深入浅出Java多线程编程

本文详细介绍了Java线程池的工作原理及使用方法。包括Executor接口、ExecutorService接口、Future接口和CompletionService接口的功能与实现方式。同时,还深入探讨了ThreadPoolExecutor的具体实现,以及Executors工具类提供的几种常见线程池的配置。

线程池调用

最简单情况,用户通过Executor接口来调用JDK提供的线程池调度框架。Executor接口只有一个方法execute,入参是需要执行的Runnable对象。

ExecutorService接口继承于Executor接口,提供了对任务执行状态进行跟踪的方法。ExecutorService可以执行实现了Runnable或Callable<V>接口的任务。Callable<V>接口只有一个带V数据类型返回值的call方法,并且call方法可以抛出Exception异常。invokeAll和invokeAny执行批量任务,submit执行单个任务。

Future<V>接口提供用户观察任务执行状态的方法。isDone判断任务是否结束。isCancelled判断任务是否被取消。cancel取消任务。get获取任务的执行结果,会抛出InterruptedException,ExecutionException,TimeoutException异常。

CompletionService<V> 提供对Future<V>的管理。poll返回下一个已完成任务的Future,如果没有已完成任务,返回nulltakepoll一样,但是当没有已完成任务,则等待。

ExecutorCompletionService实现CompletionService<V>接口,创建时需要传入Executor对象。

JDK实现

ThreadPoolExecutor实现了ExecutorService接口,其最全构造函数ThreadPoolExecutor(int corePoolSize, int maximumPoolSize, long keepAliveTime, TimeUnit unit,BlockingQueue<Runnable> workQueue, ThreadFactory threadFactory,RejectedExecutionHandler handler)

当用户给线程池新加任务时:

如果当前线程数小于corePoolSize,直接创建新的线程来执行任务

如果当前线程数大于等于corePoolSize,把任务加入等待队列

如果等待队列已满,且当前线程数小于maximunPoolSize,创建新线程来执行任务;否决抛出异常

线程处理逻辑:

执行创建线程时传入的任务

循环从等待队列中获取任务,进行执行

如果超过特定时间没有获取到任务,线程结束

Executors

newSingleThreadExecutor

corePoolSize=1,maximumPoolSize=1,queueCapacity=Integer.MAX_VALUE

newFixedThreadPool

corePoolSize=n,maximumPoolSize=n,queueCapacity=Integer.MAX_VALUE

newCachedThreadPool
corePoolSize=0,maximumPoolSize=Integer.MAX_VALUE,queueCapacity=1
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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