操作系统【OS】Ch2 大题 PV题型分类

2023-10-23 23:52

本文主要是介绍操作系统【OS】Ch2 大题 PV题型分类,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

  • 生产者-消费者问题:生产资源-消费资源
  • 理发师问题:服务-被服务
  • 读者-写者问题:同类进程不互斥、异类进程互斥
  • 哲学家进餐问题:只有一类进程,每个进程需要同时拥有多种资源才能运行
  • 单纯的同步问题:前驱后继图

生产者-消费者问题

  • 有几类进程?
    • 每类进程对应一个函数
  • 在每个函数内部,用中文描述进程动作
    • 只做一次:不加whlie
    • 不断重复:加while(1)
  • 分析每一动作之前是否需要p什么?
    • ⚠️隐含的互斥(eg 缓冲区的访问,需要加:P(mutex))
  • 只要有P必定有V,每写一个P,就要安排V
  • 所有PV写完之后,再去定义信号量(semaphore)
  • 定义完之后思考每个信号量的初值是多少
  • 检查多个P连续出现的地方是否可能产生死锁
    • ⚠️可以尝试调整P顺序
    • 若某个信号量PV操作总连续出现,中间没有夹其他P,则不可能因信号量产生死锁
  • 读题检查,是否满足题目要求

哲学家进餐问题

无脑让进程一口气取得所有的资源,再开始运行

- 定义大锁:`Semophore Lock = 1; //互斥信号量`

- 定义资源数:

```

//eg:有a、b、c三类资源,分别有9个、8个、5个,则:

int a = 9; // 表示a的剩余数量

int b = 8; // 表示b的剩余数量

int c = 5; // 表示c的剩余数量

```

 

- 代码模版:

```

Process(){

    while(1){

        P(Lock);

        if(所有资源都够){

            所有资源的int值减少; //题目回告知每类资源需要多少个。

            取xxx资源; //一口气拿走所有的资源。

            V(Lock); //拿完资源解锁

            break; //跳出while循环

        }

        V(Lock); //资源不够,解锁,再循环尝试一次

    }

    做进程该做的事情(例如:哲学家干饭)// 用中文说明即可。

    P(Lock);

    归还所有资源,所有资源的int值增加。

    V(Lock);

}

```

读者-写者问题

题目没有要求避免饥饿的话,用最简单的方法(读优先)可以得满分

- 读者优先:

```

semaphore lock = 1; // 用于实现对共享文件的互斥访问

int count = 0; //记录当前有几个读进程在访问文件

semaphore mutex = 1; //用于保证对count变量的互斥访问

 

writer(){

    while(1){

        P(lock); // 写之前上锁

        write;

        V(lock); // 写完了解锁

    }

}

 

reader(){

    while(1){

        P(mutex); //各个进程互斥访问count

        if(count == 0) P(lock); //第一个读者,读之前帮他的兄弟们上锁

        count ++; //访问文件的读进程数+1

        V(mutex);

       

        read;

       

        P(mutex); //各个进程互斥访问count

        count—-; //访问文件的读进程数-1

        if(count == 0) V(lock); //最后一个读进程负责解锁

        V(mutex);

    }

}

```

这篇关于操作系统【OS】Ch2 大题 PV题型分类的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/271298

相关文章

基于人工智能的图像分类系统

目录 引言项目背景环境准备 硬件要求软件安装与配置系统设计 系统架构关键技术代码示例 数据预处理模型训练模型预测应用场景结论 1. 引言 图像分类是计算机视觉中的一个重要任务,目标是自动识别图像中的对象类别。通过卷积神经网络(CNN)等深度学习技术,我们可以构建高效的图像分类系统,广泛应用于自动驾驶、医疗影像诊断、监控分析等领域。本文将介绍如何构建一个基于人工智能的图像分类系统,包括环境

认识、理解、分类——acm之搜索

普通搜索方法有两种:1、广度优先搜索;2、深度优先搜索; 更多搜索方法: 3、双向广度优先搜索; 4、启发式搜索(包括A*算法等); 搜索通常会用到的知识点:状态压缩(位压缩,利用hash思想压缩)。

