XCode gdb/lldb 调试命令

介绍了 Xcode 4.0 之后采用的 LLVM 编译器的优势,以及如何使用 lldb 控制台命令进行调试,包括设置断点、查看变量值、继续执行等常见操作。

XCode4.0以后,编译器换成了LLVM 编译器 2.0


与以前相比,更加强大:
1.LLVM 编译器是下一带开源的编译技术.完全支持C, Objective-C, 和 C++.
2.LLVM 速度比 GCC快两倍,建立的程序也会运行的更快. 因为它更好的利用现代的芯片的结构.
3.LLVM和Xcode 4完全的整合在一起.包括关键字高亮,代码完整性等全都是由LLVM语法分析器来分析的. 这样可以在编辑的时候就可以很好的了解你的代码.


编译器进化之后,控制台调试命令前缀,也由原来的gdb更改成了lldb,所以当你看到控制台没有gdb而出现lldb的时候,不用惊慌,因为我们以前常用的调试命令依然可以使用:

使用前提:

1.既然是调试命令,理所当然的,程序模式应该选择Debug模式。

2.在Debug模式下,如果你的程序在运行中崩溃(Crash)掉,那么恭喜你,使用lldb调试的机会来了。

符合以上两个条件之后,控制台(即日志输出窗口All Output)会自动打出一个(lldb)命令,你在其后输入bt,回车。

恭喜你,这时Xcode会自动输出最后的一次调用堆栈。如下:

[cpp]  view plain copy

thread #1: tid = 0x1f03, 0x0132edee CoreFoundation`___forwarding___ + 206, stop reason = EXC_BREAKPOINT (code=EXC_I386_BPT, subcode=0x0)  

    frame #0: 0x0132edee CoreFoundation`___forwarding___ + 206  

    frame #1: 0x0132ecb2 CoreFoundation`_CF_forwarding_prep_0 + 50  

    frame #2: 0x00002e60 testMVC`-[ViewCtrl2 touchesBegan:withEvent:] + 128 at ViewCtrl2.m:40  

    frame #3: 0x013c9e99 CoreFoundation`-[NSObject performSelector:withObject:withObject:] + 73  

    frame #4: 0x000ffc49 UIKit`forwardTouchMethod + 268  

    frame #5: 0x000ffb38 UIKit`-[UIResponder touchesBegan:withEvent:] + 30  

    frame #6: 0x0003a2cf UIKit`-[UIWindow _sendTouchesForEvent:] + 272  

    frame #7: 0x0003a5e6 UIKit`-[UIWindow sendEvent:] + 273  

    frame #8: 0x00020dc4 UIKit`-[UIApplication sendEvent:] + 464  

    frame #9: 0x00014634 UIKit`_UIApplicationHandleEvent + 8196  

    frame #10: 0x012b2ef5 GraphicsServices`PurpleEventCallback + 1274  

    frame #11: 0x0139c195 CoreFoundation`__CFRUNLOOP_IS_CALLING_OUT_TO_A_SOURCE1_PERFORM_FUNCTION__ + 53  

