JVM内存模型

1.JVM生命周期

1.JVM实例的诞生
当启动一个Java程序时,一个jvm实例就产生了,任何一个拥有 public static void main (String[] args) 函数的class都可以作为JVM实例运行的起点
2.JVM实例的运行
mian()作为该程序的初始线程的起点,任何其他线程均由该线程启动。JVM内部有两种线程:守护线程和非守护线程。main()属于非守护线程,守护线程通常有JVM自己使用,Java程序也可以自己表明自己创建的线程时守护线程
3.JVM实例的消亡
当程序中的所有非守护线程都终止时,JVM才退出;若权限允许,可以通过系统的.exit()来推出

2.JVM运行过程(依赖体系结构的三大子系统)

1.类加载器(用来加载.Class文件) ---->前面总结过
2.运行时数据区(方法去、堆、JVM栈、程序计数器、本地方发栈)
3.执行引擎

3.运行时数据区

在这里插入图片描述
变量在栈中,静态变量在方法区,常量1.6在堆,1.7在方法区,1.8在源空间
1.程序计数器
记录当前程序运行的位置。通过解释器来变更程序计数器,告诉下一步执行位置。内存模型中唯一没有OOM(内存溢出)问题的区域

2.Java虚拟机栈
JVM栈是线程私有的,每个线程创建JVM栈,存储局部变量,动态链接,对象地址
两种异常:线程请求栈深度 > 虚拟机栈限制 —》 StackOverflowError
若JVM栈可以动态扩展(JVM栈还有限定大小),再次申请内存 ------》OutOfMemoryError

3.本地方法栈
和虚拟机栈类似,存储局部变量,方法出口等信息。区别在于和本地操作系统交互,调用操作系统本地方法。
异常与JVM类似,也会有StackOverflowErro 和 OutOfMemoryError

4.堆(Heap)
初始化对象等都放在堆,堆在JVM中属于空间较大空间。GC垃圾回收主要作用堆区。(年轻代、老年代、永久代)
异常:当堆内存无法扩展 —》OutOfMemoryError

5.方法区
存储信息:类信息、静态变量等
异常:内存无法满足—》OutOfMemoryError

3.执行引擎

在这里插入图片描述

类装载器装载负责装载编译后的字节码,并加载到运行时数据区(Runtime Data Area),然后执行引擎执行会执行这些字节码

通过类装载器装载的,被分配到JVM的运行时数据区的字节码会被执行引擎执行。执行引擎以指令为单位读取Java字节码。它就像一个CPU一样,一条一条地执行机器指令。每个字节码指令都由一个1字节的操作码和附加的操作数组成。执行引擎取得一个操作码,然后根据操作数来执行任务,完成后就继续执行下一条操作码。

不过Java字节码是用一种人类可以读懂的语言编写的,而不是用机器可以直接执行的语言。因此,执行引擎必须把字节码转换成可以直接被JVM执行的语言。字节码可以通过以下两种方式转换成合适的语言。

解释器:一条一条地读取,解释并且执行字节码指令。因为它一条一条地解释和执行指令,所以它可以很快地解释字节码,但是执行起来会比较慢。这是解释执行的语言的一个缺点。字节码这种“语言”基本来说是解释执行的。

即时(Just-In-Time)编译器:即时编译器被引入用来弥补解释器的缺点。执行引擎首先按照解释执行的方式来执行,然后在合适的时候,即时编译器把整段字节码编译成本地代码。然后,执行引擎就没有必要再去解释执行方法了,它可以直接通过本地代码去执行它。执行本地代码比一条一条进行解释执行的速度快很多。编译后的代码可以执行的很快,因为本地代码是保存在缓存里的。
  不过,用JIT编译器来编译代码所花的时间要比用解释器去一条条解释执行花的时间要多。因此,如果代码只被执行一次的话,那么最好还是解释执行而不是编译后再执行。因此,内置了JIT编译器的JVM都会检查方法的执行频率,如果一个方法的执行频率超过一个特定的值的话,那么这个方法就会被编译成本地代码。

遗传算法优化BP神经网络(GABP)是一种结合了遗传算法(GA)和BP神经网络的优化预测方法。BP神经网络是一种多层前馈神经网络,常用于模式识别和预测问题,但其容易陷入局部最优。而遗传算法是一种模拟自然选择和遗传机制的全局优化方法,能够有效避免局部最优 。GABP算法通过遗传算法优化BP神经网络的权重和阈值,从而提高网络的学习效率和预测精度 。 种群:遗传算法中个体的集合,每个个体代表一种可能的解决方案。 编码:将解决方案转化为适合遗传操作的形式,如二进制编码。 适应度函数:用于评估个体解的质量,通常与目标函数相反,目标函数值越小,适应度越高。 选择:根据适应度保留优秀个体,常见方法有轮盘赌选择、锦标赛选择等。 交叉:两个父代个体交换部分基因生成子代。 变异:随机改变个体的部分基因,增加种群多样。 终止条件:当迭代次数或适应度阈值达到预设值时停止算法 。 初始化种群:随机生成一组神经网络参数(权重和阈值)作为初始种群 。 计算适应度:使用神经网络模型进行训练和预测,根据预测误差计算适应度 。 选择操作:根据适应度选择优秀个体 。 交叉操作:对选择的个体进行交叉,生成新的子代个体 。 变异操作:对子代进行随机变异 。 替换操作:用新生成的子代替换掉一部分旧种群 。 重复步骤2-6,直到满足终止条件 。 适应度函数通常以预测误差为基础,误差越小,适应度越高。常用的误差指标包括均方根误差(RMSE)或平均绝对误差(MAE)等 。 GABP代码中包含了适应度函数的定义、种群的生成、选择、交叉、变异以及训练过程。代码注释详尽,便于理解每个步骤的作用 。 GABP算法适用于多种领域,如时间序列预测、经济预测、工程问题的优化等。它特别适合解决多峰优化问题,能够有效提高预测的准确和稳定
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