线程池

本文详细介绍了Java中Executors提供的几种线程池创建方法,包括单线程、缓存线程池及固定线程池等,并解释了每种线程池的特点及应用场景。此外还涉及了阻塞队列的不同类型及其特性,以及执行策略的选择和自定义线程池的实现。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Executors提供的方法:

public static ExecutorService newSingleThreadExecutor() {
            return new FinalizableDelegatedExecutorService
                (new ThreadPoolExecutor(1, 1,
                                        0L, TimeUnit.MILLISECONDS,
                                        new LinkedBlockingQueue<Runnable>()));
        }
 // 只有一个线程供使用,多余的任务加入队列中等候
 public static ExecutorService newCachedThreadPool() {
            return new ThreadPoolExecutor(0, Integer.MAX_VALUE,
                                          60L, TimeUnit.SECONDS,
                                          new SynchronousQueue<Runnable>());
        }
 // 没有核心线程,队列里不加任务,直接使用最大线程,线程空闲时间为60秒,有新任务时,先调用空闲线程,没有空闲线程则新建一个线程,线程空闲60秒后回收
public static ExecutorService newFixedThreadPool(int nThreads) {
        return new ThreadPoolExecutor(nThreads, nThreads,
                                      0L, TimeUnit.MILLISECONDS,
                                      new LinkedBlockingQueue<Runnable>());
    }
//线程只会有若干个,一旦空闲则进行回收,没有空闲线程则任务加入队列中

线程池:

  1. 阻塞队列:
    ArrayBlockingQueue:FIFO的有界阻塞队列,
    LinkedBlockingQueue:同上,吞吐量比Array更高,
    SynchronousQueue:不存储元素的阻塞队列,
    PriorityBlockingQueue:有优先级的无限阻塞队列

  2. 执行策略:
    AbortPolicy:直接抛异常,默认策略
    CallerRunsPolicy:使用调用这个任务的线程重新执行当前任务,直到成功 由调用线程处理该任务
    DiscardOldestPolicy:丢弃队列中最老的任务,加入当前任务
    DiscardPolicy:丢弃当前任务

自定义线程池:
奖品清算的线程池:

    executorService = new ThreadPoolExecutor(10, 10, 0L, TimeUnit.MILLISECONDS, new SynchronousQueue<Runnable>(), new NamedThreadFactory("PrizeDailyStatistics"), new ThreadPoolExecutor.CallerRunsPolicy());

/*
  执行策略选取原因:需要保证不能某个奖品的清算任务被抛弃或出现异常,所以使用该策略,缺点:主线程性能会下降
*/
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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