NSCondition

 

NSCondition的用法

 

NSCondition:使用lock方法进行资源的申请,使用unlock方法进行资源的释放,申请资源之后可以调用wait方法进行挂起状态,等待被唤醒,调用signal方法唤醒其他正在等待的线程(需抢占),调用broadcast唤醒其他所有等待的线程。使用NSCondition进行资源申请不能嵌套使用,即使在一个线程中也不能这样操作,否则会进行死锁状态。如下一段代码会进行死锁状态:

点击(此处)折叠或打开

  1.     [validCondition lock];
  2.     printf("%s\n", __FUNCTION__);
  3.     [validCondition lock];    // 这里进入死锁状态
  4.     printf("%s\n", __FUNCTION__);
  5.     [validCondition unlock];
  6.     [validCondition unlock];

使用NSCondition,实现多线程的同步,即,可实现生产者消费者问题。

基本思路是,首先要创建公用的NSCondition实例。然后:

  • 消费者取得锁,取产品,如果没有,则wait,这时会释放锁,直到有线程唤醒它去消费产品;
  • 生产者制造产品,首先也是要取得锁,然后生产,再发signal,这样可唤醒wait的消费者。
- ( IBAction )conditionTest:( id )sender
{
     NSLog (@ "begin condition works!" );
     products = [[ NSMutableArray  alloc] init];
     condition = [[ NSCondition  alloc] init];
     
     [ NSThread  detachNewThreadSelector: @selector (createProducter) toTarget: self  withObject: nil ];
     [ NSThread  detachNewThreadSelector: @selector (createConsumenr) toTarget: self  withObject: nil ];
}
 
- ( void )createConsumenr
{
     [condition lock];
     while  ([products count] == 0) {
         NSLog (@ "wait for products" );
         [condition wait];
     }
     [products removeObjectAtIndex:0];
     NSLog (@ "comsume a product" );
     [condition unlock];
}
 
- ( void )createProducter
{
     [condition lock];
     [products addObject:[[ NSObject  alloc] init]];
     NSLog (@ "produce a product" );
     [condition signal];
     [condition unlock];
}

 

转载于:https://www.cnblogs.com/spiderdzl/p/3727380.html

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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  | 博主筛选后可见
 
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