Micro Java Programs for JVM

1.

public class Main {
    public static void main(String[] args) {
        for(int i=0; i<100; i++)
            foo();
    }

    private static void foo() {
        for(int i=0; i<100; i++)
            bar();
    }

    private static void bar() {
    }
}


2.

import java.lang.*;

class compile {

        synchronized public int inc() {
//        public int inc() {
             return 1;
        }

        public static void main (String args[]) {
                int sum = 0;
                compile test =new compile();
long startTime = System.currentTimeMillis();
             for(int i = 0; i <= 100; i++) {
                for(int j = 0; j < 10; j++) {
                   sum += test.inc();
                   sum += test.inc();
                   sum += test.inc();
                   sum += test.inc();
                   sum += test.inc();
                }
             }
long endTime = System.currentTimeMillis();
                System.err.println("sum = "+sum+" time: "+ (endTime - startTime));
        }
}

3.

class compute{

    public final double execute(double omega, double G[][], int
            num_iterations) {
        int M = G.length;
        int N = G[0].length;

        double omega_over_four = omega * 0.25;
        double one_minus_omega = 1.0 - omega;
        double [] Gi = null;
        double Gi_Sum = 0.0;
        // update interior points
        //
        int Mm1 = M-1;
        int Nm1 = N-1;
        for (int p=0; p<num_iterations; p++) {
            for (int i=1; i<Mm1; i++) {
                Gi = G[i];
                double[] Gim1 = G[i-1];
                double[] Gip1 = G[i+1];
                for (int j=1; j<Nm1; j++)
                    Gi[j] = omega_over_four * (Gim1[j] + Gip1[j] + Gi[j-1]
                            + Gi[j+1]) + one_minus_omega * Gi[j];
            }
        }
        for(int k=0;k<Gi.length;k++)Gi_Sum += Gi[k];

        return Gi_Sum;
    }

   public static void main(String args[]) {
      compute test = new compute();
      double[][] G = new double[200][200];
      for(int i = 0; i < 200; i++) {
         for(int j = 0; j < 200; j++) {
            G[i][j] = 1.0 + i + j;
         }
      }
long startTime = System.currentTimeMillis();
      test.execute(2.0, G, 10000);
long endTime = System.currentTimeMillis();
System.err.println("time: "+ (endTime - startTime));
   }
}

4.

class hello {

    public static void matmult(int x[][], int y[][], int z[][], int repeat) {
        int m = x.length;
        int k = x[0].length;
        int n = y[0].length;
for(int w = 0; w < repeat; w++) {
        for (int r = 0; r < m; r++) {
            for (int s = 0; s < n; s++) {
                z[r][s] = 0;
                for (int t = 0; t < k; t++) {
                    z[r][s] += x[r][t] * y[t][s];
                }
            }
        }
}
    }

    public static void main (String args[]) {
        int[][] x = {{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3}};
        int[][] y = {{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3},{3,3,3,3,3}};
        int[][] z = {{0,0,0,0,0},{0,0,0,0,0},{0,0,0,0,0},{0,0,0,0,0},{0,0,0,0,0}};
long startTime = System.currentTimeMillis();
        hello.matmult(x, y, z, 900000);
long endTime = System.currentTimeMillis();
        System.err.println("time: "+ (endTime - startTime));
        }
}

5.

class matrix {

    public static void matmult( int y[], int val[], int row[], int col[], int x[], int NUM_ITERATIONS) {
        int M = row.length - 1;
        for (int reps=0; reps<NUM_ITERATIONS; reps++) {

            for (int r=0; r<M; r++) {
                int sum = 0;
                int rowR = row[r];
                int rowRp1 = row[r+1];
                for (int i=rowR; i<rowRp1; i++) {
//                    sum += x[ col[i] ] * val[i];   //case 1
//                    sum += x[ col[i] ];            //case 2
                }
                y[r] = sum;
            }
        }
    }

