中國氫能產業發展迅速,氫燃料電池車突破 2 千輛

中國媒體報導,中國張家口氫能與可再生能源論壇日前召開,根據論壇公布數據顯示,中國在氫能與燃料電池汽車產業方面快速發展,目前已有 2,000 多輛氫燃料電池汽車。

張家口利用自身豐富的風電、光伏可再生能源優勢,藉助 2022 年冬季奧運會由北京舉辦的東風,正大力發展氫能產業。據規劃,到 2020 年張家口市投入使用的燃料電池公交車、物流車、出租車將達到 1,800 輛,建成加氫站 21 座,實現製氫年產 2 萬噸、燃料電池發動機產能 1 萬台、燃料電池客車年產 4,500 輛,初步形成從氫氣製備、儲運、加註到燃料電池發動機和整車研發、生產、檢測的全產業鏈。

另外,自 2016 年以來,中國在氫能與燃料電池汽車產業方面獲得快速發展,形成京津冀、華東、華南、西南、華中、西北、東北等氫能與燃料電池汽車產業集群,建立起相對成熟的產業配套和商業化應用體系。

數據顯示,中國現在已經有 2,000 多輛氫燃料電池汽車和 12 座加氫站。目前,北美、歐洲、日本和韓國的燃料電池汽車產業已進入商業化階段,惟中國仍處於商業化初期。

(本文內容由 授權使用。首圖來源: CC BY 2.0)

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※廣告預算用在刀口上,台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

※教你寫出一流的銷售文案?

※超省錢租車方案

FB行銷專家,教你從零開始的技巧

第九屆中國國際新能源暨智慧汽車論壇 2019

2019 年 4 月 2-3 日∣中國·上海

新能源時代,攜手智慧化未來

2019 年是實施「十三五」規劃的重要一年,《中共中央關於制定國民經濟和社會發展第十三個五年規劃的建議》把新能源汽車推廣列入國家的重要計畫之中,要求提高電動汽車產業化水準。這表明在「十三五」期間,新能源汽車發展在整個國民經濟和社會發展中將處在十分重要的地位,明確了新能源汽車在國民經濟和社會發展中的戰略定位。「十三五」期間,中國將成為世界最大的新能源汽車市場,成為世界新能源汽車的核心主戰場。

在過去八屆新能源汽車論壇成功舉辦的基礎上,由希邁商務諮詢(上海)有限公司主辦的第九屆中國國際新能源暨智慧汽車論壇 2019 即將於 4 月 2 日- 4 月 3 日在上海隆重舉行。新能源汽車系列論壇成功邀請了包括國家發改委能源研究所、世界電動車協會、亞太電動車協會、世界氫能協會、世界分散式能源聯盟、中國工程院等在內的政府單位與研究機構,以及包括 BMW、賓士、奇瑞捷豹路虎、Volkswagen、奧迪、比亞迪、上汽、北汽,大陸,電裝,LG 等在內的知名整車商及綜合零部件商,共同研討新能源汽車產業政策趨勢、技術路線及難點、基礎設施建設、商業模式等並取得了豐碩的成果,獲得了業內外人士的一致好評。

在即將到來的 2019 年,組委會為感謝業內外人士對系列論壇長期以來的支援和關注,將傾情奉上相比歷屆舉辦規模最大的第九屆新能源汽車論壇,涉及 8 個論壇,CEO TALK,頒獎典禮,一對一洽談及雞尾酒會。屆時將誠邀全球範圍內的整車製造商、動力總成公司、動力電池及燃料電池廠商、充電、儲能企業、零部件供應商、核心技術服務提供者和政府官員等近 900 位產業人士一起,對新能源汽車產業面臨的挑戰,機遇與對策各方面進行為期 2 天更深層次並具有建設和戰略性的探討。

會議亮點

Ø  豐富的內容:

大板塊的深度解析

Ø  參會嘉賓:

900+ 高度滿意的企業決策者,200+ 業內知名企業,30+ 國家和地區

Ø  參會嘉賓分析:

17%+ 來自各國政府部門及權威機構,25%+ 來自知名整車商

Ø  演講嘉賓:

70世界新能源汽車產業知名發言嘉賓

Ø  交流機會:

16+ 小時的交流機會:圓桌討論、VIP 午宴和開放式問答

Ø  會議形式:

個論壇,場雞尾酒晚宴 + 一對一洽談,個頒獎典禮,個 CEO Talk

 

會議結構

若您對活動有更多要求,請撥打 021-6045 6030 與我們聯繫,謝謝理解和支持!

我們期待與貴單位一起出席於 2019 年 月 – 3 上海舉辦的第九屆中國國際新能源暨智慧汽車論壇, 以利決策!

 

欲知更多會議詳情,請登陸官方網站:

連絡人:Latika LIU(劉小姐)

電話:021-6045 6030

傳真:021-6047 5887

郵箱:

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※別再煩惱如何寫文案,掌握八大原則!

網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※超省錢租車方案

※教你寫出一流的銷售文案?

網頁設計最專業,超強功能平台可客製化

福斯將在美國闢新廠,生產電動車

新版北美自貿協定(NAFTA)再發威!福斯(Volkswagen)揮軍電動車,為了卡位美國市場,打算在美國設立新廠,目前正在尋找合適地點。

路透社報導,福斯 11 月稍早宣布,2023 年前將斥資近 440 億歐元(約 500 億美元)發展電動車、自動駕駛、新移動服務,並探詢和美國車廠福特汽車合作的可能性。福斯計劃 2020 年發售電動車,為了達成此一目標,該公司將先在海外生產,之後改到美國新廠製造。

新上任的福斯美國區執行長 Scott Keogh 28 日表示,福斯 2020 年將推出售價 3 萬至 4 萬美元的電動車,為此需要新的工廠。福斯在美國田納西州已有工廠,生產 Passat 和 Atlas 等車款,田納西廠仍有足夠空間,是新廠可能的落腳地點之一,但是不必然在此設廠。

(本文內容由 授權使用。首圖來源:)

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※教你寫出一流的銷售文案?

※廣告預算用在刀口上,台北網頁設計公司幫您達到更多曝光效益

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!

※超省錢租車方案

※產品缺大量曝光嗎?你需要的是一流包裝設計!

哈雷機車大轉型,推出電動機車

說起哈雷機車(HARLEY-DAVIDSON),大部分人心中就響起重機隆隆的引擎聲,這註冊商標般的引擎聲,讓哈雷機車得到猛豬(hog)美譽,形象深植人心到,哈雷連股票交易代碼都用「HOG」代表自己。轟轟隆的哈雷機車引擎聲,是男人的浪漫,然而,不可想像的事情發生了,哈雷機車竟然推出電動機車,電動化也就代表沒有引擎而是以馬達取代,當然就不會有轟隆隆的引擎聲,這樣真的可以嗎?

2018 年 11 月 6~12 日舉辦的米蘭國際機車暨零件展(EICMA),哈雷發表 LiveWire 電動機車,跨出這個讓世人震驚的重大一步。哈雷機車必須全力轉型,吸引全新世代的新消費者,推出電動機車、油電混合機車,是其中不可或缺的一步,即使這代表向過去告別,也在所不惜。

哈雷機車為何做出如此甘冒大不韙的決策,根本原因是:人口學。傳統重機車的消費者年年變老,但是新近世代的年輕消費者卻未加入,這使重機車市場消費者呈現老化結構,美國幾乎半數重機車消費者都已經年過 50,他們或許還老當益壯,但是隨著年紀再更大,會因退休而無法一直購買新車,也會因體力衰老終於不方便騎車,最老的一代更會來到人類壽命的終點。

哈雷機車未雨綢繆,雖然 2018 年第三季季報仍然超越市場預期,但市佔率已開始萎縮,隨著忠實消費族群一年年老化,新消費者再不加入,哈雷遲早要被時代淘汰。因此 2017 年,哈雷訂下了 10 年計畫,預定到 2027 年要吸引 200 萬新車主,包括大力進軍電動機車,甚至輕型機車、電動腳踏車。另一方面,許多新世代只想輕鬆騎車,覺得重機危險麻煩又辛苦,為了打破這種刻板印象,哈雷打算設立許多學校,教導新世代怎麼騎機車。

電動機車其實相對於內燃機機車有許多技術優勢,例如不需換檔,且從靜止開始的加速扭力相對極大,加速過程沒有換檔的中斷時間,更無比順暢。以電動車為例,特斯拉(Tesla)Model S P100D 從靜止加速到時速 60 英哩只要 2.5 秒。這種超快加速力,很適合喜愛機車遠比汽車加速度更快的機車玩家。但很顯然的,電動機車不會有引擎聲,取而代之的是電動傳動系統的馬達聲。

哈雷機車計畫在未來幾年推出數款新機車產品線,LiveWire 是其中之一,預定於 2019 年底,於美國與歐洲精選通路上市,2019 年初就會公布售價。不過,哈雷機車轉型到電動機車之路,還有許多困難,內燃機與電動傳動系統是完全不同的專業領域,哈雷能否專精是一大問題,即使挑戰成功,還有競爭對手的障礙,成立於 2006 年的加州電動機車廠 Zero Motorcycles 已推出 4 款電動機車,還預定 2019 年 10 月發表電動機車新產品線。

無論如何,在老車主逐漸老化凋零的不可逆潮流下,哈雷機車這個響噹噹的品牌,能否繼續存續,還是得看電動化能不能成功了。

(合作媒體:。首圖來源:)

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※超省錢租車方案

※別再煩惱如何寫文案,掌握八大原則!

※回頭車貨運收費標準

※教你寫出一流的銷售文案?

