Java内存模型与高并发基础知识点整理

本文详细阐述了Java内存模型(JMM)的工作原理,包括堆和栈的内存特性,以及线程如何通过同步操作共享变量。JMM规定了read、load、use、assign、store和write等8种同步操作,确保线程间正确通信。同时,文章指出了Java内存模型的同步规则,强调了lock、unlock、read、write操作的顺序性和原子性,保证了多线程环境中的数据一致性。
1.规定了Java虚拟机与计算机内存是如何协同工作的。
2.规范了一个线程如何以及何时可以看到由其他线程修改过的共享变量的值
3.以及在必要的时候如何与其他线程同步的访问共享变量

JVM内存的组成 = 堆(Heap) + 栈(Stack)

# 堆(Heap):运行时数据区,由垃圾回收负责。
优点:可以动态的分配内存大小,生存期也不必实现告知编译器,因为是运行时动态分配内存的。GC会不断自动回收掉不再使用的对象与数据。
缺点:由于是要在运行时动态分配内存,因此存取速度相对慢一些。

# 栈(Stack):
优势:存取速度比堆(Heap)要快,仅次于计算机中的寄存器。栈的数据是可以共享的。
缺点:存在栈中的数据大小与生存期必须是确定的,缺乏灵活性。

主要存储一些基本类型数据变量 和 堆栈句柄(即:引用)。

JMM规范中线程的工作内存是CPU寄存器与高速缓存的一个抽象描述。

【Java内存模型 - 规定的同步的8种同步操作】

1.lock(锁定):作用于主内存的变量,把一个变量标识为一条线程独占状态。
2.unlock(解锁):作用于主内存的变量,把一个处于锁定状态的变量释放出来,释放后的变量才可以被其他线程锁定
3.read(读取):作用于主内存变量,把一个变量值从主内存传输到线程的工作内存中,以便随后的load动作使用。
4.load(载入):作用于工作内存变量,它把read操作从主内存中得到的变量值放入工作内存的变量副本中
5.use(使用:作用于工作内存变量,把工作内存中的一个变量值传递给执行引擎
6.assign(赋值):作用于工作内存变量,它把一个从执行引擎接收到的值赋值给工作内存中的变量
7.store(赋值):作用于工作内存变量,把工作内存中的一个变量的值传送到主内存中,以便随后的write的操作。
8.write(写入):作用于主内存中的变量,它把store操作从工作内存中一个变量的值传送到主内存的变量中。


主内存(lock/unlock/read) --(save/load) --> 工作内存 --> Java线程

【8种同步操作 - 工作流程】
举例:主存中的共享变量为A:

1.某个Java线程排队等待获取共享变量A的操作权限后,使用lock锁定主内存中的变量
2.然后使用read把该主存中的共享变量A的值读取到工作内存中
3.接着使用load指令把变量A的值load到工作内存中的变量副本中
4.接下来副本中的值会被use指令传递给执行引擎
5.执行引擎对该变量数据执行相关计算处理操作后把结果交给线程的工作内存,assign会把接收到的结果值赋值给工作内存中的变量X
6.当X值被修改后,store会把该工作内存中的结果值传递回主内存
7.传递回主内存的结果值X会被write指令赋值给主内存中的变量

【Java内存模型 - 同步规则】

1.如果要把一个变量从主内存中复制到工作内存,就需要按顺序的执行read和load操作,
如果把变量从工作内存中同步回主内存中,就要按顺序的执行store和write操作。
但Java内存模型只要求上述操作必须按顺序执行,而没有保证必须是连续执行。

2.不允许read和load、store和write操作之一单独出现,

3.不允许一个线程丢弃它的最近assign的操作,即变量在工作内存中改变了之后必须同步到主内存中。

4.不允许一个线程无原因的(没有发生过任何assign操作)把数据从工作内存同步回主内存。

5.一个新的变量只能在主内存中诞生,不允许在工作内存中直接使用一个未被初始化(load或assign)的变量。
  即就是对一个变量实施use和store操作之前,必须先执行过了assign和load操作。

6.一个变量在同一时刻只允许一条线程对其进行lock操作,但lock操作可以被同一条线程重复执行多次,多次执行lock后,
只有执行相同次数的unlock操作,变量才会被解锁。lock和unlock必须成对出现。

7.如果对一个变量执行lock操作,将会清空工作内存中此变量的值,
  在执行引擎使用这个变量前需要重新执行load或assign操作初始化变量的值。

8.如果一个变量事先没有被lock操作锁定,则不允许对它执行unlock操作;也不允许去unlock一个被其他线程锁定的变量。

9.对一个变量执行unlock操作之前,必须先把次变量同步到主内存中(执行store和write操作)


基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性稳定性。此外,文档还列举了大量相关的科研方向技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习掌握RBF神经网络滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析仿真验证相结合。
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