多线程

多线程是实现并发机制的一种有效手段。进程和线程一样,都是实现并发的一个基本单位。

线程和进程的主要差别体现在以下两个方面:

(1)同样作为基本的执行单元,线程是划分得比进程更小的执行单位。

(2)每个进程都有一段专用的内存区域。与此相反,线程却共享内存单元(包括代码和数据),通过共享的内存单元来实现数据交换、实时通信与必要的同步操作。


所谓的线程(Thread)是指程序的运行流程,“多线程”的机制则是指可以同时运行多个程序块,使程序运行的效率变得更高,也可克服传统程序语言所无法解决的问题.

范例:

public class ThreadDemo9_1
{
	public static void main(String args[])
	{
		new TestThread().run();
		// 循环输出
		for(int i=0;i<10;i++)
		{
			System.out.println("main 线程在运行");
		}
	}
}

class TestThread
{
	public void run()
	{
		for(int i=0;i<10;i++)
		{
			System.out.println("TestThread 在运行");
		}
	}
}
要想运行main方法中的循环,必须要等TestThread类中的run()方法执行完之后才可以运行,这便是单一线程的缺陷,在Java里,是否可以同时运行9与19行的语句,使得“main 线程在运行”和“TestThread 在运行”交错输出呢?答案是肯定的,其方法是——在Java里激活多个线程

如果在类里要激活线程,必须先做好下面两个准备:
(1)线程必须扩展自Thread类,使自己成为它的子类
(2)线程的处理必须编写在run()方法内


通过继承Thread类实现多线程

Thread存放在java.lang类库里,但并不需加载java.lang类库,因为它会自动加载。此外,run()方法是定义在Thread类里的一个方法,因此把线程的程序代码编写在run()方法内,事实上所做的就是覆盖的操作。因此要使一个类可激活线程,必须按照下面的语法来编写:


将上面的程序修改如下;;


这样就实现了多线程,从运行结果中可以发现,两行输出是交替进行的,也就是说程序是采用多线程机制运行的。与之前的程序相比,修改后的程序的第13行TestThread类继承了Thread类,第5行调用的不再是run()方法,而是start()方法。所以,要启动线程必须调用Thread类之中的start()方法,而调用了start()方法,也就是调用了run()方法。


通过实现Runnable接口实现多线程

又有一种方法实现多线程的原因:

JAVA程序只允许单一继承,即一个子类只能有一个父类,所以在Java中如果一个类继承了某一个类,同时又想采用多线程技术的时,就不能用Thread类产生线程,因为Java不允许多继承,这时就要用Runnable接口来创建线程了。

语法定义如下:


使用Runnable接口的范例如下:

public class ThreadDemo9_2
{
	public static void main(String args[])
	{
		TestThread t = new TestThread() ;
		new Thread(t).start();
		// 循环输出
		for(int i=0;i<10;i++)
		{
			System.out.println("main 线程在运行");
		}
	}
}

class TestThread implements Runnable //TestThread通过实现Runnable接口,实现多线程
{
	public void run()
	{
		for(int i=0;i<10;i++)
		{
			System.out.println("TestThread 在运行");
		}
	}
}
从输出结果中可以发现,无论继承了Thread类还是实现了Runnable接口运行的结果都是一样的。


线程的状态

要想实现多线程,必须在主线程中创建新的线程对象。任何线程一般具有五种状态,即创建、就绪、运行、阻塞、终止。线程状态的转移与方法之间的关系可用下图表示:

1、新建状态
在程序中用构造方法创建了一个线程对象后,新的线程对象便处于新建状态,此时,它已经有了相应的内存空间和其它资源,但还处于不可运行状态。新建一个线程对象可采用线程构造方法来实现。
例如: Thread thread=new Thread();

2、就绪状态
新建线程对象后,调用该线程的start()方法就可以启动线程。当线程启动时,线程进入就绪状态。此时,线程将进入线程队列排队,等待CPU服务,这表明它已经具备了运行条件。


3、运行状态
当就绪状态的线程被调用并获得处理器资源时,线程就进入了运行状态。此时,自动调用该线程对象的run()方法。run()方法定义了该线程的操作和功能。


4、堵塞状态
一个正在执行的线程在某些特殊情况下,如被人为挂起或需要执行耗时的输入输出操作时,将让出CPU并暂时中止自己的执行,进入堵塞状态。在可执行状态下,如果调用sleep()、suspend()、wait()等方法,线程都将进入堵塞状态。堵塞时,线程不能进入排队队列,只有当引起堵塞的原因被消除后,线程才可以转入就绪状态。


5、死亡状态
线程调用stop()方法时或run()方法执行结束后,线程即处于死亡状态。处于死亡状态的线程不具有继续运行的能力。


多线程的同步

如何避免两个线程对同一个对象进行操作:

同步代码块

要解决上面的问题,必须保证下面这段代码的原子性:

if(tickets>0)
{
System.out.println(Thread.currentThread().getName()+"出售票"+tickets--);
}

即当一个线程运行到if(tickets>0)后,CPU不去执行其它线程中的、可能影响当前线程中的下一句代码的执行结果的代码块,必须等到下一句执行完后才能去执行其它线程中的有关代码块。这段代码就好比一座独木桥,任何时刻,都只能有一个人在桥上行走,程序中不能有多个线程同时在这两句代码之间执行,这就是线程同步


同步代码块定义语法:



标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 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