Linux操作系统 初识

在认识操作系统之前,我们首先来了解一下计算机的发展: 计算机的发展 世界上第一台计算机名叫埃尼阿克,诞生在1945年2月14日,用于军事用途。 后来因为计算机的优势和潜力巨大,计算机开始飞速发展,并产生了一个当时一直有效的定律:摩尔定律--当价格不变时,集成电路上可容纳的元器件的数目,约每隔18-24个月便会增加一倍,性能也将提升一倍。 那么相应的,计算机就会变得越来越快,越来越小型化。

两个月冲刺软考——访问位与修改位的题型(淘汰哪一页);内聚的类型;关于码制的知识点;地址映射的相关内容

1.访问位与修改位的题型(淘汰哪一页) 访问位:为1时表示在内存期间被访问过,为0时表示未被访问;修改位:为1时表示该页面自从被装入内存后被修改过,为0时表示未修改过。 置换页面时,最先置换访问位和修改位为00的,其次是01(没被访问但被修改过)的,之后是10(被访问了但没被修改过),最后是11。 2.内聚的类型 功能内聚:完成一个单一功能,各个部分协同工作,缺一不可。 顺序内聚:

用Pytho解决分类问题_DBSCAN聚类算法模板

一:DBSCAN聚类算法的介绍 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一种基于密度的聚类算法,DBSCAN算法的核心思想是将具有足够高密度的区域划分为簇,并能够在具有噪声的空间数据库中发现任意形状的簇。 DBSCAN算法的主要特点包括: 1. 基于密度的聚类:DBSCAN算法通过识别被低密

PMP–一、二、三模–分类–14.敏捷–技巧–看板面板与燃尽图燃起图

文章目录 技巧一模14.敏捷--方法--看板(类似卡片)1、 [单选] 根据项目的特点,项目经理建议选择一种敏捷方法,该方法限制团队成员在任何给定时间执行的任务数。此方法还允许团队提高工作过程中问题和瓶颈的可见性。项目经理建议采用以下哪种方法? 易错14.敏捷--精益、敏捷、看板(类似卡片)--敏捷、精益和看板方法共同的重点在于交付价值、尊重人、减少浪费、透明化、适应变更以及持续改善等方面。

【python计算机视觉编程——8.图像内容分类】

python计算机视觉编程——8.图像内容分类 8.图像内容分类8.1 K邻近分类法(KNN)8.1.1 一个简单的二维示例8.1.2 用稠密SIFT作为图像特征8.1.3 图像分类:手势识别 8.2贝叶斯分类器用PCA降维 8.3 支持向量机8.3.2 再论手势识别 8.4 光学字符识别8.4.2 选取特征8.4.3 多类支持向量机8.4.4 提取单元格并识别字符8.4.5 图像校正

Caused by: android.view.WindowManager$BadTokenException: Unable to add window -- token android.os.B

一个bug日志 FATAL EXCEPTION: main03-25 14:24:07.724: E/AndroidRuntime(4135): java.lang.RuntimeException: Unable to start activity ComponentInfo{com.syyx.jingubang.ky/com.anguotech.android.activity.Init

PMP–一、二、三模–分类–14.敏捷–技巧–原型MVP

文章目录 技巧一模14.敏捷--原型法--项目生命周期--迭代型生命周期,通过连续的原型或概念验证来改进产品或成果。每个新的原型都能带来新的干系人新的反馈和团队见解。题目中明确提到需要反馈,因此原型法比较好用。23、 [单选] 一个敏捷团队的任务是开发一款机器人。项目经理希望确保在机器人被实际建造之前,团队能够收到关于需求的早期反馈并相应地调整设计。项目经理应该使用以下哪一项来实现这个目标?

基于深度学习 卷积神经网络resnext50的中医舌苔分类系统

项目概述 本项目旨在通过深度学习技术,特别是利用卷积神经网络(Convolutional Neural Networks, CNNs)中的ResNeXt50架构,实现对中医舌象图像的自动分类。该系统不仅能够识别不同的舌苔类型,还能够在PyQt5框架下提供一个直观的图形用户界面(GUI),使得医生或患者能够方便地上传舌象照片并获取分析结果。 技术栈 深度学习框架:采用PyTorch或其他