FB行銷專家,教你從零開始的技巧

iOS開發實踐-OOM治理

概覽

說起iOS的OOM問題大家第一想到的應該更多的是內存泄漏(Memory Leak),因為無論是從早期的MRC還是2011年Apple推出的ARC內存泄漏問題一直是iOS開發者比較重視的問題,比如我們熟悉的 Instruments Leaks 分析工具,Xcode 8 推出的 Memory Graph 等都是官方提供的內存泄漏分析工具,除此之外還有類似於FBRetainCycleDetector的第三方工具。不過事實上內存泄漏僅僅是造成OOM問題的一個原因而已,實際開發過程中造成OOM的原因有很多,本文試圖從實踐的角度來分析造成OOM的諸多情況以及解決辦法。

造成OOM的原因

造成OOM的直接原因是iOS的 Jetsam 機製造成的,在Apple的 Low Memory Reports中解釋了具體的運行情況:當內存不足時,系統向當前運行中的App發起applicationDidReceiveMemoryWarning(_ application: UIApplication) 調用和 UIApplication.didReceiveMemoryWarningNotification 通知,如果內存仍然不夠用則會殺掉一些後台進程,如果仍然吃緊就會殺掉當前App。

關於 Jetsam 實現機制其實蘋果已經開源了XNU代碼,可以在這裏查看,核心代碼在 kern_memorystatus 感興趣可以閱讀,其中包含了很多系統調用函數,可以幫助開發者做一些OOM監控等。

一、內存泄漏

內存泄漏造成內存被持久佔用無法釋放,對OOM的影響可大可小,多數情況下並非泄漏的類直接造成大內存佔用而是無法釋放的類引用了比較大的資源造成連鎖反應最終形成OOM。一般分析內存泄漏的工具推薦使用Leaks,後來Apple提供了比較方便的Memory Graph。

Instruments Leaks

Leaks應該是被所有開發者推薦的工具,幾乎搜索內存泄漏就會提到這個工具,但是很多朋友不清楚其實當前Leaks的作用沒有那麼大,多數時候內存泄漏使用Leaks是分析不出來的。不妨運行下面的一個再簡單不過的泄漏情況(在一個導航控制器Push到下面的控制器然後Pop出去進行驗證):

class Demo1ViewController: UIViewController {

    override func viewDidLoad() {
        super.viewDidLoad()
        
        self.customView.block = {
            print(self.view.bounds)
        }
        self.view.addSubview(self.customView)
    }
    
    private lazy var customView:CustomView = {
        let temp = CustomView()
        
        return temp
    }()

    deinit {
        print("Demo1ViewController deinit")
    }
}


class CustomView:UIView {
    var block:(()->Void)?
}

上面這段代碼有明顯的循環引用造成的內存泄漏,但是前面說的兩大工具幾乎都無能為力,首先Leaks是:

網絡上有大量的文章去介紹Leaks如何使用等以至於讓有些同學以為Leaks是一個無所不能的內存泄漏分析工具,事實上Leaks在當前iOS開發環境下檢測出來的內存泄漏比較有限。之所以這樣需要先了解一個App的內存包括哪幾部分:

  1. Leaked memory: Memory unreferenced by your application that cannot be used again or freed (also detectable by using the Leaks instrument).

  2. Abandoned memory: Memory still referenced by your application that has no useful purpose.

  3. Cached memory: Memory still referenced by your application that might be used again for better performance.

Leaked memory正是Leaks工具所能發現的內存,這部分內存屬於沒有任何對象引用的內存,在內存活動圖中是是不可達內存。

Abandoned memory在應用內存活動圖中存在,但是因為應用程序邏輯問題而無法再次訪問的內存。和內存泄漏最主要的區別是它的引用(包括強引用和弱引用)是存在的,但是不會再用了。比如上面的循環引用問題,VC被Pop后這部分內存首先還是在內存活動圖中的,但是下次再push我們是創建一個新的VC而非使用原來的VC就造成上一次的VC成了廢棄的內存。

如果是早期MRC下創建的對象忘記release之類的使用Leaks是比較容易檢測的,但是 ARC 下就比較少了,實際驗證過程中發現更多的是引用的一些古老的OC庫有可能出現,純Swift幾乎沒有。

Abandoned memory事實上要比leak更難發現,關於如何使用Instruments幫助開發者進行廢棄的內存分析,參見官方Allocations工具的使用:Find abandoned memory

Memory Graph

當然Xcode 8 的Memory Graph也是一大利器,不過如果你這麼想上面的問題很有可能會失望(如下圖),事實上Memory Graph我理解有幾個問題:第一是這個工具要想實際捕獲內存泄漏需要多運行幾次,往往一次運行過程是無法捕獲到內存泄漏的;第二比如上面的子視圖引起的內存泄漏是無法使用它捕獲內存泄漏信息的,VC pop之後它會認為VC沒有釋放它的子視圖沒有釋放也是正確的,事實上VC就應該是被釋放的,不過調整一下上面的代碼比如刪除self.view.addSubview(self.customView)后儘管還存在循環引用但是卻是可以檢測到的(不過實際上怎麼可能那麼做呢),關於這個玄學問題沒有找到相關的說明文檔來解釋。但是事實上 Memory graph 從來也沒有聲明自己是在解決內存泄漏問題,而是內存活動圖分析工具,如果這麼去想這個問題似乎也不算是什麼bug。

第三方工具

事實上看到上面的情況相信很多同學會想要使用第三方工具來解決問題,比如大家用的比較多的MLeaksFinder和PLeakSniffer,兩者不同之處是後者除了可以默認查出 UIViewController 和 UIView 內存泄漏外還可以查出所有UIViewController屬性的內存泄漏算是對前者的一個補充。當然前者還配合了 Facebook 的FBRetainCycleDetector可以分析出循環引用出現的引用關係幫助開發者快速修復循環引用問題。

不過可惜的是這兩款工具,甚至包括 PLeakSniffer 的 Swift 版本都是不支持 Swift 的(準確的說是不支持Swift 4.2,原因是Swift 4.2繼承自 NSObject 的類不會默認添加 @objc 標記 class_copyPropertyList無法訪問其屬性列表,不僅如此Swift5.x中連添加 @objcMembers 也是沒用的),但是 Swift 不是到了5.x才ABI穩定的嗎?,再次查看 Facebook 的 FBRetainCycleDetector 本身就不不支持Swift,具體可以查看這個issue這是官方的回答,如果稍微熟悉這個庫原理的同學應該也不難發現具體的原因,從目前的情況來看當前 FBRetainCycleDetector 的原理在當前swift上是行不通的,畢竟要獲取對象布局以及屬性在Swift 5.x上已經不可能,除非你將屬性標記為@objc,這顯然不現實,走 SWift 的Mirror當前又無法 setValue,所以研究了一下現在開源社區的情況幾乎沒有類似OC的完美解決方案。

Deubgger的LeakMonitorService

LeakMonitorService是我們自己實現的一個Swift內存泄漏分析工具,主要是為了解決上面兩個庫當前運行在Swift 5.x下的問題,首先明確的是當前 Swift 版本是無法訪問其非 @objc 屬性的,這就無法監控所有屬性,但是試想其實只要這個監控可以解決大部分問題它就是有價值的,而通常的內存泄漏也就存在於 UIViewController 和 UIView 中,因此出發點就是檢測 UIViewController 和其根視圖和子視圖的內存泄漏情況。

如果要檢測內存泄漏就要先知道是否被釋放,如果是OC只要Swizzle dealloc方法即可,但是顯然Swift中是無法Swizzle一個deinit方法的,因為這個方法本身就不是runtime method。最後我們確定的解決方案就是通過關聯屬性進行監控,具體的操作(具體實現後面開源出來):

  1. 使用一個集合Objects記錄要監控存在內存泄漏的對象
  2. 給NSObject添加一個關聯屬性:deinitDetector,類型為 Detector 作為NSObject的代理,Detector是一個class,裏面引用一個block,在 deinit 時調用這個 block 從Objects 中移除監控對象
  3. 在 UIViewController 初始化時給 deinitDetector 賦值進行監控,同時將自身添加到 Objects 數組代表可能會發生內存泄漏,在 UIViewController 的將要釋放時檢測監控(一般稍微延遲一會)檢測Objects是否存在當前對象如果是被正確釋放因為其屬性deinitDetector 會將其從 Objects 移除所以就不會有問題,如果出現內存泄漏deinitDetector的內部block不會調用,此時當前控制器還在 Objects 中說明存在內存泄漏
  4. 使用同樣的方法監控UIViewController的根視圖和子視圖即可

需要說明的是監控UIViewController的時機,通常建議添加監控的時機放到viewDidAppear(),檢測監控的時機放到viewDidDisappear()中。原因是此時子視圖相對來說已經完成布局(避免存在動態添加的視圖沒有被監控到),而檢測監控的時機放到viewDidDisappear()中自然也不是所有調用了viewDidDisappear()的控制器就一定釋放了,可以在viewDidDisappear()中配合isMovingFromParentisBeingDismissed屬性進行比較精準的判斷。

常見的內存泄漏

經過 LeakMonitorService 檢測確實在產品中發現了少量的內存泄漏情況,但是很有代表性,這裏簡單的說一下,當然普通的block循環引用、NSTimer、NotificationCenter.default.addObserver()等這裏就不在介紹了,產品檢測中幾乎也沒有發現。

1.block的雙重引用問題

先來看一段代碼:

class LeakDemo2ViewController: UIViewController {

    override func viewDidLoad() {
        super.viewDidLoad()

        let customView = CustomView()
        customView.block1 = {
            [weak self] () -> CustomSubView? in
            guard let weakSelf = self else { return nil }
            let customSubview = CustomSubView()
            customSubview.block2 = {
                 // 儘管這個 self 已經是 weak 了但是這裏也會出現循環引用
                print(weakSelf)
            }
            return customSubview
        }
        
        self.view.addSubview(customView)
    }
    
    deinit {
        print("LeakDemo2ViewController deinit")
    }

}

private class CustomView:UIView {
    var block1:(()->CustomSubView?)?
    
    override init(frame: CGRect) {
        super.init(frame: frame)
        
    }
    
    override func layoutSubviews() {
        super.layoutSubviews()
        if let subview = block1?() {
            self.addSubview(subview)
        }
    }
    
    required init?(coder: NSCoder) {
        fatalError("init(coder:) has not been implemented")
    }
}

private class CustomSubView:UIView {
    var block2:(()->Void)?
}

上面的代碼邏輯並不複雜,customView 的 block 內部已經考慮了循環引用將 self 聲明為 weak 是沒有問題的,出問題的是它的子視圖又嵌套了一個 block2 從而造成了 block2 的嵌套引用關係,而第二個 block2 又引用了 weakSelf 從而造成循環引用(儘管此時的self是第一個 block 內已經聲明成 weakSelf)解決的辦法很簡單隻要內部的 block2 引用的 self 聲明成weak就好了(此時形成的是[weak weakSelf]的關係)。那麼為什麼會這樣的,內部 block2 訪問的也不是當前VC的self對象,而是弱引用怎麼會出問題呢?

