feat: 增加进程基本部分

subjects/major/图论常见算法.md

@@ -1,221 +0,0 @@
-## 图论常见算法
-
-### Dijkstra算法
-用于求解单个源最短路问题：
-
-1. 初始化：将所有顶点的距离设为正无穷，源顶点设为0；
-2. 迭代：从源顶点出发，遍历所有边，更新顶点的距离；
-3. 检验：检查是否存在负权重环，如果有则返回错误；
-4. 返回：返回所有顶点的距离。
-
-
-
-### Bellman-Ford算法
-
-#### 数学公式
-
-对于图 $G=(V,E)$，Bellman-Ford算法通过迭代松弛更新每个顶点的最短路径估计：
-
-$$d(v) = \min\{d(u) + w(u,v) | (u,v) \in E\}$$
-
-其中：
-- $d(v)$ 是从源顶点到顶点 $v$ 的最短路径估计
-- $w(u,v)$ 是边 $(u,v)$ 的权重
-- 迭代次数最多为 $|V|-1$ 次
-
-#### Python实现
-
-```python
-def bellman_ford(graph, source):
-    """
-    Bellman-Ford算法求单源最短路径
-    
-    参数:
-        graph: 邻接表表示的图，格式 {u: [(v, w), ...]}
-        source: 源顶点
-    
-    返回:
-        distances: 各顶点到源顶点的最短距离
-    """
-    # 初始化距离
-    distances = {v: float('inf') for v in graph}
-    distances[source] = 0
-    
-    # 获取所有顶点
-    vertices = list(graph.keys())
-    
-    # 最多进行 |V|-1 次迭代
-    for _ in range(len(vertices) - 1):
-        # 对每条边进行松弛操作
-        for u in graph:
-            for v, w in graph[u]:
-                if distances[u] != float('inf') and distances[u] + w < distances[v]:
-                    distances[v] = distances[u] + w
-    
-    # 检测负权重环
-    for u in graph:
-        for v, w in graph[u]:
-            if distances[u] != float('inf') and distances[u] + w < distances[v]:
-                raise ValueError("图中存在负权重环")
-    
-    return distances
-
-
-# 示例使用
-if __name__ == "__main__":
-    # 构建图 (邻接表)
-    graph = {
-        'A': [('B', 4), ('C', 2)],
-        'B': [('C', 3), ('D', 2), ('E', 3)],
-        'C': [('B', 1), ('D', 4)],
-        'D': [('E', -5)],  # 负权重边
-        'E': []
-    }
-    
-    try:
-        distances = bellman_ford(graph, 'A')
-        print("Bellman-Ford 结果:", distances)
-    except ValueError as e:
-        print(e)
-```
-
----
-
-## 常用算法Python实现
-
-### 1. Dijkstra算法
-
-#### 数学公式
-
-Dijkstra算法维护一个优先队列，每次选取具有最小距离估计的顶点：
-
-$$d(v) = \min_{u \in S} \{ d(u) + w(u,v) \}$$
-
-其中 $S$ 是已确定最短路径的顶点集合。
-
-#### Python实现
-
-```python
-import heapq
-
-def dijkstra(graph, source):
-    """
-    Dijkstra算法求单源最短路径
-    
-    参数:
-        graph: 邻接表表示的图，格式 {u: [(v, w), ...]}
-        source: 源顶点
-    
-    返回:
-        distances: 各顶点到源顶点的最短距离
-    """
-    # 初始化距离
-    distances = {v: float('inf') for v in graph}
-    distances[source] = 0
-    
-    # 优先队列: (距离, 顶点)
-    pq = [(0, source)]
-    visited = set()
-    
-    while pq:
-        # 取出最小距离的顶点
-        current_dist, u = heapq.heappop(pq)
-        
-        # 如果已访问则跳过
-        if u in visited:
-            continue
-        visited.add(u)
-        
-        # 更新邻接顶点的距离
-        for v, w in graph.get(u, []):
-            if v not in visited and current_dist + w < distances[v]:
