bestfit演算法

⑴ 設內存的分配情況如表所示。若要申請一塊40KB位元組的內存空間，採用最佳適應演算法，則所得到的分區首址

最佳適應演算法（Best Fit）：
它從全部空閑區中找出能滿足作業要求的、且大小最小的空閑分區，這種方法能使碎片盡量小

所以正確答案顯然應該是 C 330KB

⑵ LiteOS內存管理：TLSF演算法

TLSF演算法主要是面向實時操作系統提出的，對於RTOS而言，執行時間的確定性是最根本的(吞吐量不一定高)，然而傳統的動態內存分配器(DMA, Dynamic Memory Allocator)存在兩個主要問題

TLSF的提出較好地解決了以上兩個問題: 將動態內存的分配與回收時間復雜度都降到了O(1)時間復雜度，並且採用了Good-fit的分配策略保證系統運行時不會產生過多碎片。

TLSF(全稱Two-Level Segregated Fit),從命名來看主要分為三部分

TLSF主要採用兩級點陣圖(Two-Level Bitmap)與分級空閑塊鏈表(Segregated Free List)的數據結構管理動態內存池(memory pool)以及其中的空閑塊(free blocks)，用Good-Fit的策略進行分配。下面我們先簡單介紹一下這三者。

還是採用拆分理解的方式，繼續把Segregated Free List拆開，探究其設計思路和發展演變過程

鏈表是內存管理中最常見的數據結構，在一塊內存塊頭部添加一個頭結點，記錄該block本身的信息以及前後繼block的關系。

其中最簡單的一種就是 隱式鏈表 ，鏈接 所有內存塊 , 只記錄內存塊大小，由於內存塊緊密相連，通過頭結點指針加內存塊大小即可得到下一個內存塊的位置。由於沒有顯式指明內存塊的地址，而是通過計算得到，所以又叫做隱式鏈表。

當需要分配內存時，需要從第一塊內存塊開始檢索，檢查該內存塊是否被分配以及內存塊大小是被滿足，直到找到大小合適的空閑塊分配出去。

上面提到的隱式鏈表和顯式鏈表主要問題在於當空閑塊個數為n時，檢索復雜度在O(n)級別，速度較慢，分級空閑塊鏈表優化了空閑塊檢索的復雜度，粗略計算大概降到O(log(n))級別。

分級空閑塊鏈表（Segregated Free List）的設計思想是將空閑塊按照大小分級，形成了不同塊大小范圍的分級(class)，組內空閑塊用鏈表鏈接起來。每次分配時先按分級大小范圍查找到相應鏈表，再從相應鏈表挨個檢索合適的空閑塊，如果找不到，就在大小范圍更大的一級查找，直到找到合適的塊分配出去。

上面我們介紹了分級空閑塊鏈表的原理，但是我們並沒有提及如何按照內存塊大小分級。TLSF演算法引入了點陣圖(Bitmap)來解決這個問題。

當分級空閑塊鏈表碰上點陣圖，動態內存管理結構變化稍微有些大，下面這張圖畫得還算清晰(能依稀看到分級空閑塊鏈表的影子就好:-P)。

TLSF採用了兩級點陣圖(Two-Level Bitmap)來管理不同大小范圍的空閑塊鏈(free block lists)。 上圖中包含三個虛線矩形框分別是:

有了TLSF的大體框架概念以後，就可以先看一下內存alloc與free的簡要流程。(細節下一節結合源碼探討)
內存分配流程

內存釋放流程

內存結構和分配釋放流程已經有了大致的了解，但是其中還有一個小問題並沒有說明：

常規思路是：找到能滿足內存請求大小的最小空閑塊,就會有下面的流程（以搜索大小為69位元組的空閑塊為例）

看起來Best-fit 已經很不錯了，但仍然還有提升空間。Best-fit策略最主要的問題還在於第三步，仍然需要檢索對應范圍的那一條空閑塊鏈表，存在潛在的時間復雜度。

Good-fit思路與Best-fit不同之處在於，Good-fit並不保證找到滿足需求的最小空閑塊，而是 盡可能接近 要分配的大小。

還以上述搜索大小為69位元組的空閑塊為例，Good-fit並不是找到[68 ~ 70]這一范圍，而是比這個范圍稍微大一點兒的范圍(例如[71 ~ 73])。這樣設計的好處就是[71 ~ 73]對應的空閑塊鏈中每一塊都能滿足需求，不需要檢索空閑塊鏈表找到最小的，而是直接取空閑塊鏈中第一塊即可。整體上還不會造成太多碎片。

這一節我們扒一扒LiteOS的源碼，分析其中的數據結構和內存布局。

空閑塊和使用塊復用同一數據結構,但在使用時並非所有欄位都使用。

主要參考下面這兩篇博客，從安裝eclipe、配置到項目編譯運行，挺完整的,Mac下也沒什麼問題，就是eclipse有點卡-_- !
Windows10如何安裝LiteOS開發環境（一）
Windows10如何安裝LiteOS開發環境（二）
提個醒：