原因是當前控制器 self 首先強引用了customView,而customView又通過 addSubview() 強引用了customSubView,這樣依賴其實 self 已經對 customSubView形成了強引用關係。但是 customSubview 本身引用的弱引用weakSelf嗎?(注意是弱引用的weakSelf,不是weakSelf的弱引用),但是需要清楚一點就是外部的弱引用是block1對self的弱引用,也就是在weak table(Swift最新實現在Side table)裏面會記錄block1的弱引用關係,但是block2是不會在這個表中的,所以這裏還是一個強引用,最終造成循環引用關係。

Swift中的weakSelf和strongSelf

補充一下OC中的weakSelf和strongSelf的內容,通常情況下常見的做法:

__weak __typeof__(self) weakSelf = self;
[self.block = ^{
    __strong __typeof(weakSelf)strongSelf = weakSelf;
    if (strongSelf) {
        strongSelf.title = @"xxx";
    }
}];

當然你可以用兩個宏簡化上面的操作:

@weakify(self);
[self.block = ^{
	 @strongify(self);
    if (strongSelf) {
        self = @"xxx";
    }
}];

上面 strongSelf 的主要目的是為了避免block中引用self的方法在執行過程中被釋放掉造成邏輯無法執行完畢,swfit中怎麼做呢,其實很簡單(method1和method2要麼都執行,要麼一個也不執行):

self.block = {
    [weak self] in
    if let strongSelf = self {
        strongSelf.method1()
        strongSelf.method2()
    }
}

但是下面的代碼是不可以的(有可能會出現method2不執行,但是method1會執行的情況):

self.block = {
    [weak self] in
    self?.method1()
    self?.method2()
}

2.delay操作

通常大家都很清楚 NStimer 會造成循環引用(儘管在新的api已經提供了block形式,不必引用target了),但是很少注意 DispatchQueue.main.asyncAfter() 所實現的delay操作,而它的返回值是 DispatchWorkItem 類型通常可以用它來取消一個延遲操作,不過一旦對象引用了 DispatchWorkItem 而在block中又引用了當前對象就形成了循環引用關係,比如:

class LeakDemo3ViewController: UIViewController {

    override func viewDidLoad() {
        super.viewDidLoad()
        
        self.delayItem = DispatchWorkItem {
            print("asyncAfter invoke...\(self)")
        }
        DispatchQueue.main.asyncAfter(deadline: .now() + .seconds(3), execute: self.delayItem!)
    }
    
    deinit {
        print("LeakDemo3ViewController deinit")
    }
    
    private var delayItem:DispatchWorkItem?

}

3.內部函數

其實,如果是閉包大家平時寫代碼都會比較在意避免循環引用,但是如果是內部函數很多同學就沒有那麼在意了,比如下面的代碼:

class LeakDemo4ViewController: UIViewController {

    var block:(()->Void)?
    
    override func viewDidLoad() {
        super.viewDidLoad()
        
        func innerFunc() {
            print(self)
        }
        
        self.block = {
            [weak self] in
            guard let weakSelf = self else { return }
            innerFunc()
            print(weakSelf)
        }
    }
    
    deinit {
        print("LeakDemo4ViewController deinit")
    }

}

innerfunc() 中強引用了self,而 innerFunc 執行上下文是在block內進行的,所以理論上在block內直接訪問了self,最終造成循環引用。內部函數在swift中是作為閉包來執行的,上面的代碼等價於:

let innerFunc =  {
    print(self)
}

說起block的循環引用這裏可以補充一些情況不會造成循環引用或者是延遲釋放的情況。特別是對於延遲的情況此次在產品中也做了優化,盡可能快速釋放內存避免內存峰值過高。

a.首先pushViewController()和presentViewController()本身是不會引用當前控制器的,比如說下面代碼不會循環引用:

let vc = CustomViewController()
vc.block = {
    print(self)
}
self.present(vc, animated: true) {
    print(self)
}

b.UIView.animation不會造成循環引用

UIView.animate(withDuration: 10.0) {
    self.view.backgroundColor = UIColor.yellow
}

c.UIAlertAction的handler不會引起循環引用(iOS 8 剛出來的時候有問題)

let alertController = UIAlertController(title: "title", message: "message", preferredStyle: UIAlertController.Style.alert)
let action1 = UIAlertAction(title: "OK", style: UIAlertAction.Style.default) { (alertAction) in
    print(self)
}
let action2 = UIAlertAction(title: "Cancel", style: UIAlertAction.Style.cancel) { (alertAction) in
    print(self)
}
alertController.addAction(action1)
alertController.addAction(action2)
self.present(alertController, animated: true) {
    print(self)
}

d.DispatchQueue asyncAfter會讓引用延遲,這裏的引用也是強引用,但是當asynAfter執行結束會得到釋放,但是不及時

DispatchQueue.main.asyncAfter(deadline: .now() + .seconds(10)) {
    print(self)
}

e.網絡請求會延遲釋放

如下在請求回來之前self無法釋放:

guard let url = URL(string:"http://slowwly.robertomurray.co.uk/delay/3000/url/http://www.google.co.uk
") else { return }
let dataTask = URLSession.shared.dataTask(with: url) { (data, response, error) in
    print(self,data)
}
dataTask.resume()

f.其他單例對象有可能延遲釋放,因為單例本身對外部對象強引用,儘管外部對象不會強引用單例,不過釋放是延遲的

class SingletonManager {
    static let shared = SingletonManager()
    
    func invoke(_ block: @escaping (()->Void)) {
        DispatchQueue.global().async {
            sleep(10)
            block()
        }
    }
}

SingletonManager.shared.invoke {
    print(self)
}

Instruments Allocation

前面說過Leaks和Memory Graph的限制,使用監控UIViewController或者UIView的工具對多數內存進行監控,但是畢竟這是多數情況,有些情況下是無法監控到的,那麼此時配合Instruments Allocation就是一個比較好的選擇,首先它可以通過快照的方式快速查對比內存的增長點也就可以幫助分析內存不釋放的原因,另外可以通過它查看當前內存被誰佔用也就有利於幫助我們分析內存佔用有針對性行的進行優化。

首先要了解,當我們向操作系統申請內存時系統分配的內存並不是物理內存地址而是虛擬內存 VM Regions 的地址。每個進程擁有的虛擬內存的空間大小是一樣的,32位的進程可以擁有4GB的虛擬內存,64位進程則更多。當真正使用內存時,操作系統才會將虛擬內存映射到物理內存。所以理論上當兩個進程A和B默認擁有相同的虛擬內存大小,當B使用內存時發現物理內存已經不夠用在OSX上會將不活躍內存寫入硬盤,叫做 swapping out。但是在iOS上面會直接發出內存警告 Memory warning 通知App清理無用內存(事實上也會引入 Compressed memory 壓縮一部分內存,需要的時候解壓)。

當然要使用這個工具之前建議先了解這個工具對內存類別劃分:

  • All Heap Allocations :進程運行過程中堆上分配的內存,簡單理解就是實際分配的內存,包括所有的類實例,比如UIViewController、UIView、Foundation數據結構等。比如:
    • Malloc 512.00KiB: 分配的512k堆內存,類似還有 Malloc 80.00KiB
    • CTRun: Core Text對象內存
  • All Anonymous VM :主要包含一些系統模塊的內存佔用,以 VM: 開頭
    • VM:CG raster data:(光柵化數據,也就是像素數據。注意不一定是圖片,一塊显示緩存里也可能是文字或者其他內容。通常每像素消耗 4 個字節)
    • VM:Statck:棧內存(比如每個線程都會需要500KB)
    • VM:Image IO:(圖片編解碼緩存)
    • VM:IOSurface:用於存儲FBO、RBO等渲染數據的底層數據結構,是跨進程的,通常在CoreGraphics、OpenGLES、Metal之間傳遞紋理數據。
    • CoreAnimation: 動畫資源佔用內存
    • VM:IOAccelerator:圖片的CVPixelBuffer

需要注意,Allocations統計的 Heap Allocations & Anonymous VM(包括:All Heap AllocationsAll Anonymous VM) 並不包括非動態的內存,以及部分其他動態庫創建的VM Region(比如:WebKit,ImageIO,CoreAnimation等虛擬內存區域),相對來說是低於實際運行內存的。

為了進一步了解內存實際分配情況,這裏不妨藉助一下 Instruments VM Tracker 這個工具,對於前面說過虛擬內存,這個工具是可以對虛擬內存實際分配情況有直觀展示的。

Virtual memory(虛擬內存) = Dirty Memory(已經寫入數據的內存) + Clean Memory(可以寫入數據的乾淨的內存) + Compressed Memory(對應OSX上的swapped memory)