-                distances[v] = current_dist + w
-                heapq.heappush(pq, (distances[v], v))
-    
-    return distances
-
-
-# 示例使用
-if __name__ == "__main__":
-    # 构建图 (邻接表)
-    graph = {
-        'A': [('B', 4), ('C', 2)],
-        'B': [('C', 3), ('D', 2), ('E', 3)],
-        'C': [('B', 1), ('D', 4)],
-        'D': [('E', 5)],
-        'E': []
-    }
-    
-    distances = dijkstra(graph, 'A')
-    print("Dijkstra 结果:", distances)
-    # 输出: {'A': 0, 'B': 3, 'C': 2, 'D': 5, 'E': 8}
-```
-
-### 2. Bellman-Ford算法
-
-#### 数学公式
-
-对于图 $G=(V,E)$，Bellman-Ford算法通过迭代松弛更新每个顶点的最短路径估计：
-
-$$d(v) = \min\{d(u) + w(u,v) | (u,v) \in E\}$$
-
-其中：
-- $d(v)$ 是从源顶点到顶点 $v$ 的最短路径估计
-- $w(u,v)$ 是边 $(u,v)$ 的权重
-- 迭代次数最多为 $|V|-1$ 次
-
-#### Python实现
-
-```python
-def bellman_ford(graph, source):
-    """
-    Bellman-Ford算法求单源最短路径
-    
-    参数:
-        graph: 邻接表表示的图，格式 {u: [(v, w), ...]}
-        source: 源顶点
-    
-    返回:
-        distances: 各顶点到源顶点的最短距离
-    """
-    # 初始化距离
-    distances = {v: float('inf') for v in graph}
-    distances[source] = 0
-    
-    # 获取所有顶点
-    vertices = list(graph.keys())
-    
-    # 最多进行 |V|-1 次迭代
-    for _ in range(len(vertices) - 1):
-        # 对每条边进行松弛操作
-        for u in graph:
-            for v, w in graph[u]:
-                if distances[u] != float('inf') and distances[u] + w < distances[v]:
-                    distances[v] = distances[u] + w
-    
-    # 检测负权重环
-    for u in graph:
-        for v, w in graph[u]:
-            if distances[u] != float('inf') and distances[u] + w < distances[v]:
-                raise ValueError("图中存在负权重环")
-    
-    return distances
-
-
-# 示例使用
-if __name__ == "__main__":
-    # 构建图 (邻接表)
-    graph = {
-        'A': [('B', 4), ('C', 2)],
-        'B': [('C', 3), ('D', 2), ('E', 3)],
-        'C': [('B', 1), ('D', 4)],
-        'D': [('E', -5)],  # 负权重边
-        'E': []
-    }
-    
-    try:
-        distances = bellman_ford(graph, 'A')
-        print("Bellman-Ford 结果:", distances)
-    except ValueError as e:
-        print(e)
-```

subjects/os/01_进程管理.md

@@ -0,0 +1,188 @@
+# 进程管理
+
+## 1. 进程的组成
+
+**进程（Process）** 是程序在一个数据集合上的一次执行过程，是系统进行资源分配和调度的基本单位。
+
+进程的组成包括：
+
+- **程序代码**：描述进程所要完成的功能
+- **数据集**：程序在执行时所需要的数据和工作区
+- **进程控制块（PCB）**：**进程存在的唯一标志**，包含以下信息：
+  - 进程标识符（PID）
+  - 进程状态
+  - 进程优先级
+  - CPU现场保护区（寄存器、程序计数器等）
+  - 内存管理信息（页表/段表指针）
+  - I/O状态信息
+  - 记账信息
+  - 调度信息
+
+## 2. 进程内存映像
+
+进程的内存空间布局（内存映像）从低地址到高地址依次为：
+
+| 区域 | 说明 |
+|------|------|
+| **代码段（Text）** | 存放可执行代码，通常只读 |
+| **数据段（Data）** | 存放已初始化的全局变量和静态变量 |
+| **BSS段** | 存放未初始化的全局变量和静态变量（初始化为0） |
+| **堆（Heap）** | 动态分配内存，向上增长 |
+| **共享库** | 共享代码和数据 |