⑶ 最佳適應演算法

最佳適應演算法：

1、最佳適應演算法（Best Fit）：它從全部空閑區中找出能滿足作業要求的、且大小最小的空閑分區，這種方法能使碎片盡量小。為適應此演算法，空閑分區表（空閑區鏈）中的空閑分區要按大小從小到大進行排序，自表頭開始查找到第一個滿足要求的自由分區分配。

該演算法保留大的空閑區，但造成許多小的空閑區。

2、首次適應演算法（First Fit）：從空閑分區表的第一個表目起查找該表，把最先能夠滿足要求的空閑區分配給作業，這種方法目的在於減少查找時間。為適應這種演算法，空閑分區表（空閑區鏈）中的空閑分區要按地址由低到高進行排序。

該演算法優先使用低址部分空閑區，在低址空間造成許多小的空閑區，在高地址空間保留大的空閑區。

3、循環首次適應演算法(Next Fit)：該演算法是首次適應演算法的變種。在分配內存空間時，不再每次從表頭（鏈首）開始查找，而是從上次找到空閑區的下一個空閑開始查找，直到找到第一個能滿足要求的的空閑區為止，並從中劃出一塊與請求大小相等的內存空間分配給作業。

該演算法能使內存中的空閑區分布得較均勻。

⑷ best-fit什麼意思及同義詞

best-fit英 ['bestf'ɪt] 美 ['bestf'ɪt]

[釋義][計] 最佳適合，最優滿足;

[網路]最優滿足; 最佳擬合; 最佳適合;

[例句]This algorithm tends to be a bit more time efficient but can waste
memory e to the best-fit approach.

這個演算法的時間效率更高，但是由於使用best-fit方法的緣故，會產生內存浪費。

只有大致相同的詞：best for

⑸ 動態分區分配的演算法有哪些

動態分區分配演算法：
1.首次適應演算法（FF/first fit）
2.循環首次適應演算法（next fit）
3.最佳適應演算法（best fit）
從最小的分區開始分配
4.最壞適應演算法（worst fit）
從最大的分區開始分配
5.快速適應演算法/分類搜索法(quick fit)
將空閑分區根據其容量的大小進行分類

⑹ 遺傳演算法

遺傳演算法實例:

也是自己找來的，原代碼有少許錯誤，本人都已更正了，調試運行都通過了的。
對於初學者，尤其是還沒有編程經驗的非常有用的一個文件
遺傳演算法實例

% 下面舉例說明遺傳演算法 %
% 求下列函數的最大值 %
% f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] %
% 將 x 的值用一個10位的二值形式表示為二值問題，一個10位的二值數提供的解析度是每為 (10-0)/(2^10-1)≈0.01 。 %
% 將變數域 [0,10] 離散化為二值域 [0,1023], x=0+10*b/1023, 其中 b 是 [0,1023] 中的一個二值數。 %
% %
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%

% 編程
%-----------------------------------------------
% 2.1初始化(編碼)
% initpop.m函數的功能是實現群體的初始化，popsize表示群體的大小，chromlength表示染色體的長度(二值數的長度)，
% 長度大小取決於變數的二進制編碼的長度(在本例中取10位)。
%遺傳演算法子程序
%Name: initpop.m
%初始化
function pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength)); % rand隨機產生每個單元為 {0,1} 行數為popsize，列數為chromlength的矩陣，
% roud對矩陣的每個單元進行圓整。這樣產生的初始種群。

% 2.2 計算目標函數值
% 2.2.1 將二進制數轉化為十進制數(1)
%遺傳演算法子程序
%Name: decodebinary.m
%產生 [2^n 2^(n-1) ... 1] 的行向量，然後求和，將二進制轉化為十進制
function pop2=decodebinary(pop)
[px,py]=size(pop); %求pop行和列數
for i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2); %求pop1的每行之和

% 2.2.2 將二進制編碼轉化為十進制數(2)
% decodechrom.m函數的功能是將染色體(或二進制編碼)轉換為十進制，參數spoint表示待解碼的二進制串的起始位置
% (對於多個變數而言，如有兩個變數，採用20為表示，每個變數10為，則第一個變數從1開始，另一個變數從11開始。本例為1)，
% 參數1ength表示所截取的長度（本例為10）。
%遺傳演算法子程序
%Name: decodechrom.m
%將二進制編碼轉換成十進制
function pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);

% 2.2.3 計算目標函數值
% calobjvalue.m函數的功能是實現目標函數的計算，其公式採用本文示例模擬，可根據不同優化問題予以修改。
%遺傳演算法子程序
%Name: calobjvalue.m
%實現目標函數的計算
function [objvalue]=calobjvalue(pop)
temp1=decodechrom(pop,1,10); %將pop每行轉化成十進制數
x=temp1*10/1023; %將二值域 中的數轉化為變數域 的數
objvalue=10*sin(5*x)+7*cos(4*x); %計算目標函數值

