OO第二单元总结

设计策略

  我这三次作业在设计策略上基本没有区别,都是设置输入线程InputHandler、电梯线程Elevator,然后将调度器Dispatch作为输入线程和电梯线程的共享对象。

  

第一次作业:傻瓜电梯

  在调度器中设置一个保存请求的ArrayList,每当InputHandler中获取到了一个新的请求,就将其保存到调度器的ArrayList中。每当电梯空闲,就从调度器的请求队列中取一条直接执行,若请求队列为空则反复循环请求。

  

  

第二次作业:捎带电梯

  电梯内部设置一个待执行队列,每次电梯空闲时,从调度器请求队列中取出队头请求放到电梯队列里作为电梯的主请求。每次电梯停靠到一层楼,就查找本层是否有能捎带的请求,如果有在目的地为本层的人就让他下电梯,如果是主请求的乘客下了电梯,就让之后的捎带请求升级为主请求。如此循环,直至电梯空闲且调度器请求队列为空且输入结束时结束电梯线程。

  

   

  

 

第三次作业:多部捎带电梯

   采用了一种基本没有优化的方法。调度器内部为每个电梯设置一个请求队列,再设置一个用于保存“需换乘请求”的队列。每当输入线程取得一条新的指令,就对其进行分析,分配给某部电梯的请求队列或者“需换乘请求”的队列(所有需换乘请求都只需要换乘一次)。而如果某部电梯空闲,它就会从它的请求队列中或者从“需换乘请求”队列中取得。针对需换乘请求,由于乘客id的唯一性,将所有需换乘请求的id存入一个队列,若此请求的前半段被执行完成(该person走出电梯),则将该id从队列中删除,电梯也不能取得一个id在此队列中的请求。

  不过为了便于编写,我的程序还是过于“硬编码”,将电梯的停靠楼层信息全部直接保存在了调度器中,而且调度器中的各种判断是基于对电梯的直接if-else选择的。而且只能处理换乘一次的情况。

   

 

 

  

  

关于共享资源

  在本单元的作业中,显然共享资源是调度器中的请求队列,由输入线程和电梯线程共享,调度器中的所有方法都是针对这个队列的,因此我选择对调度器类暴力synchronized。

关于同步锁

  在第一次作业中,采用暴力轮询的方式,若电梯为空闲状态则反复向调度器请求一个新的请求。

  在第二次作业和第三次作业中,为了减少CPU时间,使用wait()和notifyAll()结合的方式,若电梯为空闲状态则向调度器请求一个新的请求,若此时发现调度器的请求队列为空则进入wait()。同时,每次InputHandler中取得一个新的请求,则将其放入调度器的请求队列中,并notifyAll()。

  在第三次作业中还出现了一个问题:基于以上的调度方法,每当有乘客出电梯时就应该判断这个人是否为需换乘id,如果是,则要将此人的id从divFlag队列中删除,并且notifyAll(),因为要执行它的后半段行为的电梯可能正因为没有可执行的请求而wait()等待着。这就涉及如何开锁了,因为只有电梯能知道personOut的对象,但是并不能在电梯的方法中notifyAll()。这个地方我并不清楚应该如何正确解决,我采用的方法还是让电梯通过方法通知调度器,在调度器中notifyAll()。

存在的bug

  第一次作业中没有发现bug。

  第二次作业中我的电梯主要在两方面存在bug,一方面是电梯是否能够正确运行,另一方面则是多线程是否能够正确同步。

  印象最深的一个bug是在其他所有测试样例都没有问题的情况下被别人hack出的一个错误,测试样例如下:

  

   可以看到这个测试样例的测试数据量非常大,请求的情况也非常复杂,也因此才暴露出了我的程序中一处判断条件不完善的问题。

  要实现运行的正确性,首先,基于上文中已经说明的基本实现逻辑,一定要保证考虑到各种可能的情况。譬如,在电梯线程中有一个保存电梯正在执行请求的队列,其中的捎带请求都是在到达各层后对该层已有请求的判断后加入的,因此可以保证这些请求的乘客一定进入了电梯;但是这个队列中最初的主请求是从调度器中的请求队列中直接取来的,不能保证这个电梯在到达主请求的toFloor时该请求的乘客是否一定进入了电梯。因此,这里就需要加入更多的判断条件来保证正确性。但与此同时,run方法的一次循环行为中会存在过多的判断条件、不能很好地体现面向对象的思想。其次,则是在每一步的执行时是否判断队列是否为空(也许可以在操作队列前都进行暴力判断一下)。其实我认为程序的正确性不只和是否考虑周密相关,更和根本的逻辑架构相关,一个清晰严密的架构会大大降低出错的可能性,我在我的程序中为了方便,没有单设主请求变量,而是直接将电梯内部的请求队列的首个元素作为主请求,其后的元素作为捎带请求,这种架构其实有不少潜在的问题。

  在我的程序中,线程的同步问题中最大的bug来自程序不能平稳结束。在最初的程序中,如果输入结束,程序就会锁在wait()中无法释放。不知为何,这个问题没有影响到第二次作业的评测,但是在第三次作业的评测中则会显示全部超时,我这才回过头来修改关于输入结束的相关逻辑。最终的解决方法是将输入为null时只置endflag,改为输入为null时置endflag且将null作为最后一条请求传给电梯、电梯满足某些条件时停止循环运行。(在第三次作业中多部电梯能否先后平稳结束非常重要)

心得体会

  这次是我第一次接触多线程编程,对于多线程的认识也在一次次不断的发现错误和解决错误的过程中不断加深。特别是在解决线程平稳停止的过程中真正理解了wait()和notifyAll()的作用。不过为了方便编程我也使用了很多比较投机取巧的暴力方法,因而没有实践更多的知识,比如对象锁的实现和共享资源的灵活处理。而且就我的程序结构来说目前并没有发现很多线程安全的问题,因而也没有获得更多这方面的经验。

  关于设计原则,我深刻地认识到了这一点:一个好的设计架构可能在前期耗费大量的精力,但是会在扩展性方面很有优势。为了按时完成任务我选择了速度而非设计架构,我想在以后的编码过程中应当多注意这方面。

转载于:https://www.cnblogs.com/syncline/p/10758911.html

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