    public static void main (String args[]) {
        int x[] = {12, 3, 6, 7, 2, 3, 3, 9, 10, 20, 10, 12, 11, 143, 18, 12, 12, 17, 14, 19, 12, 12, 12, 12, 12};
        int y[] = {12, 3, 6, 7, 2, 3, 3, 9, 10, 20, 10, 12, 11, 143, 18, 12, 12, 17, 14, 19, 12, 12, 12, 12, 12};
        int val[] = {12, 3, 6, 7, 2, 3, 3, 9, 10, 20, 10, 12, 11, 143, 18, 12, 12, 17, 14, 19, 12, 12, 12, 12, 12};
        int row[] = {8, 20, 4, 20, 4, 13, 20, 7, 12, 12, 14, 20, 20, 20, 8, 2, 3, 20, 5, 9, 12};
        int col[] = {8, 20, 4, 20, 4, 13, 20, 7, 12, 12, 14, 20, 20, 20, 8, 2, 3, 20, 5, 9, 12};
        double sum = 0.0;
long startTime = System.currentTimeMillis();
        matrix.matmult(y, val, row, col, x, 10000000);
long endTime = System.currentTimeMillis();
        System.err.println("sum = "+sum+" time: "+ (endTime - startTime));
        }
}

6.

import java.lang.*;

class min {
        public min() {
        }

        synchronized public int inc() {
//        public int inc() {
             return 1;
        }

        public static void main (String args[]) {
                int sum = 0;
                min test =new min();
long startTime = System.currentTimeMillis();
             for(int i = 0; i <= 20000; i++) {
                for(int j = 0; j < 20000; j++) {
                   sum += test.inc();
/*
                   sum += test.inc();
                   sum += test.inc();
                   sum += test.inc();
                   sum += test.inc();
*/
                }
             }
long endTime = System.currentTimeMillis();
                System.err.println("sum = "+sum+" time: "+ (endTime - startTime));
        }
}

7.

class sparse_small {

    public static void matmult( double y[], double val[], int row[], int col[], double x[], int NUM_ITERATIONS) {
        int M = row.length - 1;
        for (int reps=0; reps<NUM_ITERATIONS; reps++) {

            for (int r=0; r<M; r++) {
                double sum = 0.0;
                int rowR = row[r];
                int rowRp1 = row[r+1];
                for (int i=rowR; i<rowRp1; i++) {
                    sum += x[ col[i] ] * val[i];
                }
                y[r] = sum;
            }
        }
    }

    public static void main (String args[]) {
        double x[] = {12.0, 3.9, 6.7, 7.8, 2.9, 3.2, 3.7, 9.9, 10.1, 20.3, 10, 12.3, 11.1, 143, 18, 12.4, 12.2, 17, 14, 19, 12, 12, 12, 12, 12};
        double y[] = {12.0, 3.9, 6.7, 7.8, 2.9, 3.2, 3.7, 9.9, 10.1, 20.3, 10, 12.3, 11.1, 143, 18, 12.4, 12.2, 17, 14, 19, 12, 12, 12, 12, 12};
        double val[] = {12.0, 3.9, 6.7, 7.8, 2.9, 3.2, 3.7, 9.9, 10.1, 20.3, 10, 12.3, 11.1, 143, 18, 12.4, 12.2, 17, 14, 19, 12, 12, 12, 12, 12};
        int row[] = {8, 20, 4, 20, 4, 13, 20, 7, 12, 12, 14, 20, 20, 20, 8, 2, 3, 20, 5, 9, 12};
        int col[] = {8, 20, 4, 20, 4, 13, 20, 7, 12, 12, 14, 20, 20, 20, 8, 2, 3, 20, 5, 9, 12};
        double sum = 0.0;
long startTime = System.currentTimeMillis();
        sparse_small.matmult(y, val, row, col, x, 10000000);
long endTime = System.currentTimeMillis();
        System.err.println("sum = "+sum+" time: "+ (endTime - startTime));
        }
}

8.

class sum {

    public static int cal(int low, int high) {
        int sum = 0;
        for (int i = low; i < high; i++) {
//            for (int j = -10; j < low; j++)
            sum += i;
        }
        return sum;
    }

    public static void main (String args[]) {
        int s = 0;
long startTime = System.currentTimeMillis();
//     for(int i = 0; i < 9999; i++)
        s = sum.cal(1, 900000);
long endTime = System.currentTimeMillis();
        System.err.println("s = "+s+"time: "+ (endTime - startTime));
        }
}


 

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