shell脚本让进程在后台运行以及进程后台转前台

我们计算的程序都是周期很长的，通常要几个小时甚至一个星期。我们用的环境是用 putty 远程连接到日本 Linux 服务器。所以使程序在后台跑有以下三个好处：

1：我们这边是否关机不影响日本那边的程序运行。（不会像以前那样，我们这网络一断开，或一关机，程序就断掉或找不到数据，跑了几天的程序只能重头再来，很是烦恼）

2：不影响计算效率

3：让程序在后台跑后，不会占据终端，我们可以用终端做别的事情。

方法有很多，这里主要列举两种。假如我们有程序 psocpp ,通过编译后产生可执行文件 pso ，我们要使 pso 在 linux 服务器后台执行。当客户端关机后重新登入服务器后继续查看本来在终端输出的运行结果。（假设 *** 作都在当前目录下）

方法1在终端输入命令：

解释：将 pso 直接放在后台运行，并把终端输出存放在当前目录下的 logfile 文件中。

当客户端关机后重新登陆服务器后，直接查看 psofile 文件就可看执行结果（命令：$ cat psofile ）。

方法2在终端输入命令：

解释： nohup 就是不挂起的意思，将 pso 直接放在后台运行，并把终端输出存放在当前

目录下的 psofile 文件中。当客户端关机后重新登陆服务器后，直接查看 psofile

文件就可看执行结果（命令： #cat psofile ）。

注：如果要使在前天执行任务放到后台运行，则先要用 ctrl+z 挂起该任务，然后用 bg 使之后台执行。

附：

在 Linux 中，如果要让进程在后台运行，一般情况下，我们在命令后面加上 & 即可，实际上，这样是将命令放入到一个作业队列中了：

对于已经在前台执行的命令，也可以重新放到后台执行，首先按 ctrl+z 暂停已经运行的进程，然后使用 bg 命令将停止的作业放到后台运行：

但是如上方到后台执行的进程，其父进程还是当前终端 shell 的进程，而一旦父进程退出，则会发送 hangup 信号给所有子进程，子进程收到 hangup 以后也会退出。如果我们要在退出 shell 的时候继续运行进程，则需要使用 nohup 忽略 hangup 信号，或者 setsid 将将父进程设为 init 进程(进程号为 1 )

上面的试验演示了使用 nohup/setsid 加上 & 使进程在后台运行，同时不受当前 shell 退出的影响。那么对于已经在后台运行的进程，该怎么办呢？可以使用 disown 命令：

另外还有一种方法，即使将进程在一个 subshell 中执行，其实这和 setsid 异曲同工。方法很简单，将命令用括号() 括起来即可：

注：本文试验环境为 Red Hat Enterprise Linux AS release 4 (Nahant Update 5) , shell 为 /bin/bash ，不同的 OS 和 shell 可能命令有些不一样。例如 AIX 的 ksh ，没有 disown ，但是可以使用 nohup -p PID 来获得 disown 同样的效果。

还有一种更加强大的方式是使用 screen ，首先创建一个断开模式的虚拟终端，然后用 -r 选项重新连接这个虚拟终端，在其中执行的任何命令，都能达到 nohup 的效果，这在有多个命令需要在后台连续执行的时候比较方便：

这四个都属于人工智能算法的范畴。其中BP算法、BP神经网络和神经网络

属于神经网络这个大类。遗传算法为进化算法这个大类。

神经网络模拟人类大脑神经计算过程，可以实现高度非线性的预测和计算，主要用于非线性拟合，识别，特点是需要“训练”，给一些输入，告诉他正确的输出。若干次后，再给新的输入，神经网络就能正确的预测对于的输出。神经网络广泛的运用在模式识别，故障诊断中。BP算法和BP神经网络是神经网络的改进版，修正了一些神经网络的缺点。

遗传算法属于进化算法，模拟大自然生物进化的过程：优胜略汰。个体不断进化，只有高质量的个体（目标函数最小（大））才能进入下一代的繁殖。如此往复，最终找到全局最优值。遗传算法能够很好的解决常规优化算法无法解决的高度非线性优化问题，广泛应用在各行各业中。差分进化，蚁群算法，粒子群算法等都属于进化算法，只是模拟的生物群体对象不一样而已。