+| **栈（Stack）** | 存放函数调用、局部变量，向下增长 |
+| **环境/命令行参数** | 环境变量和命令行参数 |
+
+## 3. 进程状态和转换
+
+### 三状态模型
+
+```mermaid
+stateDiagram-v2
+    [*] --> 就绪: 创建
+    就绪 --> 运行: 调度
+    运行 --> 就绪: 时间片用完
+    运行 --> 阻塞: 等待事件
+    阻塞 --> 就绪: 事件完成
+    运行 --> [*]: 终止
+```
+
+- **创建态（New）**：进程正在被创建
+- **就绪态（Ready）**：已获得除CPU外的所有资源，等待CPU
+- **运行态（Running）**：正在CPU上执行
+- **阻塞态（Blocked/Waiting）**：因等待I/O或其他资源而暂停
+- **终止态（Terminated）**：进程执行完毕
+
+### 五状态模型
+
+```mermaid
+stateDiagram-v2
+    [*] --> 创建: 新建进程
+    创建 --> 就绪: 初始化完成
+    就绪 --> 运行: 调度
+    运行 --> 就绪: 时间片用完
+    运行 --> 阻塞: 等待事件
+    阻塞 --> 就绪: 事件完成
+    运行 --> 终止: 退出
+    终止 --> [*]: 释放资源
+```
+
+在基本三状态基础上增加：
+- **创建态**：分配PCB，初始化资源
+- **终止态**：释放资源，保留PCB
+
+### 七状态模型
+
+```mermaid
+stateDiagram-v2
+    [*] --> 创建: 新建进程
+    创建 --> 就绪挂起: 创建完成
+    创建 --> 就绪: 直接调入内存
+    
+    就绪挂起 --> 就绪: 激活
+    就绪 --> 就绪挂起: 挂起
+    
+    就绪 --> 运行: 调度
+    运行 --> 就绪: 时间片用完
+    运行 --> 阻塞: 等待事件
+    阻塞 --> 就绪: 事件完成
+    
+    阻塞 --> 阻塞挂起: 挂起
+    阻塞挂起 --> 阻塞: 激活
+    
+    运行 --> 终止: 退出
+    终止 --> [*]: 释放资源
+```
+
+在五状态基础上增加挂起状态：
+- **就绪挂起**：在外存，准备调入内存
+- **阻塞挂起**：在外存，等待事件完成
+
+## 4. 进程的通信
+
+进程间通信（IPC，Inter-Process Communication）主要有以下方式：
+
+### 4.1 高级通信方式
+
+| 方式 | 说明 |
+|------|------|
+| **管道（Pipe）** | 半双工，用于父子/兄弟进程间通信 |
+| **命名管道（FIFO）** | 无亲缘关系的进程也可通信 |
+| **消息队列** | 消息链表，按类型优先級排队 |
+| **共享内存** | 多个进程共享同一块内存区域（最快） |
+| **信号量** | 计数器，用于进程同步 |
+| **套接字（Socket）** | 可用于不同主机间进程通信 |
+
+### 4.2 低级通信方式
+
+- **信号（Signal）**：异步通知机制
+
+### 4.3 通信机制比较
+
+| 机制 | 效率 | 适用场景 |
+|------|------|----------|
+| 共享内存 | 最高 | 频繁数据交换 |
+| 管道/消息队列 | 中等 | 少量数据、顺序访问 |
+| 信号量 | 快 | 同步控制 |
+
+## 5. 线程与多线程模型
+
+### 5.1 线程的概念
+
+**线程（Thread）** 是CPU调度的基本单位，是进程中的一个执行流。同一个进程中的线程共享进程的地址空间和资源。
+
+### 5.2 线程与进程的区别
+
+| 特征 | 进程 | 线程 |
+|------|------|------|
+| 资源拥有 | 独立资源 | 共享进程资源 |
+| 调度单位 | 进程 | 线程 |
+| 地址空间 | 独立地址空间 | 共享地址空间 |
+| 开销 | 大（创建/切换开销大） | 小（轻量级） |
+| 通信 | 需要IPC | 直接读写共享数据 |
+| 独立性 | 独立 | 依赖进程 |
+
+### 5.3 线程的组成
+
+每个线程拥有：
+- **线程ID**
+- **程序计数器（PC）**
+- **寄存器集合**
+- **栈**
+
+线程共享：
+- **代码段、数据段**
+- **堆**
+- **文件描述符**
+- **信号处理器**
+- **当前工作目录**
+- **用户ID/组ID**
+
+### 5.4 多线程模型
+
+| 模型 | 说明 | 优点 | 缺点 |
+|------|------|------|------|
+| **多对一** | 多个用户线程映射到一个内核线程 | 效率高 | 一个线程阻塞导致整个进程阻塞 |
+| **一对一** | 每个用户线程映射到一个内核线程 | 并发性好 | 线程创建开销大，受限内核线程数 |
+| **多对多** | 多个用户线程映射到多个内核线程 | 综合两者优点 | 实现复杂 |
+
+### 5.5 线程的状态
+
+线程状态与进程类似：
+- **就绪**：已准备好运行
+- **运行**：正在CPU执行
+- **阻塞**：等待资源或事件
+- **终止**：执行完毕
+
+### 5.6 线程的实现方式
+
+1. **用户线程（User Thread）**：内核不知道线程存在，线程库管理
+2. **内核线程（Kernel Thread）**：OS直接支持，内核管理
+3. **轻量级进程（LWP）**：一对一模型中的中间层
+
+---
+
+> **核心要点**：
+> - PCB是进程存在的唯一标志
+> - 进程是资源分配单位，线程是CPU调度单位
+> - 线程共享进程资源，创建/切换开销小
+> - 进程通信需要IPC，线程间可直接通信