Java面试题分享-线程

本文以问答形式介绍线程相关知识,包括进程与线程区别,创建线程的方式,Thread类介绍,线程生命周期、优先级、调度策略,线程中成员变量和局部变量特点,还讲解了synchronized关键字、synchronized方法和块的比较,以及wait/notify和sleep的区别。

问:进程与线程区别
答:进程就是运行中的程序,每个进程占用独自的内存空间,线程属于进程,一个进程可以有一个或多个线程,这些线程共享这个进程的内存或系统资源,线程的切换比进程切换的负担要小。

问:两种创建线程的方式
答:继承Thread类,重写其run方法,实现Runnale接口,实现run方法。

问:介绍下Thread类
答:Thread类实现了Runnale接口,实现了其run方法,当生成一个线程对象的时候如果没有名字,取名Thread-number,执行start方法分配必须的系统资源,调度线程运行并执行run,当一个线程继承了另外一个类时,只能实现Runnable接口。

问:线程的生命周期
答:创建状态:new—start,不为其非配资源,可运行状态:start–run,只是拥有了运行的条件,不可运行状态:当调用了sleep方法或者wait方法或者阻塞,退出状态:调用了stop方法或者自然消亡。

问:线程的优先级
答:线程创建时,子继承父的优先级,setPriority()方法改变优先级,优先级数由低到高是1——10的正整数,默认为5。

问:线程的调度策略
答:线程体中调用了yield方法让出了对cpu的占用权利,线程体中调用了sleep方法使线程进入睡眠状态,线程由于IO操作受到阻塞,另外一个更高优先级线程出现,在支持时间片的系统中,该线程的时间片用完。

问:关于线程种的成员变量和局部变量
答:每个线程对同一个成员变量是彼此影响的,每个线程都会有一个该局部变量的拷贝。

问:介绍下synchronized
答:synchronized关键字修饰一个方法的时候,该方法叫做同步方法,java中的每个对象都有一个锁(lock)或者叫做监视器(monitor),访问某个对象的synchronized方法的时候表示将对象上锁,如果一个对象有多个synchronized方法,某一个时刻某个线程已经进入到了某个synchronized方法,那么在该方法没有执行完毕前,其它线程是无法访问该对象的任何synchronzed方法的,如果某个synchronized方法是static的,它锁的并不是synchronized方法所在的对象,而是Synchronized方法所在的对象所对象的Class对象。

问:synchronized方法和块比较
答:synchronized方法是一种粗粒度的并发控制,某一个时刻只能有一个线程执行该synchronized方法,而synchronized快则是一种细粒度的并发控制,synchronized块外之外的代码是可以被多个线程同时访问到的。

问:wait/notify和sleep区别
答:wait与notify方法都是定义在Object类中,而且是final的,因此会被所有的java类所继承并且无法重写,这两个方法要求在调用时线程应该已经获得了对象的锁,因此对这两个方法的调用需要方法synchronized方法或者块中,当线程执行了wait方法时,它会释放掉对象的锁,另外一个会导致线程暂停的方法就是Thread类的sleep方法,它会导致线程睡眠指定的毫秒数,但线程在睡眠的过程中是不会释放掉对象的锁的。

【电能质量扰动】基于ML和DWT的电能质量扰动分类方法研究(Matlab实现)内容概要:本文研究了一种基于机器学习(ML)和离散小波变换(DWT)的电能质量扰动分类方法,并提供了Matlab实现方案。首先利用DWT对电能质量信号进行多尺度分解,提取信号的时频域特征,有效捕捉电压暂降、暂升、中断、谐波、闪变等常见扰动的关键信息;随后结合机器学习分类器(如SVM、BP神经网络等)对提取的特征进行训练与分类,实现对不同类型扰动的自动识别与准确区分。该方法充分发挥DWT在信号去噪与特征提取方面的优势,结合ML强大的模式识别能力,提升了分类精度与鲁棒性,具有较强的实用价值。; 适合人群:电气工程、自动化、电力系统及其自动化等相关专业的研究生、科研人员及从事电能质量监测与分析的工程技术人员;具备一定的信号处理基础和Matlab编程能力者更佳。; 使用场景及目标:①应用于智能电网中的电能质量在线监测系统,实现扰动类型的自动识别;②作为高校或科研机构在信号处理、模式识别、电力系统分析等课程的教学案例或科研实验平台;③目标是提高电能质量扰动分类的准确性与效率,为后续的电能治理与设备保护提供决策依据。; 阅读建议:建议读者结合Matlab代码深入理解DWT的实现过程与特征提取步骤,重点关注小波基选择、分解层数设定及特征向量构造对分类性能的影响,并尝试对比不同机器学习模型的分类效果,以全面掌握该方法的核心技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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