Dirty Memory : 包括所有 Heap 中的對象、以上All Anonymous VM以及每個framework的 _DATA 段和 _Dirty_Data 段

Clean Memory:可以寫數據的乾淨的內存,不過對於開發者是read-only,操作系統負責寫入和移除,比如:System Framework、Binary Executable佔用的內存,framework都有_DATA_CONST段(不過當使用framework時會變成 Dirty memory )

Compressed Memory:由於iOS系統是沒有 swapped memory 的,取而代之的是 Compressed Memory ,通過壓縮內存可以降低大概一半的內存。不過遇到內存警告釋放內存的時候情況就複雜了些,比如遇到內存警告后通常可以試圖壓縮內存,而這時開發者會在收到警告后釋放一部分內存,遇到釋放內存的時候內存很可能會從壓縮內存再解壓去釋放反而峰值會增加。

前面提到過 Jetsam 對於內存的控制機制,這裏需要明確它做出內存警告的依據是 phys_footprint,而發生內存警告后系統默認清理的內存是 Clean Memory 而不會清理 Dirty Memory,畢竟有數據的內存系統也不知道是否還有用,無法自動清理。

Resident Memory = Dirty Memory + Clean Memory that loaded in physical memory

Resident Memory:已經被映射到虛擬內存中的物理內存,但是注意只有 phys_footprint 才是真正消耗的物理內存,也正是 Jetsam 判斷內存警告的依據。

Memory Footprint:App 實際消耗的物理內存,Jetsam 判斷內存警告的依據,包括:Dirty Memory 、Compressed Memory、NSCache, Purgeable、IOKit used
和部分加載到物理內存的Clean memory。

如果簡單總結:
Instruments AllocationsHeap Allocations & Anonymous VM 是整個App佔用的一部分,它又分為 Heap Allocations 為開發者申請的內存,而 Anonymous VM 是系統分配內存(但是並不是不需要優化)。這部分儘管不是 App 的所有消耗內存但卻是開發者最關注的。

Instruments VM TrackerDirty MemorySwapped(對應iOS中的 Compressed Memory) 應該是開發者關注的主要內存佔用,比較接近於實際佔用內存,類似的是Xcode Navigator的內存也接近於最終的 Memory Footprint (多了調試佔用的內存而已一般可以認為是 App 實際佔用內存)

關於圖片的內存佔用有必要解釋一下:CGImage 持有原始壓縮格式DataBuffer(DataBuffer佔用本身比較小),通過類似引用計數管理真正的Image Bitmap Buffer,需要渲染時通過 RetainBytePtr 拿到 Bitmap Buffer 塞給VRAM(IOSurface),不渲染時 ReleaseBytePtr 釋 放Bitmap Buffer。通常在使用UIImageView時,系統會自動處理解碼過程,在主線程上解碼和渲染,會佔用CPU,容易引起卡頓。推薦使用ImageIO在後台線程執行圖片的解碼操作(可參考SDWebImageCoder)。但是ImageIO不支持webp。

二、持久化對象

很多時候內存泄漏確實可以很大程度上解決OOM問題,因為類似於UIViewController或者UIView中包含大量UIImageView的情況下,兩者不釋放很可能會有很大一塊關聯的內存得不到釋放造成內存泄漏。但是另一個問題是持久化對象,即使解決了所有內存泄漏的情況也並不代表就真正解決了內存泄漏問題,其中一個重要的因素就是持久化對象。

關於持久化對象這裏主要指的是類似於App進入后在主界面永遠不會釋放的對象,以及某些單例對象。象基本上基本上不kill整個app是無法釋放的,但是如果因為設計原因又在首頁有大量這樣的持久對象那麼OOM的問題理論上更加難以解決,因為此時要修改整個App結構幾乎是不可能的。

這裏簡單對非泄漏OOM情況進行分類:

  1. 首頁及其關聯頁面:比如首頁是UITabbarController相應的tab點擊之後也成為了持久化對象無法釋放
  2. 單例對象:特別是會加載一些大模型的單例,比如說單例中封裝了人臉檢測,如果人臉檢測模型比較大,首次使用人臉識別時加載的模型也會永遠得不到釋放
  3. 複雜的界面層級:Push、Pop是iOS常用的導航操作,但是如果界面設計過於複雜(甚至可以無限Push)那麼層級深了以後前面UINavigationController棧中的對象一直堆疊也會OOM
  4. 耗資源的對象:比如說播放器這種消耗資源的對象,理論上不會在同一個app內播放兩個音視頻,設計成單例反而是比較好的方案
  5. 圖片資源:圖片資源是app內最佔用內存的資源,一個不合適的圖片尺寸就可以導致OOM,比如一張邊長10000px的正方形圖片解碼后的大小是10000 * 10000 * 4 = 381M左右

首先說一下第一種情況,其實在早期iOS中(5.0及其之前的版本)針對以上情況有內存警lunload機制,通常在viewDidUnload()中釋放當前view,同時也是給開發者提供資源卸載的一個比較合適的時機,當UIViewController再次展示時會重新loadView(),而從iOS 6.0之後Apple建議相關操作放到didReceiveMemoryWarning()方法中,主要的原因是因為僅僅釋放當前根視圖並不會帶來大的內存釋放同時又造成了體驗問題,原本一個UITableView已經翻了幾頁了現在又要重新加載一遍。所以結論是在didReceiveMemoryWarning()放一些大的對象釋放操作,而不建議直接釋放view,但是不管怎麼樣一定要做恢復機制。實際的實踐是在我們的MV播放器中做了卸載操作,因為MV的預覽要經過A->B->C的push過程,A、B均包含了MV預覽播放器,而實際測試兩個播放器的內存佔用大概110M上下這是一部分很大的開銷,特別是對於iPhone 6等1g內存的手機。另外針對某個頁面有多個子控制器的情況避免一次加載所有的自控制器的情況,理想的情況是切換到對應的控制器時才會加載對應的控制器。

單例對象是另一種大內存持久對象,通常情況下對象本身佔用內存很有限,做成單例沒有什麼問題,但是這個對象引用的資源才是關注的重點,比如說我們產品中中有個主體識別模塊,依賴於一個AI模型,本身這個模塊也並非App操作的必經路徑,首次使用時加載,但是之後就不會釋放了,這樣一來對於使用過一次的用戶很有可能不再使用就沒必要一直佔用,解決的辦法自然是不用單例。

關於複雜的界面層級則完全是設計上的問題,只能通過界面交互設計進行控制,而對於耗資源對象上面也提到了盡量復用同一個對象即可,這裏不再贅述。

此外,前面說到FBO相關的內存,其實這部分內存也是需要手動釋放的,比如在產品中使用的播放器在用完之後並沒有及時釋放,調用 CVOpenGLESTextureCacheFlush() 及時清理(類似的還有使用基於OpenGL的濾鏡)。

內存峰值飆升

除了持久的內存佔用意外,有時會不恰當的操作會造成內存的飆升出現OOM,儘管這部分內存可能一會會被釋放掉不會長久的佔用內存但是內存的峰值本身就是很危險的操作。

圖片壓縮

首先重點關注一下圖片的內存佔用,圖片應該是最佔用內存的對象資源,理論上UILayer最終展示也會繪製一個bitmap,不過這裏主要說的是UIImage資源。一張圖片要最終展示出來要經過解碼、渲染的步驟,解碼操作的過程就是就是從data到bitmap的過程,這個過程中會佔用大量內存,因為data是壓縮對象,而解碼出來的是實實在在的像素信息。自然在開發中重用一些控件、做圖片資源優化是必要的,不過這些事實上在我們的產品中都是現成的內容,如何進一步優化是我們最關注的的。理論上這個問題可以歸結到第一種情況的範疇,就是如何讓首頁的圖片資源盡可能的小,答案也是顯而易見的:第一解碼過程中盡可能控制峰值,第二能用小圖片的絕不解碼一張大圖片。

比如一個圖片壓縮需求一張巨大的圖片要判斷圖片大小做壓縮處理,假設這張圖片是1280 * 30000的長圖,本來的目的是要判斷圖片大小進行適當的壓縮,比如說超過50M就進行80%壓縮,如果100M就進行50%壓縮,但是遇到的情況是這樣的:本來為了判斷圖片的大小以及保留新的圖片,原圖片A內存佔用大約146M,聲明了一個新對象B保留壓縮后的圖片,但是默認值是A原圖,根據情況給B賦值,實際情況是原圖146M+146M+中間壓縮結果30M左右,當前內存322M直接崩潰。優化這個操作的過程自然是盡量少創建中間變量,也不要賦值默認值,避免峰值崩潰。

關於產品中使用合適的圖片應該是多數app都會遇到的情況,比如首頁默認有10張圖,本來尺寸是比較小的UIImageView也沒有必要使用過大的圖片,不過實際情況很可能是通過後端請求的url來加載圖片。比如說一個64pt * 64pt的UIImageView要展示一個1080 * 1920 pixal的圖片內存佔用達在2x情況下多了126倍之多是完全沒必要的,不過後端的配置自然是不可信的,即使剛開始沒有問題說不準後面運營維護的時候上一張超大的圖片也是很有可能的。解決方式自然是向下採樣,不過這裏建議不要直接使用Core Graphics繪製,避免內存峰值過高,Apple也給了推薦的做法。

常見的壓縮方法:

func compressImage(_ image:UIImage, size:CGSize) -> UIImage? {
        let targetSize = CGSize(width: size.width*UIScreen.main.scale, height: size.height*UIScreen.main.scale)
        UIGraphicsBeginImageContext(targetSize)
        image.draw(in: CGRect(origin: CGPoint.zero, size: targetSize))
        let newImage = UIGraphicsGetImageFromCurrentImageContext()
        UIGraphicsEndImageContext()
        return newImage
    }

