临界段——win32 API函数

临界段——win32 API函数

(2010-05-30 10:52:25)

一、有关函数:

   InitializeCriticalSection()    创建一个临界段

   DeleteCriticalSection()        释放一个临界段

   EnterCriticalSection()         获取对临界段的所有权,独占共享资源

   TryEnterCriticalSection()      试图获得对临界段的所有权,但不阻塞

   LeaveCriticalSection()         释放对资源的所有权

 

二、举例

1,

#include<windows.h>
#include<process.h>
#include<stdio.h>
CRITICAL_SECTION cs;
int a[5];
void Thread(void* pParams)
{
 int i,num=0;
 while(1)
 {
  EnterCriticalSection(&cs);//试图获得临界段对象
  for(i=0;i<5;i++)
  a[i]=num;
  num++;
  LeaveCriticalSection(&cs);//释放对临界段对象的所有权
 }
}
int main(void)
{
 InitializeCriticalSection(&cs);//初始化临界段对象
 _beginthread(Thread,0,NULL);
 while(1)
 {
  EnterCriticalSection(&cs);
  printf("%d %d %d %d %d/n",a[0],a[1],a[2],a[3],a[4]);
  LeaveCriticalSection(&cs);
 }
 return 0;
}

以上黑色部分是没利用临界段的,可想而知,结果是无法预知的。加了红色部分之后,就可以有规律的输出了,因为赋值和输出的顺序得到了妥善安排,而不会乱占乱用。

临界段,就犹如领导,若没得到领导的允许,就不允许行动;若领导禁止了,就必须停止行动。

 

2、关于银行中客户获取ID 问题

#include<windows.h>
#include<process.h>
#include<iostream.h>
CRITICAL_SECTION cs;
unsigned int currentID=1;

unsigned long _stdcall MyThread(LPVOID pParam)
{
 int id;
 EnterCriticalSection(&cs);
 id = currentID;
 Sleep(0);//将本时间片的NGCHU剩余时间让出。为了把不同步效果明显表现出来,现实中不用Sleep
 currentID++;
 LeaveCriticalSection(&cs);
 cout<<"My Idntifier is:"<<id<<endl;
 return id;
}
int main(int argc,char *argv[])
{
 HANDLE handle;
 DWORD dw;//保存新线程的id
 InitializeCriticalSection(&cs);
 for(int i=0;i<100;i++)
 {
  handle = CreateThread(NULL,0,MyThread,NULL,0,&dw);
  CloseHandle(handle);
 }
 Sleep(6000);
 return 0;
}

以上,若没有加上红色部分,输出会十分混乱,导致很多人都拥有了相同的ID号。加上了之后,就能够有条不紊的按照获得的ID号进行输出。

 

三、比较:

第一个例子是创建了一个线程,然后让其自行运行,只要把输入输出按顺序就行。

第二个例子是按照每次需要,每次都创建线程,可以人工控制输入输出,然后也依然是按顺序来。

另外:

我们发现上面用了两个不一样的创建线程的函数:_beginthread 和 CreateThread

1、_beginthread是c++的函数 ,CreateThread是windows API函数

2、_beginthread只是简单的去执行线程,而CreateThread是通过句柄去执行线程,执行结束要要记得关闭句柄

内容概要:该论文聚焦于6G通信中20-100GHz频的电磁场(EMF)暴露评估问题,提出了一种基于自适应可重构架构神经网络(RAWA-NN)的预测框架。该框架通过集成权重分析模块和优化模块,能够自动优化网络超参数,显著减少训练时间。模型使用70%的前臂数据进行训练,其余数据用于测试,并用腹部和股四头肌数据验证模型泛化能力。结果显示,该模型在同参数下的相对差异(RD)在前臂低于2.6%,其他身体部位低于9.5%,可有效预测皮肤表面的温升和吸收功率密度(APD)。此外,论文还提供了详细的代码实现,涵盖数据预处理、权重分析模块、自适应优化模块、RAWA-NN模型构建及训练评估等内容。 适合人群:从事电磁兼容性研究、6G通信技术研发以及对神经网络优化感兴趣的科研人员和工程师。 使用场景及目标:①研究6G通信中高频电磁暴露对人体的影响;②开发更高效的电磁暴露评估工具;③优化神经网络架构以提高模型训练效率和预测精度。 其他说明:论文仅提出了理论框架,还提供了完整的代码实现,方便读者复现实验结果。此外,论文还讨论了未来的研究方向,包括扩展到更高频(如300GHz)的数据处理、引入强化学习优化超参数、以及实现多物理场耦合的智能电磁暴露评估系统。建议读者在实际应用中根据具体需求调整模型架构和参数,并结合真实数据进行验证。
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