JVM垃圾回收算法小结

对象生存判断算法
1、引用计数法
给对象中添加一个引用计数器,每当一个地方引用到这个对象的时候,计数器值就加1,当引用失效时,计数器的值就减1,当计数器值变为0时,便说明该对象不可能再被使用了。
优点:实现简单,判定效率较高。
缺点:当出现对象之间的相互循环引用时,即两个类中都存在引用字段分别引用着对方的时候,在回收过程中这时该算法无效。

2、可达性分析算法
为了克服引用计数法的弊端,现在比较主流的实现算法是可达性分析算法。该算法的基本思想是通过一系列的成为“GC Roots”的对象作为起始点,从这些节点开始向下搜索,搜索所走过的路径称为引用链。如果在一次的搜索中,一个对象到GC Roots没有任何的引用链相连,则说明此对象是不可用的。具体如图所示
在这里插入图片描述
GC Roots的判定:
  1、虚拟机栈(栈帧中的本地变量表)中引用的对象
  2、方法区中静态属性引用的对象
  3、方法区中常量引用的对象
  4、本地方法栈中JNI(即一般说的Native方法)引用的对象

垃圾收集算法:
垃圾收集算法有四种:标记-清除算法、复制算法、标记-整理算法、分代收集算法
在这里插入图片描述
垃圾收集器
常见的JVM垃圾收集器有七种,具体如下图所示:  
哪种垃圾回收机制可以将整个堆(新生代、老年代)都回收? 答案是G1
在这里插入图片描述
 
新生代:
采用"标记-复制"算法进行垃圾回收 ,因为不会有内存碎片,且新生代的对象朝生夕死,只会存活很少的对象,适合8:1:1分配空间,不会浪费太多内存。
1、内存碎片太多可能会导致,当程序在以后的运行过程中需要分配较大对象时无法找到足够连续的内存空间而不得不提前出发另一次垃圾收集动作
2、IBM的专门研究表明,新生代中的对象98%是朝生夕死的,所以并不需要按照1:1的比例来划分内存空间,而是将内存分为一块较大的Eden空间和两块较小的Survivor空间,每次使用Eden和其中的一块Survivor。当回收时,将Eden和Survivor中还存活着的兑现个一次性地拷贝到另外一块Survivor空间上,最后清理掉Eden和刚才用过的Survivor的空间。HotSpot虚拟机默认Eden和Survivor的大小比例是8:1,也就是每次新生代中可用内存空间为整个新生代容量的90%,只有10%的内存是会被浪费的。
在这里插入图片描述
老年代:
采用"标记-整理"算法进行垃圾回收,因为老年代的对象存活率较高,如果采用"标记-复制"算法需要执行较多的复制操作,且浪费50%的空间。
"标记-整理"算法(压缩):就是将存活的对象移动到一块,空出连续的空间
在这里插入图片描述
CMS:是采用"标记-清理"算法,存在内存碎片

G1:是采用"标记-整理"算法

ZGC
1、和G1一样将堆划分为Region作为清理、移动,但是ZGC的Region不是固定大小的,而是动态的创建、销毁大小不一的Region;
2、没有G1记录Region之间的对象引用关系的RememberSet,因为ZGC每次都会对所有的Region进行回收,且不分代。
3、着色指针、读屏障

参考资料:
http://www.360doc.com/content/12/1219/15/495229_255087879.shtml
https://www.cnblogs.com/zhouyuqin/p/5164060.html

内容概要:本文深入探讨了Kotlin语言在函数式编程和跨平台开发方面的特性和优势,结合详细的代码案例,展示了Kotlin的核心技巧和应用场景。文章首先介绍了高阶函数和Lambda表达式的使用,解释了它们如何简化集合操作和回调函数处理。接着,详细讲解了Kotlin Multiplatform(KMP)的实现方式,包括共享模块的创建和平台特定模块的配置,展示了如何通过共享业务逻辑代码提高开发效率。最后,文章总结了Kotlin在Android开发、跨平台移动开发、后端开发和Web开发中的应用场景,并展望了其未来发展趋势,指出Kotlin将继续在函数式编程和跨平台开发领域不断完善和发展。; 适合人群:对函数式编程和跨平台开发感兴趣的开发者,尤其是有一定编程基础的Kotlin初学者和中级开发者。; 使用场景及目标:①理解Kotlin中高阶函数和Lambda表达式的使用方法及其在实际开发中的应用场景;②掌握Kotlin Multiplatform的实现方式,能够在多个平台上共享业务逻辑代码,提高开发效率;③了解Kotlin在不同开发领域的应用场景,为选择合适的技术栈提供参考。; 其他说明:本文不仅提供了理论知识,还结合了大量代码案例,帮助者更好地理解和实践Kotlin的函数式编程特性和跨平台开发能力。建议者在学习过程中动手实践代码案例,以加深理解和掌握。
内容概要:本文深入探讨了利用历史速度命令(HVC)增强仿射编队机动控制性能的方法。论文提出了HVC在仿射编队控制中的潜在价值,通过全面评估HVC对系统的影响,提出了易于测试的稳定性条件,并给出了延迟参数与跟踪误差关系的显式不等式。研究为两轮差动机器人(TWDRs)群提供了系统的协调编队机动控制方案,并通过9台TWDRs的仿真和实验验证了稳定性和综合性能改进。此外,文中还提供了详细的Python代码实现,涵盖仿射编队控制类、HVC增强、稳定性条件检查以及仿真实验。代码不仅实现了论文的核心思想,还扩展了邻居历史信息利用、动态拓扑优化和自适应控制等性能提升策略,更全面地反映了群体智能协作和性能优化思想。 适用人群:具备一定编程基础,对群体智能、机器人编队控制、时滞系统稳定性分析感兴趣的科研人员和工程师。 使用场景及目标:①理解HVC在仿射编队控制中的应用及其对系统性能的提升;②掌握仿射编队控制的具体实现方法,包括控制器设计、稳定性分析和仿真实验;③学习如何通过引入历史信息(如HVC)来优化群体智能系统的性能;④探索中性型时滞系统的稳定性条件及其在实际系统中的应用。 其他说明:此资源不仅提供了理论分析,还包括完整的Python代码实现,帮助者从理论到实践全面掌握仿射编队控制技术。代码结构清晰,涵盖了从初始化配置、控制律设计到性能评估的各个环节,并提供了丰富的可视化工具,便于理解和分析系统性能。通过阅和实践,者可以深入了解HVC增强仿射编队控制的工作原理及其实际应用效果。
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