推薦的做法:

func downsamplingImage(url:URL, size:CGSize) -> UIImage? {
        let imageSourceOptions = [kCGImageSourceShouldCache:false] as CFDictionary
        guard let imageSource = CGImageSourceCreateWithURL(url as CFURL, imageSourceOptions) else { return nil }
        let maxDimension = max(size.width, size.height) * UIScreen.main.scale
        let downsamplingOptions = [
            kCGImageSourceCreateThumbnailFromImageAlways : true,
            kCGImageSourceShouldCacheImmediately : true ,
            kCGImageSourceCreateThumbnailWithTransform:true,
            kCGImageSourceThumbnailMaxPixelSize : maxDimension
        ] as CFDictionary
        guard let downsampleImage = CGImageSourceCreateThumbnailAtIndex(imageSource, 0, downsamplingOptions) else { return nil }
        let newImage = UIImage(cgImage: downsampleImage)
        return newImage
    }

大量循環操作

此外關於一些循環操作,如果操作本身比較耗內存,通常的做法就是使用 autoreleasepool 確保一個操作完成后內存及時釋放,但是在PHImageManager獲取圖片時這種方法並不是太湊效。比如說下面的一段代碼獲取相冊中30張照片保存到沙盒:

guard let cachePath = NSSearchPathForDirectoriesInDomains(.cachesDirectory, FileManager.SearchPathDomainMask.userDomainMask, true).first else { return }
let assets = getAssets() // top 30
for i in 0..<assets.count {
    let option = PHImageRequestOptions()
    option.isSynchronous = false
    option.isNetworkAccessAllowed = true
    PHImageManager.default().requestImage(for: assets[i], targetSize: CGSize(width: 1080, height: 1920), contentMode: PHImageContentMode.aspectFit, options: option) { (image, info) in
        if info?[PHImageResultIsDegradedKey] as? Bool == true {
            return
        }
        if let image = image {
            do {
                let savePath = cachePath + "/\(i).png"
                if FileManager.default.fileExists(atPath: savePath) {
                    try FileManager.default.removeItem(atPath: savePath)
                }
                try image.pngData()?.write(to: URL(fileURLWithPath: savePath))
            } catch {
                print("Error:\(error.localizedDescription)")
            }
        }
    }
}

實測在iOS 13下面內存峰值85M左右,執行后內存65M,比執行前多了52M而且這個內存應該是會一直常駐,這也是網上很多文章中提到的增加autoreleasepool來及時釋放內存的原因。改造之後代碼:

guard let cachePath = NSSearchPathForDirectoriesInDomains(.cachesDirectory, FileManager.SearchPathDomainMask.userDomainMask, true).first else { return }
let assets = getAssets()
for i in 0..<assets.count {
    autoreleasepool(invoking: {
        let option = PHImageRequestOptions()
        option.isSynchronous = false
        option.isNetworkAccessAllowed = true
        PHImageManager.default().requestImage(for: assets[i], targetSize: CGSize(width: 1080, height: 1920), contentMode: PHImageContentMode.aspectFit, options: option) { (image, info) in
            if info?[PHImageResultIsDegradedKey] as? Bool == true {
                return
            }
            if let image = image {
                do {
                    let savePath = cachePath + "/\(i).png"
                    if FileManager.default.fileExists(atPath: savePath) {
                        try FileManager.default.removeItem(atPath: savePath)
                    }
                    try image.pngData()?.write(to: URL(fileURLWithPath: savePath))
                } catch {
                    print("Error:\(error.localizedDescription)")
                }
            }
        }
    })
}

實測之後發現內存峰值降低到了65M左右,執行之後內存在50M左右,也就是峰值和之後常駐內存都有所降低,autoreleasepool有一定作用,但是作用不大,但是理論上這個常駐內存應該恢復到之前的10M左右的水平才對為什麼多了那麼多呢?原因是Photos獲取照片是有緩存的(注意在iPhone 6及以下設備不會緩存),這部分緩存如果進入後台會釋放(主要是IOSurface)。其實這個過程中內存主要包括兩部分 IOSurface 和 CG raster data ,那麼想要降低這兩部分內存其實針對上述場景最好的辦法是使用 PHImageManager.default().requestImageDataAndOrientation() 而不是 PHImageManager.default().requestImage() 實測上述情況內存峰值 18M 左右並且瞬間可降下來。那麼如果需求場景非要使用 PHImageManager.default().requestImage() 怎麼辦呢?答案是使用串行操作降低峰值。

guard let cachePath = NSSearchPathForDirectoriesInDomains(.cachesDirectory, FileManager.SearchPathDomainMask.userDomainMask, true).first else { return }
let semaphore = DispatchSemaphore(value: 0)
self.semaphore = semaphore
DispatchQueue.global().async {
    let assets = self.getAssets()
    for i in 0..<assets.count {
        print(1)
        autoreleasepool(invoking: {
            let option = PHImageRequestOptions()
            option.isSynchronous = false
            option.isNetworkAccessAllowed = true
            PHImageManager.default().requestImageDataAndOrientation(for: assets[i], options: option) { (data, _, orientation, info) in
                if info?[PHImageResultIsDegradedKey] as? Bool == true {
                    return
                }
                defer {
                    semaphore.signal()
                    print(4)
                }
                do {
                    print(3)
                    let savePath = cachePath + "/\(i).png"
                    if FileManager.default.fileExists(atPath: savePath) {
                        try FileManager.default.removeItem(atPath: savePath)
                    }
                    try data?.write(to: URL(fileURLWithPath: savePath))
                } catch {
                    print("Error:\(error.localizedDescription)")
                }
            }
        })
        print(2)
        _ = semaphore.wait(timeout: .now() + .seconds(10))
        print(5)
        
    }
}

通過串行控制以後內存峰值穩定在16M左右,並且執行之後內存沒有明顯增長,但是相應的操作效率自然是下降了,整體時長增高。

總結

本文從內存泄漏和內存佔用兩個角度分析了解決OOM的問題,也是產品中實際遇到問題的一次徹查結果,列舉了常見引起OOM的原因,也對持久內存佔用給了一些實踐的建議,對於比較難發現的leak情況做了示例演示,也是產品實際遇到的,事實上在我們的產品中通過上面的手段OOM降低了80%以上,整體的App框架也並沒有做其他修改,所以有類似問題的同學不妨試一下。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

網頁設計公司推薦不同的風格,搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

【遞歸題】正確的打開方式,面試官聽了都說精闢

前言

遞歸,是一個非常重要的概念,也是面試中非常喜歡考的。因為它不但能考察一個程序員的算法功底,還能很好的考察對時間空間複雜度的理解和分析。

本文只講一題,也是幾乎所有算法書講遞歸的第一題,但力爭講出花來,在這裏分享四點不一樣的角度,讓你有不同的收穫。

  • 時空複雜度的詳細分析
  • 識別並簡化遞歸過程中的重複運算
  • 披上羊皮的狼
  • 適當炫技助我拿到第一份工作

算法思路

大家都知道,一個方法自己調用自己就是遞歸,沒錯,但這隻是理解遞歸的最表層的理解。

那麼遞歸的實質是什麼?

答:遞歸的實質是能夠把一個大問題分解成比它小點的問題,然後我們拿到了小問題的解,就可以用小問題的解去構造大問題的解。

那小問題的解是如何得到的?

答:用再小一號的問題的解構造出來的,小到不能再小的時候就是到了零號問題的時候,也就是 base case 了。

那麼總結一下遞歸的三個步驟:

Base case:就是遞歸的零號問題,也是遞歸的終點,走到最小的那個問題,能夠直接給出結果,不必再往下走了,否則,就會成死循環;

拆解:每一層的問題都要比上一層的小,不斷縮小問題的 size,才能從大到小到 base case;

組合:得到了小問題的解,還要知道如何才能構造出大問題的解。

所以每道遞歸題,我們按照這三個步驟來分析,把這三個問題搞清楚,代碼就很容易寫了。

斐波那契數列

這題雖是老生常談了,但相信我這裏分享的一定會讓你有其他收穫。

題目描述

斐波那契數列是一位意大利的數學家,他閑着沒事去研究兔子繁殖的過程,研究着就發現,可以寫成這麼一個序列:1,1,2,3,5,8,13,21…也就是每個數等於它前兩個數之和。那麼給你第 n 個數,問 F(n) 是多少。

解析

用數學公式表示很簡單:

f(n) = f(n-1) + f(n-2)

代碼也很簡單,用我們剛總結的三步:

  • base case: f(0) = 0, f(1) = 1.
  • 分解:f(n-1), f(n-2)
  • 組合:f(n) = f(n-1) + f(n-2)

那麼寫出來就是:

class Solution {
    public int fib(int N) {
        if (N == 0) {
            return 0;
        } else if (N == 1) {
            return 1;
        }
        return fib(N-1) + fib(N-2);
    }
}

但是這種解法 Leetcode 給出的速度經驗只比 15% 的答案快,因為,它的時間複雜度實在是太高了!

過程分析

那這就是我想分享的第一點,如何去分析遞歸的過程。

首先我們把這顆 Recursion Tree 畫出來,比如我們把 F(5) 的遞歸樹畫出來:

那實際的執行路線是怎樣的?

首先是沿着最左邊這條線一路到底:F(5) → F(4) → F(3) → F(2) → F(1),好了終於有個 base case 可以返回 F(1) = 1 了,然後返回到 F(2) 這一層,再往下走,就是 F(0),又觸底反彈,回到 F(2),得到 F(2) = 1+0 =1 的結果,把這個結果返回給 F(3),然後再到 F(1),拿到結果后再返回 F(3) 得到 F(3) = 左 + 右 = 2,再把這個結果返上去…

這種方式本質上是由我們計算機的馮諾伊曼體系造就的,目前一個 CPU 一個核在某一時間只能執行一條指令,所以不能 F(3) 和 F(4) 一起進行了,一定是先執行了 F(4) (本代碼把 fib(N-1) 放在前面),再去執行 F(3).