% 2.3 計算個體的適應值
%遺傳演算法子程序
%Name:calfitvalue.m
%計算個體的適應值
function fitvalue=calfitvalue(objvalue)
global Cmin;
Cmin=0;
[px,py]=size(objvalue);
for i=1:px
if objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';

% 2.4 選擇復制
% 選擇或復制操作是決定哪些個體可以進入下一代。程序中採用賭輪盤選擇法選擇，這種方法較易實現。
% 根據方程 pi=fi/∑fi=fi/fsum ，選擇步驟：
% 1） 在第 t 代，由（1）式計算 fsum 和 pi
% 2） 產生 {0,1} 的隨機數 rand( .)，求 s=rand( .)*fsum
% 3） 求 ∑fi≥s 中最小的 k ，則第 k 個個體被選中
% 4） 進行 N 次2）、3）操作，得到 N 個個體，成為第 t=t+1 代種群
%遺傳演算法子程序
%Name: selection.m
%選擇復制
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求適應值之和
fitvalue=fitvalue/totalfit; %單個個體被選擇的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，則 cumsum(fitvalue)=[1 3 6 10]
[px,py]=size(pop);
ms=sort(rand(px,1)); %從小到大排列
fitin=1;
newin=1;
while newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end

% 2.5 交叉
% 交叉(crossover)，群體中的每個個體之間都以一定的概率 pc 交叉，即兩個個體從各自字元串的某一位置
% （一般是隨機確定）開始互相交換，這類似生物進化過程中的基因分裂與重組。例如，假設2個父代個體x1，x2為：
% x1=0100110
% x2=1010001
% 從每個個體的第3位開始交叉，交又後得到2個新的子代個體y1，y2分別為：
% y1＝0100001
% y2＝1010110
% 這樣2個子代個體就分別具有了2個父代個體的某些特徵。利用交又我們有可能由父代個體在子代組合成具有更高適合度的個體。
% 事實上交又是遺傳演算法區別於其它傳統優化方法的主要特點之一。
%遺傳演算法子程序
%Name: crossover.m
%交叉
function [newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end

% 2.6 變異
% 變異(mutation)，基因的突變普遍存在於生物的進化過程中。變異是指父代中的每個個體的每一位都以概率 pm 翻轉，即由「1」變為「0」，
% 或由「0」變為「1」。遺傳演算法的變異特性可以使求解過程隨機地搜索到解可能存在的整個空間，因此可以在一定程度上求得全局最優解。
%遺傳演算法子程序
%Name: mutation.m
%變異
function [newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:px
if(rand<pm)
mpoint=round(rand*py);
if mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end

% 2.7 求出群體中最大得適應值及其個體
%遺傳演算法子程序
%Name: best.m
%求出群體中適應值最大的值
function [bestindivial,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindivial=pop(1,:);
bestfit=fitvalue(1);
for i=2:px
if fitvalue(i)>bestfit
bestindivial=pop(i,:);
bestfit=fitvalue(i);
end
end

% 2.8 主程序
%遺傳演算法主程序
%Name:genmain05.m
clear
clf
popsize=20; %群體大小
chromlength=10; %字元串長度（個體長度）
pc=0.6; %交叉概率
pm=0.001; %變異概率

pop=initpop(popsize,chromlength); %隨機產生初始群體
for i=1:20 %20為迭代次數
[objvalue]=calobjvalue(pop); %計算目標函數
fitvalue=calfitvalue(objvalue); %計算群體中每個個體的適應度
[newpop]=selection(pop,fitvalue); %復制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pc); %變異
[bestindivial,bestfit]=best(pop,fitvalue); %求出群體中適應值最大的個體及其適應值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindivial;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end

fplot('10*sin(5*x)+7*cos(4*x)',[0 10])
hold on
plot(x,y,'r*')
hold off

[z index]=max(y); %計算最大值及其位置
x5=x(index)%計算最大值對應的x值
y=z

【問題】求f(x)=x 10*sin(5x) 7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x 10*sin(5*x) 7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下
initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遺傳迭代
運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)
註：遺傳演算法一般用來取得近似最優解，而不是最優解。
遺傳演算法實例2
【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2 x2.^2)))-exp(0.5*(cos(2*pi*x1) cos(2*pi*x2))) 22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv) 22.71282;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055
大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x 10*sin(5*x) 7*cos(4*x)',[0,9])
evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。

【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下
initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遺傳迭代
運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)
註：遺傳演算法一般用來取得近似最優解，而不是最優解。
遺傳演算法實例2
【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055
大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。
打字不易，如滿意，望採納。