静态方法的时候。更严格的说,是遇到newgetstaticputstaticinvokestatic4条字节码指令时,如果类没有进行初始化,则需要先触发其初始化;

   2)使用java.lang.reflect包的方法对类进行反射调用的时候,如果类没有进行过初始化,则需要先触发其初始化;

   3)当初始化一个类的时候,如果发现其父类还没有进行过初始化,则需要先触发其父类的初始化;

   4)当虚拟机启动时,用户需要指定一个要执行的主类(包括main方法的那个类),虚拟机会先初始化这个主类。

    注意,接口的情况并不适合第三种情况。即一个接口在初始化时,并不要求其父接口全部都完成初始化了,只有在真正使用到父接口的时候(如引用接口中定义的常量)才会初始化。

 

3、加载阶段完成后,虚拟机外部的二进制字节流就按照虚拟机所需的格式存储在方法区之中,然后在Java堆中实例化一个java.lang.Class类的对象,这个对象将作为程序访问方法区中的这些类型数据的外部接口。  P177

 

4、准备阶段(P181           

准备阶段是正式为类变量分配内存并设置类变量初始值的阶段,这些内存都将在方法区中进行分配。注意,这里的类变量是指被static修饰的变量,不包括实例变量 (实例变量分配在堆中)。

类变量有两种:

    (1) public static int value = 123;那么变量value在准备阶段之后的初始值是0,因为此时尚未执行任何java方法,赋值123是在初始化阶段才执行的;

   2public static final int value = 123;那么编译时会为value生成ConstantValue属性,准备阶段就会赋值为123

    即:变量有两次赋初值的过程:一次在准备阶段,赋予系统初始值;一次在初始化阶段,赋予程序员定义的初始值。

 

5、初始化:

   <clinit>()方法是由编译器自动收集类中的所有类变量的赋值动作和静态语句块(static{}块)中的语句合并产生的,收集的顺序由语句在源文件中出现的顺序决定的。静态语句块中只能访问到定义在静态语句块之前的变量,定义在其后的变量可以赋值,但不能访问。

   <clinit>()方法无须显示地调用父类构造器,虚拟机会保证父类的方法在子类的方法前面执行。因此第一个被执行的<clinit>()方法的类是Object。因此,父类中定义的静态语句块会优先于子类的变量赋值操作。

执行接口的<clinit>()方法不需要先执行父接口的<clinit>()方法,接口的实现类也不会先执行接口的<clinit>()方法。只有当父接口中定义的变量被使用时,父接口才会被初始化。

虚拟机会保证一个类的<clinit>()方法在多线程中被正确的加锁和同步。如果在一个类的<clinit>()方法中有耗时很少的操作,可能造成多个线程阻塞。

 

6、对于任意一个类,都需要由加载它的类加载器和这个类本身一同确立其在Java虚拟机中的唯一性。“相等”也只有在同一个类加载器的前提之下才有意义。(这里的“相等”包括代表Class对象的equals()方法、isAssignableFrom()方法、isInstance()方法的返回结果)。

 

7、类加载的双亲委派模型:如果一个类加载器收到了类加载的请求,它首先不会自己去尝试加载这个类,而是指把这个请求委派给父类加载器去加载,直到最顶层的Bootstrap ClassLoader

该模型解决了:各个加载器的基础类的统一问题(越基础的类由越上层的加载器进行加载)。如类java.lang.Object,无论哪一个类加载器要加载这个类,最终都是委派给启动类加载器进行加载,所以在程序的各种类加载器环境中都是同一个类。

为了解决使用Bootstrap ClassLoader的类需要调用用户的代码(如JNDIJDBCJCESPI)的问题,Java设计团队引入了线程上下文类加载器(Thread Context ClassLoader)。如果创建线程时还未设置,那么会从父线程中继承;如果应用程序的全局范围内都没有设置过,这个类加载器默认就是应用程序类加载器。

 

注意:类加载的双亲委派模板并不是一个强制性的约束。

同步定位与地图构建(SLAM)技术为移动机器人或自主载具在未知空间中的导航提供了核心支撑。借助该技术,机器人能够在探索过程中实时构建环境地图并确定自身位置。典型的SLAM流程涵盖传感器数据采集、数据处理、状态估计及地图生成等环节,其核心挑战在于有效处理定位与环境建模中的各类不确定性。 Matlab作为工程计算与数据可视化领域广泛应用的数学软件,具备丰富的内置函数与专用工具箱,尤其适用于算法开发与仿真验证。在SLAM研究方面,Matlab可用于模拟传感器输出、实现定位建图算法,并进行系统性能评估。其仿真环境能显著降低实验成本,加速算法开发与验证周期。 本次“SLAM-基于Matlab的同步定位与建图仿真实践项目”通过Matlab平台完整再现了SLAM的关键流程,包括数据采集、滤波估计、特征提取、数据关联与地图更新等核心模块。该项目不仅呈现了SLAM技术的实际应用场景,更为机器人导航与自主移动领域的研究人员提供了系统的实践参考。 项目涉及的核心技术要点主要包括:传感器模型(如激光雷达与视觉传感器)的建立与应用、特征匹配与数据关联方法、滤波器设计(如扩展卡尔曼滤波与粒子滤波)、图优化框架(如GTSAM与Ceres Solver)以及路径规划与避障策略。通过项目实践,参与者可深入掌握SLAM算法的实现原理,并提升相关算法的设计与调试能力。 该项目同时注重理论向工程实践的转化,为机器人技术领域的学习者提供了宝贵的实操经验。Matlab仿真环境将复杂的技术问题可视化与可操作化,显著降低了学习门槛,提升了学习效率与质量。 实践过程中,学习者将直面SLAM技术在实际应用中遇到的典型问题,包括传感器误差补偿、动态环境下的建图定位挑战以及计算资源优化等。这些问题的解决对推动SLAM技术的产业化应用具有重要价值。 SLAM技术在工业自动化、服务机器人、自动驾驶及无人机等领域的应用前景广阔。掌握该项技术不仅有助于提升个人专业能力,也为相关行业的技术发展提供了重要支撑。随着技术进步与应用场景的持续拓展,SLAM技术的重要性将日益凸显。 本实践项目作为综合性学习资源,为机器人技术领域的专业人员提供了深入研习SLAM技术的实践平台。通过Matlab这一高效工具,参与者能够直观理解SLAM的实现过程,掌握关键算法,并将理论知识系统应用于实际工程问题的解决之中。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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