我們在 IDE 里 debug 就可以看到棧裏面的情況:這裏確實是先走的最左邊這條線路,一共有 5 層,然後再一層層往上返回。

時間複雜度分析

如何評價一個算法的好壞?

很多問題都有多種解法,畢竟條條大路通羅馬。但如何評價每種方法的優劣,我們一般是用大 O 表達式來衡量時間和空間複雜度。

時間複雜度:隨着自變量的增長,所需時間的增長情況。

這裏大 O 表示的是一個算法在 worst case 的表現情況,這就是我們最關心的,不然春運搶車票的時候系統 hold 不住了,你跟我說這個算法很優秀?

當然還有其他衡量時間和空間的方式,比如

Theta: 描述的是 tight bound Omega(n):
這個描述的是 best case,最好的情況,沒啥意義

這也給我們了些許啟發,不要說你平時表現有多好,沒有意義;面試衡量的是你在 worst case 的水平;不要說面試沒有發揮出你的真實水平,扎心的是那就是我們的真實水平。

那對於這個題來說,時間複雜度是多少呢?

答:因為我們每個節點都走了一遍,所以是把所有節點的時間加起來就是總的時間。

在這裏,我們在每個節點上做的事情就是相加求和,是 O(1) 的操作,且每個節點的時間都是一樣的,所以:

總時間 = 節點個數 * 每個節點的時間

那就變成了求節點個數的數學題:

在 N = 5 時,

最上面一層有1個節點,
第二層 2 個,
第三層 4 個,
第四層 8 個,
第五層 16 個,如果填滿的話,想象成一顆很大的樹:)

這裏就不要在意這個沒填滿的地方了,肯定是會有差這麼幾個 node,但是大 O 表達的時間複雜度我們剛說過了,求的是 worst case.

那麼總的節點數就是:
1 + 2 + 4 + 8 + 16

這就是一個等比數列求和了,當然你可以用數學公式來算,但還有個小技巧可以幫助你快速計算:

其實前面每一層的節點相加起來的個數都不會超過最後一層的節點的個數,總的節點數最多也就是最後一層節點數 * 2,然後在大 O 的時間複雜度裏面常數項也是無所謂的,所以這個總的時間複雜度就是:

最後一層節點的個數:2^n

空間複雜度分析

一般書上寫的空間複雜度是指:

算法運行期間所需佔用的所有內存空間

但是在公司里大家常用的,也是面試時問的指的是
Auxiliary space complexity:

運行算法時所需佔用的額外空間。

舉例說明區別:比如結果讓你輸出一個長度為 n 的數組,那麼這 O(n) 的空間是不算在算法的空間複雜度里的,因為這個空間是跑不掉的,不是取決於你的算法的。

那空間複雜度怎麼分析呢?

我們剛剛說到了馮諾伊曼體系,從圖中也很容易看出來,是最左邊這條路線佔用 stack 的空間最多,一直不斷的壓棧,也就是從 5 到 4 到 3 到 2 一直壓到 1,才到 base case 返回,每個節點佔用的空間複雜度是 O(1),所以加起來總的空間複雜度就是 O(n).

優化算法

那我們就想了,為什麼這麼一個簡簡單單的運算竟然要指數級的時間複雜度?到底是為什麼讓時間如此之大。

那也不難看出來,在這棵 Recursion Tree 里,有太多的重複計算了。

比如一個 F(2) 在這裏都被計算了 3 次,F(3) 被計算了 2 次,每次還都要再重新算,這不就是狗熊掰棒子嗎,真的是一把辛酸淚。

那找到了原因之後,為了解決這種重複計算,計算機採用的方法其實和我們人類是一樣的:記筆記。

對很多職業來說,比如醫生、律師、以及我們工程師,為什麼越老經驗值錢?因為我們見得多積累的多,下次再遇到類似的問題時,能夠很快的給出解決方案,哪怕一時解決不了,也避免了一些盲目的試錯,我們會站在過去的高度不斷進步,而不是每次都從零開始。

回到優化算法上來,那計算機如何記筆記呢?

我們要想求 F(n),無非也就是要
記錄 F(0) ~ F(n-1) 的值,
那選取一個合適的數據結構來存儲就好了。

那這裏很明顯了,用一個數組來存:

Index 0 1 2 3 4 5
F(n) 0 1 1 2 3 5

那有了這個 cheat sheet,我們就可以從前到后得到結果了,這樣每一個點就只算了一遍,用一個 for loop 就可以寫出來,代碼也非常簡單。

class Solution {
    public int fib(int N) {
        if (N == 0) {
            return 0;
        }
        if (N== 1) {
            return 1;
        }
        int[] notes = new int[N+1];
        notes[0] = 0;
        notes[1] = 1;
        for(int i = 2; i <= N; i++) {
            notes[i] = notes[i-1] + notes[i-2];
        }
        return notes[N];
    }
}

這個速度就是 100% 了~

但是我們可以看到,空間應該還有優化的餘地。

那仔細想想,其實我們記筆記的時候需要記錄這麼多嗎?需要從幼兒園到小學到初中到高中的筆記都留着嗎?

那其實每項的計算只取決於它前面的兩項,所以只用保留這兩個就好了。

那我們可以用一個長度為 2 的數組來計算,或者就用 2 個變量。

更新代碼:

class Solution {
    public int fib(int N) {
        int a = 0;
        int b = 1;
        if(N == 0) {
            return a;
        }
        if(N == 1) {
            return b;
        }
        for(int i = 2; i <= N; i++) {
            int tmp = a + b;
            a = b;
            b = tmp;
        }
        return b;
    }
}

這樣我們就把空間複雜度優化到了 O(1),時間複雜度和用數組記錄一樣都是 O(n).

這種方法其實就是動態規劃 Dynamic Programming,寫出來的代碼非常簡單。

那我們比較一下 Recursion 和 DP:

Recursion 是從大到小,層層分解,直到 base case 分解不了了再組合返回上去;
DP 是從小到大,記好筆記,不斷進步。
也就是 Recursion + Cache = DP

如何記錄這個筆記,如何高效的記筆記,這是 DP 的難點。

有人說 DP 是拿空間換時間,但我不這麼認為,這道題就是一個很好的例證。

在用遞歸解題時,我們可以看到,空間是 O(n) 在棧上的,但是用 DP 我們可以把空間優化到 O(1),DP 可以做到時間空間的雙重優化。

其實呢,斐波那契數列在現實生活中也有很多應用。

比如在我司以及很多大公司里,每個任務要給分值,1分表示大概需要花1天時間完成,然後分值只有>1,2,3,5,8這5種,(如果有大於8分的任務,就需要把它 break down 成8分以內的,以便大家在>兩周內能完成。)
因為任務是永遠做不完的而每個人的時間是有限的,所以每次小組會開會,挑出最重要的任務讓大家來>做,然後每個人根據自己的 available 的天數去 pick up 相應的任務。

那有同學可能會想,這題這麼簡單,這都 2020 年了,面試還會考么?

答:真的會

只是不能以這麼直白的方式給你了。

比如很有名的爬樓梯問題:

一個 N 階的樓梯,每次能走一層或者兩層,問一共有多少種走法。

這個題這麼想:

站在當前位置,只能是從前一層,或者前兩層上來的,所以 f(n) = f(n-1) + f(n-2).

這題是我當年面試時真實被問的,那時我還在寫 python,為了炫技,還用了lambda function:

f = lambda n: 1 if n in (1, 2) else f(n-1) + f(n-2)

遞歸的寫法時間複雜度太高,所以又寫了一個 for loop 的版本

def fib(n)
  a, b = 1, 1
  for i in range(n-1):
    a, b = b, a+b
  return a 

然後還寫了個 caching 的方法:

def cache(f):
    memo = {}
    def helper(x):
        if x not in memo:
            memo[x] = f(x)
        return memo[x]
    return helper
@cache
def fibR(n):
    if n==1 or n==2: return 1
    return fibR(n-1) + fibR(n-2)

還順便和面試官聊了下 tail recursion:

tail recursion 尾遞歸:就是遞歸的這句話是整個方法的最後一句話。

那這個有什麼特別之處呢?

尾遞歸的特點就是我們可以很容易的把它轉成 iterative 的寫法,當然有些智能的編譯器會自動幫我們做了(不是說顯性的轉化,而是在運行時按照 iterative 的方式去運行,實際消耗的空間是O(1))

那為什麼呢?

因為回來的時候不需要 backtrack,遞歸這裏就是最後一步了,不需要再往上一層返值。

def fib(n, a=0, b=1):
    if n==0: return a
      if n==1: return b
    return fib(n-1, b, a+b)

最終,拿出了我的殺手鐧:lambda and reduce

fibRe = lambda n: reduce(lambda x, n: [x[1], x[0]+x[1]], range(n), [0, 1])

看到面試官滿意的表情后,就開始繼續深入的聊了…

所以說,不要以為它簡單,同一道題可以用七八種方法來解,分析好每個方法的優缺點,引申到你可以引申的地方,展示自己紮實的基本功,這場面試其實就是你 show off 的機會,這樣才能騙過面試官啊~lol

這就是本文的所有內容了,不知道大家看完感受如何?留言告訴我你的感受吧~

點擊在看,鼓勵下我啊!

瞎寫評論,顯得我很紅啊!

轉發轉發轉發,愛她,就送給她!