    frame #12: 0x01300ff2 CoreFoundation`__CFRunLoopDoSource1 + 146  

    frame #13: 0x012ff8da CoreFoundation`__CFRunLoopRun + 2218  

    frame #14: 0x012fed84 CoreFoundation`CFRunLoopRunSpecific + 212  

    frame #15: 0x012fec9b CoreFoundation`CFRunLoopRunInMode + 123  

    frame #16: 0x012b17d8 GraphicsServices`GSEventRunModal + 190  

    frame #17: 0x012b188a GraphicsServices`GSEventRun + 103  

    frame #18: 0x00012626 UIKit`UIApplicationMain + 1163  

    frame #19: 0x000026fa testMVC`main + 170 at main.m:16  

    frame #20: 0x00002645 testMVC`start + 53  


当然还有其他的命令(和gdb命令通用):
[cpp]  view plain copy

命令                        解释    

break NUM               在指定的行上设置断点。    

bt                      显示所有的调用栈帧。该命令可用来显示函数的调用顺序。    

clear                   删除设置在特定源文件、特定行上的断点。其用法为:clear FILENAME:NUM。    

continue                继续执行正在调试的程序。该命令用在程序由于处理信号或断点而导致停止运行时。    

display EXPR            每次程序停止后显示表达式的值。表达式由程序定义的变量组成。    

file FILE               装载指定的可执行文件进行调试。    

help NAME               显示指定命令的帮助信息。    

info break              显示当前断点清单,包括到达断点处的次数等。    

info files              显示被调试文件的详细信息。    

info func               显示所有的函数名称。    

info local              显示当函数中的局部变量信息。    

info prog               显示被调试程序的执行状态。    

info var                显示所有的全局和静态变量名称。    

kill                    终止正被调试的程序。    

list                    显示源代码段。    

make                    在不退出 gdb 的情况下运行 make 工具。    

next                    在不单步执行进入其他函数的情况下,向前执行一行源代码。    

print EXPR              显示表达式 EXPR 的值。     

print-object            打印一个对象    

print (int) name      打印一个类型    

print-object [artist description]   调用一个函数    

set artist = @"test"    设置变量值    

whatis                  查看变理的数据类型   

内容概要:本文系统研究了电力系统短期负荷预测问题,提出并实现了基于极限学习机(ELM)及其智能优化改进模型的预测方法。研究涵盖标准ELM、白鲸优化算法(BWO)优化ELM和鹭鹰优化算法(IBOA)优化ELM三种模型,重点通过智能优化算法对ELM的输入权重与偏置参数进行全局寻优,有效克服了传统ELM因参数随机初始化导致的不稳定性和泛化能力不足的问题。文章完整呈现了从数据预处理、特征选择、模型构建、参数优化到预测结果对比分析的全流程,利用Matlab编程实现各模型的仿真验证,显著提升了预测精度与模型鲁棒性,为电力系统调度决策提供了可靠的技术支撑。; 适合人群:具备电力系统基础知识、时间序列预测理论及Matlab编程能力的高校研究生、科研机构研究人员以及电力公司从事负荷预测、电网调度与规划工作的技术人员。; 使用场景及目标:①应用于实际电力系统短期负荷预测业务中,提升电网运行调度的精细化与智能化水平;②作为智能优化算法与神经网络融合的经典案例,服务于学术论文撰写、科研项目申报及算法性能对比研究;③应对新能源大规模接入背景下负荷波动加剧的挑战,为构建高精度、强鲁棒性的现代负荷预测体系提供解决方案。; 阅读建议:建议读者结合所提供的Matlab代码进行动手实践,深入理解ELM网络结构与优化算法的集成机制,重点对比分析不同优化策略在收敛速度、预测误差(如MAE、RMSE、MAPE)等方面的性能差异,进而掌握智能优化技术在提升预测模型性能方面的关键作用。
内容概要:本文研究了基于Benders分解与输电网运营商(TSO)和配电网运营商(DSO)协调机制的不确定环境下输配电网双层优化模型,旨在提升高比例可再生能源接入背景下电网系统的协调性与鲁棒性。模型上层以系统整体经济性为目标进行优化调度,下层采用Benders分解实现TSO与DSO之间的信息交互与协同决策,通过引入割平面迭代机制保障求解的收敛性与全局最优性。研究充分考虑新能源出力与负荷需求的不确定性,构建了具有强适应性的双层优化框架,并基于Matlab完成了模型的编程实现与仿真验证,有效解决了多主体、多层级、多不确定性因素耦合下的电力系统优化调度难题。; 适合人群:具备电力系统分析、运筹学与优化理论基础,熟悉Matlab编程环境,从事智能电网、能源互联网、分布式能源集成、电力市场等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①研究高渗透率可再生能源条件下输配电网协同优化调度策略;②掌握Benders分解在电力系统双层优化建模中的应用方法与实现技巧;③构建TSO-DSO多主体协调机制,实现跨层级电网资源的高效互动与决策解耦;④提升对不确定性建模、分解算法设计及大规模优化问题求解能力。; 阅读建议:建议读者结合Matlab代码逐模块剖析模型构建流程,重点理解Benders割的生成逻辑、主从问题的信息传递机制及收敛判据设定,推荐在标准IEEE测试系统上复现实验以深入掌握模型特性与算法性能。
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