OC基础之 ----------- 内存管理

本文深入解析了Objective-C中的内存管理机制,包括栈、堆的概念,引用计数、autorelease、retain、release方法的使用,以及ARC机制下的内存管理规则。同时,文章还讨论了在设置对象引用时的注意事项,例如避免野指针的产生,以及如何在两个对象互相引用时正确使用weak关键字。最后,文章解释了当使用ARC时,上述传统内存管理方法不再适用,理解它们对于深入理解Objective-C内存管理至关重要。

1.前言

在弄清楚什么是内存管理之前需要知道的东西,堆,栈

栈 :由操作系统自动分配释放 ,存放函数的参数值局部变量的值等。其操作方式类似于数据结构中的栈,平时存储变量,在作用域结束时回收

堆:动态分配,需要程序猿手动申请释放

return : 对象的引用计数+1,当引用计数为0时,释放对象

release :对象的引用计数-1

retaincount :计算当前对象引用计数

autorelease : 将对象放进自动释放池,对池子中所有对象进行一次release操作  ,当一个对象使用这个方法时,会将这个对象方巾栈顶的释放池

对象被创建时,引用计数为1,为0时销毁,销毁前会调用-(void)dealloc方法;调用dealloc方法时,需要调用父类的方法,将负累方法放在最后。

野指针 :指向僵尸对象(不可用内存的指针)

在xcode中,打开工程的run,在Diagnostics中点击enable zombie objects 打勾,就可以判断是否有僵尸对象


2.》 set方法中 引用对象的设计

只要调用 alloc,必须有release

- (void)setage:(int)age{

_age = age;

}


- (void)setCar:(Car*)car{

if (car != _car){   // 判断是不是新传进来的对象

[_car release];        //对就对象进行一次 -1

_car = [car retain];   //  对新对象进行一次 +1

  }

}


》-(void)dealloc 的代码规范

1》[super dealloc]放在最后面

2》 对self 所拥有的其他对象进行一次release


注意:当两个对象互相引用时:一方用return  一方用assign

现在使用arc自动管理内存机制,以上这套没用了,理解就行



2.ARC的内存管理机制原理

arc的判断准则: 只要没有强指针指向对象,就会释放对象

1》指针分为两种

 强指针 :默认情况下,所有指针都是强指针 _strong

 弱指针:_weak

2》arc的特点

1》允许鞋dealloc,不允许调用[super dealloc];

2》@property的参数

 1. strong:成员变量是强指针 (适用于oc对象类型)

 2.weak : 成员变量是弱指针 (适用于oc对象类型)

3. assign : 适用于非oc对象 (一般用在变量身上)


3》当有两个类的对象互相引用时,需要一端用weak,如代理。


同步定位与地图构建(SLAM)技术为移动机器人或自主载具在未知空间中的导航提供了核心支撑。借助该技术,机器人能够在探索过程中实时构建环境地图并确定自身位置。典型的SLAM流程涵盖传感器数据采集、数据处理、状态估计及地图生成等环节,其核心挑战在于有效处理定位与环境建模中的各类不确定性。 Matlab作为工程计算与数据可视化领域广泛应用的数学软件,具备丰富的内置函数与专用工具箱,尤其适用于算法开发与仿真验证。在SLAM研究方面,Matlab可用于模拟传感器输出、实现定位建图算法,并进行系统性能评估。其仿真环境能显著降低实验成本,加速算法开发与验证周期。 本次“SLAM-基于Matlab的同步定位与建图仿真实践项目”通过Matlab平台完整再现了SLAM的关键流程,包括数据采集、滤波估计、特征提取、数据关联与地图更新等核心模块。该项目不仅呈现了SLAM技术的实际应用场景,更为机器人导航与自主移动领域的研究人员提供了系统的实践参考。 项目涉及的核心技术要点主要包括:传感器模型(如激光雷达与视觉传感器)的建立与应用、特征匹配与数据关联方法、滤波器设计(如扩展卡尔曼滤波与粒子滤波)、图优化框架(如GTSAM与Ceres Solver)以及路径规划与避障策略。通过项目实践,参与者可深入掌握SLAM算法的实现原理,并提升相关算法的设计与调试能力。 该项目同时注重理论向工程实践的转化,为机器人技术领域的学习者提供了宝贵的实操经验。Matlab仿真环境将复杂的技术问题可视化与可操作化,显著降低了学习门槛,提升了学习效率与质量。 实践过程中,学习者将直面SLAM技术在实际应用中遇到的典型问题,包括传感器误差补偿、动态环境下的建图定位挑战以及计算资源优化等。这些问题的解决对推动SLAM技术的产业化应用具有重要价值。 SLAM技术在工业自动化、服务机器人、自动驾驶及无人机等领域的应用前景广阔。掌握该项技术不仅有助于提升个人专业能力,也为相关行业的技术发展提供了重要支撑。随着技术进步与应用场景的持续拓展,SLAM技术的重要性将日益凸显。 本实践项目作为综合性学习资源,为机器人技术领域的专业人员提供了深入研习SLAM技术的实践平台。通过Matlab这一高效工具,参与者能够直观理解SLAM的实现过程,掌握关键算法,并将理论知识系统应用于实际工程问题的解决之中。 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
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