還想跟我看更多數據結構和算法題的小夥伴們,記得關注我,我是程序零世界,算法就這麼回事。

作者:小齊本齊

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※廣告預算用在刀口上,台北網頁設計公司幫您達到更多曝光效益

※別再煩惱如何寫文案,掌握八大原則!

※教你寫出一流的銷售文案?

※超省錢租車方案

FB行銷專家,教你從零開始的技巧

一文看懂《最大子序列和問題》

引言

在做KB的基礎DP練習題的時候遇到了最大子序列和的變種問題,突然發現自己以前沒做過解題筆記(現補上)

最大子序列和是一道經典的算法題, leetcode 也有原題《53.maximum-sum-subarray》,今天我們就來徹底攻克它。

題目描述

求取數組中最大連續子序列和,例如給定數組為 A = [1, 3, -2, 4, -5], 則最大連續子序列和為 6,即 1 + 3 +(-2)+ 4 = 6。

首先我們來明確一下題意。

  • 題目說的子數組是連續的
  • 題目只需要求和,不需要返回子數組的具體位置。
  • 數組中的元素是整數,但是可能是正數,負數和 0。
  • 子序列的最小長度為 1。

比如:

  • 對於數組 [1, -2, 3, 5, -3, 2], 應該返回 3 + 5 = 8
  • 對於數組 [0, -2, 3, 5, -1, 2], 應該返回 3 + 5 + -1 + 2 = 9
  • 對於數組 [-9, -2, -3, -5, -3], 應該返回 -2

解法一 – 暴力法(超時法)

一般情況下,先從暴力解分析,然後再進行一步步的優化。

思路

我們來試下最直接的方法,就是計算所有的子序列的和,然後取出最大值。
記 Sum[i,….,j]為數組 A 中第 i 個元素到第 j 個元素的和,其中 0 <= i <= j < n,
遍歷所有可能的 Sum[i,….,j] 即可。

我們去枚舉以 0,1,2…n-1 開頭的所有子序列即可,
對於每一個開頭的子序列,我們都去枚舉從當前開始到 n-1 的所有情況。

這種做法的時間複雜度為 O(N^2), 空間複雜度為 O(1)。

代碼

Java:

class MaximumSubarrayPrefixSum {
  public int maxSubArray(int[] nums) {
      int len = nums.length;
      int maxSum = Integer.MIN_VALUE;
      int sum = 0;
      for (int i = 0; i < len; i++) {
        sum = 0;
        for (int j = i; j < len; j++) {
          sum += nums[j];
          maxSum = Math.max(maxSum, sum);
        }
      }
      return maxSum;
  }
}

Python 3:

import sys
class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        n = len(nums)
        maxSum = -sys.maxsize
        sum = 0
        for i in range(n):
            sum = 0
            for j in range(i, n):
                sum += nums[j]
                maxSum = max(maxSum, sum)

        return maxSum

空間複雜度非常理想,但是時間複雜度有點高。怎麼優化呢?我們來看下下一個解法。

解法二 – 分治法

思路

我們來分析一下這個問題, 我們先把數組平均分成左右兩部分。

此時有三種情況:

  • 最大子序列全部在數組左部分
  • 最大子序列全部在數組右部分
  • 最大子序列橫跨左右數組

對於前兩種情況,我們相當於將原問題轉化為了規模更小的同樣問題。

對於第三種情況,由於已知循環的起點(即中點),我們只需要進行一次循環,分別找出
左邊和右邊的最大子序列即可。

所以一個思路就是我們每次都對數組分成左右兩部分,然後分別計算上面三種情況的最大子序列和,
取出最大的即可。

舉例說明,如下圖:

這種做法的時間複雜度為 O(N*logN), 空間複雜度為 O(1)。

代碼

Java:

class MaximumSubarrayDivideConquer {
  public int maxSubArrayDividConquer(int[] nums) {
      if (nums == null || nums.length == 0) return 0;
      return helper(nums, 0, nums.length - 1);
    }
    private int helper(int[] nums, int l, int r) {
      if (l > r) return Integer.MIN_VALUE;
      int mid = (l + r) >>> 1;
      int left = helper(nums, l, mid - 1);
      int right = helper(nums, mid + 1, r);
      int leftMaxSum = 0;
      int sum = 0;
      // left surfix maxSum start from index mid - 1 to l
      for (int i = mid - 1; i >= l; i--) {
        sum += nums[i];
        leftMaxSum = Math.max(leftMaxSum, sum);
      }
      int rightMaxSum = 0;
      sum = 0;
      // right prefix maxSum start from index mid + 1 to r
      for (int i = mid + 1; i <= r; i++) {
        sum += nums[i];
        rightMaxSum = Math.max(sum, rightMaxSum);
      }
      // max(left, right, crossSum)
      return Math.max(leftMaxSum + rightMaxSum + nums[mid], Math.max(left, right));
    }
}

Python 3 :

import sys
class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        return self.helper(nums, 0, len(nums) - 1)
    def helper(self, nums, l, r):
        if l > r:
            return -sys.maxsize
        mid = (l + r) // 2
        left = self.helper(nums, l, mid - 1)
        right = self.helper(nums, mid + 1, r)
        left_suffix_max_sum = right_prefix_max_sum = 0
        sum = 0
        for i in reversed(range(l, mid)):
            sum += nums[i]
            left_suffix_max_sum = max(left_suffix_max_sum, sum)
        sum = 0
        for i in range(mid + 1, r + 1):
            sum += nums[i]
            right_prefix_max_sum = max(right_prefix_max_sum, sum)
        cross_max_sum = left_suffix_max_sum + right_prefix_max_sum + nums[mid]
        return max(cross_max_sum, left, right)

解法三 – 動態規劃

思路

我們來思考一下這個問題, 看能不能將其拆解為規模更小的同樣問題,並且能找出
遞推關係。

我們不妨假設問題 Q(list, i) 表示 list 中以索引 i 結尾的情況下最大子序列和,
那麼原問題就轉化為 Q(list, i), 其中 i = 0,1,2…n-1 中的最大值。

我們繼續來看下遞歸關係,即 Q(list, i)和 Q(list, i – 1)的關係,
即如何根據 Q(list, i – 1) 推導出 Q(list, i)。

如果已知 Q(list, i – 1), 我們可以將問題分為兩種情況,即以索引為 i 的元素終止,
或者只有一個索引為 i 的元素。

  • 如果以索引為 i 的元素終止, 那麼就是 Q(list, i – 1) + list[i]
  • 如果只有一個索引為 i 的元素,那麼就是 list[i]

分析到這裏,遞推關係就很明朗了,即Q(list, i) = Math.max(0, Q(list, i - 1)) + list[i]

舉例說明,如下圖:

這種算法的時間複雜度 O(N), 空間複雜度為 O(1)

代碼

Java:

class MaximumSubarrayDP {
  public int maxSubArray(int[] nums) {
     int currMaxSum = nums[0];
     int maxSum = nums[0];
     for (int i = 1; i < nums.length; i++) {
       currMaxSum = Math.max(currMaxSum + nums[i], nums[i]);
       maxSum = Math.max(maxSum, currMaxSum);
     }
     return maxSum;
  }
}

Python 3:

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        n = len(nums)
        max_sum_ending_curr_index = max_sum = nums[0]
        for i in range(1, n):
            max_sum_ending_curr_index = max(max_sum_ending_curr_index + nums[i], nums[i])
            max_sum = max(max_sum_ending_curr_index, max_sum)

        return max_sum

解法四 – 數學分析

思路

我們來通過數學分析來看一下這個題目。

我們定義函數 S(i) ,它的功能是計算以 0(包括 0)開始加到 i(包括 i)的值。

那麼 S(j) – S(i – 1) 就等於 從 i 開始(包括 i)加到 j(包括 j)的值。

我們進一步分析,實際上我們只需要遍歷一次計算出所有的 S(i), 其中 i 等於 0,1,2….,n-1。
然後我們再減去之前的 S(k),其中 k 等於 0,1,i – 1,中的最小值即可。 因此我們需要
用一個變量來維護這個最小值,還需要一個變量維護最大值。

這種算法的時間複雜度 O(N), 空間複雜度為 O(1)。

其實很多題目,都有這樣的思想, 比如之前的《每日一題 – 電梯問題》。

代碼

Java:

class MaxSumSubarray {
  public int maxSubArray3(int[] nums) {
      int maxSum = nums[0];
      int sum = 0;
      int minSum = 0;
      for (int num : nums) {
        // prefix Sum
        sum += num;
        // update maxSum
        maxSum = Math.max(maxSum, sum - minSum);
        // update minSum
        minSum = Math.min(minSum, sum);
      }
      return maxSum;
  }
}

Python 3:

class Solution:
    def maxSubArray(self, nums: List[int]) -> int:
        n = len(nums)
        maxSum = nums[0]
        minSum = sum = 0
        for i in range(n):
            sum += nums[i]
            maxSum = max(maxSum, sum - minSum)
            minSum = min(minSum, sum)

        return maxSum

總結

我們使用四種方法解決了《最大子序列和問題》,
並詳細分析了各個解法的思路以及複雜度,相信下次你碰到相同或者類似的問題
的時候也能夠發散思維,做到一題多解,多題一解

實際上,我們只是求出了最大的和,如果題目進一步要求出最大子序列和的子序列呢?
如果要題目允許不連續呢? 我們又該如何思考和變通?如何將數組改成二維,求解最大矩陣和怎麼計算?
這些問題留給讀者自己來思考。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※別再煩惱如何寫文案,掌握八大原則!

網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

※超省錢租車方案

※教你寫出一流的銷售文案?

