C++并发(3)

在线程间共享数据:

所有的线程间共享数据的问题,都是修改数据导致的。

如果所有的共享数据是只读的,就没有问题,因为一个线程所读取的数据不受另一个线程是否正在读取相同的数据而影响

 

但是,如果数据在线程间共享,同时一个或者多个线程开始修改数据,就会有很多麻烦。

用互斥元保护共享数据:

在访问共享数据结构之前,锁定(lock)与该数据相关的互斥元,当访问数据结构完成后,解锁(unlock)该互斥元。

线程库会确保一旦一个线程已经锁定某个互斥元,所有其他试图锁定相同互斥元的线程必须等待。直到此互斥元被解锁

通过构造std::mutex 的实例来创建互斥元,调用成员函数lock()来锁定它,调用成员函数unlock()来解锁它

c++库提供了std::lock_guard类模版,在构造时锁定所给的互斥元,在析构时将互斥元解锁,从而保证被锁定的互斥元始终被正确解锁

 

例子:

#include <iostream>
#include <mutex>
#include <algorithm>
#include <list>
#include <thread>
using namespace std;

list<int>some_list;
mutex some_mutex;
template<class T>
class Lock_guard
{
private:
    T* Mutex;
public:
    Lock_guard(T& x)
    {
        Mutex = &x;
        Mutex->lock();
    }
    ~Lock_guard()
    {
        Mutex->unlock();
    }
};
class Thread_guard
{
private:
    thread& t;
public:
    explicit Thread_guard(thread& t_):t(t_){}
    ~Thread_guard()
    {
        if(t.joinable())
            t.join();
    }
    Thread_guard(Thread_guard const&)=delete;
    Thread_guard& operator=(Thread_guard const&)=delete;
};

void add_to_list(int new_value)
{
    Lock_guard<mutex>guard(some_mutex);
    some_list.push_back(new_value);
}

bool list_contains(int value_to_find)
{
    Lock_guard<mutex>guard(some_mutex);
    return (find(some_list.begin(), some_list.end(), value_to_find)!=some_list.end());
}

int main()
{
    
        thread x(add_to_list,1);
        Thread_guard xg(x);
        thread x2(add_to_list,2);
        Thread_guard xg2(x2);
        thread x3(add_to_list,3);
        Thread_guard xg3(x3);
        thread x4(add_to_list,4);
        Thread_guard xg4(x4);
        list<int>::iterator it = some_list.begin();
    while (it!=some_list.end()) {
        cout<<*it<<endl;
        it++;
    }
    return 0;
}

 

 

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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