第二章 进程管理

要点:

1.分析程序执行顺序以及并发的特征

2.进程的概念、特征与状态

3.进程控制块及其组织

 

程序顺序执行时的特征

1.顺序性

2.封闭性

3.可再现性

 

并发程序执行时的特征

1.间断性

2.失去封闭性

3.结果不可在现行

 

进程实体:程序块+数据块+控制块PCB

 

区别进程与程序

1.动与静:进程是动态的,程序是静态的

2.永久与暂时:进程是暂时的,程序是永久的

3.进程与程序的对应关系:都可1对N

 

进程的三种基本状态

1.就绪状态

2.运行状态

3.阻塞状态

 

PCB的重要性

1.进程控制块是进程存在的唯一标志

2.进程管理和控制的最重要的数据结构

 

进程控制的基本过程

1.创建

2.终止

3.阻塞与唤醒

4.挂起和激活

 

进程同步的主要任务:

使并发执行的诸进程之间能有效的共享资源和相互合作,从而使程序的执行具有可再现性

 

同步机制应遵循的规则

1.空闲让进

2.忙则等待

3.有限等待

4.让权等待

 

p操作:

wait(s);

 while s<=0 do no-op;

s:=s-1;

v操作:

signal(s);

 s:=s+1;

 

value>0,表示当前可用资源的数量

value<=0,其绝对值表示等待使用该资源的进程数

 

先执行对资源信号量的wait操作,再执行对互斥信号量的wait操作

 

管程的优点:

1.图稿代码的可读性,便于修改和维护

2.正确性

3.模块之间关系清晰

 

消息传递系统的实现

1.通信链路的建立

2.消息格式

3.同步方式

 

一个进程包括多个线程,每个线程都是利用CPU的基本单位

 

线程的属性

1.轻型实体

2.独立调度和分派的基本单位

3.并发执行

4.共享进程资源

 

互斥锁是为了上锁而优化的;

条件变量是为了等待而优化的;

信号灯可用于上锁,也可用于等待,因而可能导致更多的开销和更高的复杂性

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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