網頁設計最專業,超強功能平台可客製化

C#構造函數 -0028

默認構造函數

聲明基本構造函數的語法就是聲明一個與類同名的方法,但該方法沒有返回類型:

public class MyClass
{
	public MyClass()
	{
	}
	// rest of class definition
}

如果沒有提供任何構造函數,編譯器會在後台生成一個默認的構造函數。默認的構造函數,只能把所有的成員字段初始化為標準的默認值。

但是,如果定義了帶參數的構造函數,編譯器就不會自動提取默認的構造函數。

private或protected構造函數

可以把構造函數定義為private或Protected,這樣就限制不相關的類不能訪問它。

比如定義private,

public class MyNumber
{
	private int _number;
	private MyNumber(int number) // another overload
	{
		_number = number;
	}
}

在外部代碼中,不能使用new關鍵字實例化MyNumber;但可以編寫一個公有靜態屬性或方法,以實例化該類,比如單例模式

public class Singleton
{
	private static Singleton _instance;
	private int _state;
	private Singleton(int state) => _state = state;
	public static Singleton Instance => _instance ?? (_instance = new Singleton(42));
}

構造函數中調用其他構造函數

class Car
{
	private string _description;
	private uint _nWheels;
	public Car(string description, uint nWheels)
	{
		_description = description;
		_nWheels = nWheels;
	}
	public Car(string description): this(description, 4)
	{
	}
	// ...
}

通過this關鍵字調用另一個構造函數,這種語法稱為構造函數初始化器。this關鍵字調用參數最匹配的那個構造函數。

注意,構造函數初始化器在構造函數的函數體之前執行。如:

var myCar = new Car("Proton Persona");

會先調用有兩個參數的構造函數,然後調用只有一個參數的構造函數。

靜態構造函數

C#可以給類定義無參數的靜態構造函數,這種構造函數只執行一次。

靜態構造函數只能訪問類的靜態成員,不能訪問類的實例成員。

靜態構造函數不能帶任何參數,一個類也只能有一個靜態構造函數。

在C#中,通常在第一次調用類的任何成員之前,執行靜態構造函數。

public enum Color
{
	White,
	Red,
	Green,
	Blue,
	Black
}

  

public static class UserPreferences
{
	public static Color BackColor { get; }
	static UserPreferences()
	{
		DateTime now = DateTime.Now;
		if (now.DayOfWeek == DayOfWeek.Saturday || now.DayOfWeek == DayOfWeek.Sunday)
		{
			BackColor = Color.Green;
		}
		else
		{
			BackColor = Color.Red;
		}
	}
}

  

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※教你寫出一流的銷售文案?

※廣告預算用在刀口上,台北網頁設計公司幫您達到更多曝光效益

※回頭車貨運收費標準

※別再煩惱如何寫文案,掌握八大原則!

※超省錢租車方案

※產品缺大量曝光嗎?你需要的是一流包裝設計!

深入理解JVM(③)低延遲的Shenandoah收集器

前言

Shenandoah作為第一款不由Oracle(包括一起的Sun)公司的虛擬機團隊所領導開發的HotSpot垃圾收集器。是只存在於OpenJDK當中的,最初由RedHat公司創建的,在2014年的時候貢獻給了OpenJDK。

與G1相比的優點

從代碼的歷史淵源上來看,Shenandoah收集器更像是G1的下一代繼承者,兩者相似的堆內存布局,在初始標記、併發標記等許多階段的處理思路都高度一致。
但是Shenandoah相比G1還是至少有三個明顯的不同之處。
1、支持併發的整理算法,G1的回收階段是可以多線程并行的,但卻不鞥呢與用戶線程併發。
2、Shenandoah是默認不使用分代收集的,不會有專門的新生代Region或者老年代Region的存在。
3、Shenandoah摒棄了在G1中耗費大量內存和計算資源去維護的記憶集,改用名為“連接矩陣”(Connection Matrix)的全局數據結果來記錄誇Region的引用關係降低了誇代維護的消耗。
Shenandoah收集器的跨代“連接矩陣”示意圖

連接矩陣可以簡單的理解為一張二維表格,如果Region N有對象指向Region M,就在表格的N行M列中打上一個標記,如上圖所示,如果Region 5中的對象Object C引用了Region 3 的Object B,Object B又引用了Region 1 的Object A,那麼連接矩陣就中就會在5行3列、3行1列中打上標記。在回收時通過這張表格就可以得出哪些Region 之間產生了跨代引用。

收集過程

Shenandoah收集器的工作過程大致可以劃分為以下九個階段:

  • 初始標記:與G1一樣,首先標記與GC Roots直接關聯的對象,這個階段仍是“Stop The World”的,但停頓時間與堆大小無關,至於GC Roots的數量相關。
  • 併發標記:與G1一樣,編輯對象圖,標記出全部可達的對象,與用戶線程一起併發,時間長短與堆中存活對象的數量以及對象圖的結構複雜程度有關。
  • 最終標記:與G1一樣,處理剩餘的SATB掃描,並在這個階段統計出回收價值最高的Region,將這些Region構成一組回收集。此階段也會有一小段短暫的停頓。
  • 併發清理:這個階段用於清理那些整個區域內連一個存活對象都沒有找到的Region。
  • 併發回收:這個階段是Shenandoah與之前HotSpot中其他收集器的核心差異。在這個階段,Shenandoah要把回收集裏面的存活對象先複製一份到其他未被使用的Region中。但是有個難點是在移動對象的同時,用戶線程仍然可能不停的對被移動的對象進行讀寫訪問,移動對象之後整個內存中所有指向該對象的引用都還是舊對象的地址,這是很難一瞬間全部改變過來的。對於這個難點,Shenandoah將會通過讀屏障和被稱為“Brooks Pointers”的轉髮指針來解決
    併發回收階段運行時間的長短取決於回收集的大小。
  • 初始引用更新:併發回收階段複製對象結束后,還需要把堆中所有指向舊對象的引用修正蛋糕複製后的新地址,這個操作稱為引用更新。這個階段就是對這個操作進行初始化的,初始引用更新時間很短,會產生一個非常短暫的停頓。
  • 併發引用更新:真正開始進行引用更新操作,這個階段是與用戶線程一起併發的,時間長短取決於內存中涉及的引用數量的多少。
  • 最終引用更新:解決了堆中的引用更新后,還要修正存在於GC Roots 中的引用。這個階段是Shenandoah的最後一次停頓,時間長短與GC Roots的數量有關。
  • 併發清理:經過併發回收和引用更新之後,整個回收集中所有的Region已再無存活對象,最後再調用一次併發清理過程來回收這些Region 的內存空間,供以後新對象分配使用。

這九個階段的工作過程可能拆的比較瑣碎,只要抓住其中三個最重要的併發節點(併發標記、併發回收、併發引用更新)就好理解Shenandoah的運作過程了。

轉髮指針(Brooks Pointer)

Shenandoah收集器的併發回收的核心是,轉髮指針。
轉髮指針的核心內容就是,在原有對象布局結構的最前面統一增加一個新的引用字段,在正常不處於併發移動的情況下,該引用指向對象自己。
如下圖:

轉髮指針加入后帶來的收益自然是當對象擁有了一份新的副本時,只需要修改一處指針的值,即舊對象上轉髮指針的引用位置,使其指向新對象,便可將所有對該對象的訪問轉發到新的副本上。這樣只要對象的內存仍然存在,未被清理掉,虛擬機內存中所有通過舊引用地址訪問的代碼仍然可用,都會被自動轉發到新對象上繼續工作。
如下圖:

Brooks Pointers 轉髮指針在設計上決定了它是必然會出現多線程競爭問題的。Shenandoah收集器是通過比較交換(Compare And Swap,CAS)操作來保證併發時堆中的訪問正確性的。

總結

1、Shenandoah收集器保證了收集垃圾的低延遲。
2、但是使用了過多的寫屏障,所以導致Shenandoah收集器的弱項很明顯,當數據量大的時候會產生高運行負擔而使得吞吐量下降。

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※超省錢租車方案

※別再煩惱如何寫文案,掌握八大原則!

※回頭車貨運收費標準

※教你寫出一流的銷售文案?

FB行銷專家,教你從零開始的技巧

砸錢不手軟,戴姆勒才是特斯拉頭號強敵?

  德國車廠戴姆勒(Daimler)豪擲110億美元,計劃在2020年打造電動車隊,出手之大無人出其右,儼然已成為特斯拉最可畏競爭者。   戴姆勒毫不避諱挑戰特斯拉,該公司九月宣布投資位在美國阿拉巴馬的廠房10億美元,計畫在2020年推出電動SUV,許多媒體認為這是在對特斯拉叫陣。   特斯拉執行長Elon Musk當時並不以為意,甚至推文嘲笑戴姆勒投資規模太小,金額後面少一個零,但沒想到戴姆勒隔一天即透過推特官方帳號宣布,研發下一代電動車經費加碼至100億美元以上,並外加至少10億美元開發電池產品。(BusinessInsider)   除此之外,戴姆勒今年三月還與太陽能面板安裝業者Vivint合作,在加州開展家用電池事業,似乎在模仿特斯拉打造以太陽能為基礎的電動車生態圈。   展望未來,中國可能是戴姆勒與特斯拉的最重要決戰場,因為中國是全球最大汽車市場,且未來準備禁賣汽/柴油車。特斯拉赴上海設廠計畫目前還在籌備階段,而戴姆勒七月已與北京汽車集團合資7.5億美元在中國建立電動車生產據點。   (本文內容由授權使用。首圖來源:public domain CC0)  

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理【其他文章推薦】

網頁設計一頭霧水該從何著手呢? 台北網頁設計公司幫您輕鬆架站!

網頁設計公司推薦不同的風格,搶佔消費者視覺第一線

※想知道購買電動車哪裡補助最多?台中電動車補助資訊懶人包彙整

南投搬家公司費用,距離,噸數怎麼算?達人教你簡易估價知識!

※教你寫出一流的銷售文案?

※超省錢租車方案

聚甘新