方法有很多，这里主要列举两种。假如要使pso在linux服务器后台执行。当客户端关机后重新登入服务器后继续查看本来在终端输出的运行结果。

# /pso > psofile & #直接在命令后加上&即可

解释：将pso直接放在后台运行，并把终端输出存放在当前目录下的psofile文件中。当客户端关机后重新登陆服务器后，直接查看psofile文件就可看执行结果（命令：#cat psofile ）。

有些程序即使使用 & 结尾，如果终端关闭，那么程序也会被关闭。为了能够使程序能始终在后台运行，需要使用nohup这个命令。

方法2在终端输入命令：

# nohup /pso > psofile &

解释：nohup就是不挂起的意思，将pso直接放在后台运行，并把终端输出存放在当前目录下的psofile文件中。当客户端关机后重新登陆服务器后，直接查看psofile文件就可看执行结果（命令：#cat psofile ）。

三、常用任务管理命令

# jobs //查看任务，返回任务编号n和进程号

# bg %n //将编号为n的任务转后台运行

# fg %n //将编号为n的任务转前台运行

# ctrl+z //挂起当前任务

# ctrl+c //结束当前任务

# tail -f logstxt //可以实时查看日志文件

注：如果要使在前台执行任务放到后台运行，则先要用ctrl+z挂起该任务，然后用bg使之后台执行。

在多目标优化问题中，每个目标函数可以分别独立进行优化，然后为每个目标找到最优值。但是，很少能找到对所有目标都是最优的完美解，因为目标之间经常是互相冲突的，只能找到Pareto最优解。

PSO算法中的信息共享机制与其他基于种群的优化工具有很大的不同。在遗传算法（GA）中，染色体通过交叉互相交换信息，是一种双向信息共享机制。但是在PSO算法中，只有gBest（或nBest）给其他微粒提供信息，是一种单向信息共享机制。由于点吸引特性，传统的PSO算法不能同时定位构成Pareto前锋的多个最优点。虽然通过对所有目标函数赋予不同的权重将其组合起来并进行多次运行，可以获得多个最优解，但是还是希望有方法能够一次同时找到一组Pareto最优解。

在PSO算法中，一个微粒是一个独立的智能体，基于其自身和同伴的经验来搜索问题空间。前者为微粒更新公式中的认知部分，后者为社会部分，这二者在引导微粒的搜索方面都有关键的作用。因此，选择适当的社会和认知引导者（gBest和pBest）就是MO-PSO算法的关键点。认知引导者的选择和传统PSO算法应遵循相同的规则，唯一的区别在于引导者应按照Pareto支配性来确定。社会引导者的选择包括两个步骤。第一步是建立一个从中选取引导者的候选池。在传统PSO算法中，引导者从邻居的pBest之中选取。而在MO-PSO算法中更常用的方法是使用一个外部池来存储更多的Pareto最优解。第二步就是选择引导者。gBest的选择应满足如下两个标准：首先，它应该能为微粒提供有效的引导来获得更好的收敛速度；第二，它还需要沿Pareo前锋来提供平衡的搜索，以维持种群的多样性。文献中通常使用两种典型的方法：（1）轮盘选择模式，该方式按照某种标准进行随机选择，其目的是维持种群的多样性；（2）数量标准：按照某种不涉及随机选择的过程来确定社会引导者。

Moore最早研究了PSO算法在多目标优化中的应用，强调了个体和群体搜索二者的重要性，但是没有采用任何维持多样性的方法。Coello在非劣最优概念的基础上应用了一个外部“容器”来记录已找到的非支配向量，并用这些解来指导其它微粒的飞行。Fieldsend采用一种称为支配树的数据结构来对最优微粒进行排序。Parsopoulos应用了权重聚合的方法。Hu应用了动态邻域，并在此基础上利用扩展记忆，按词典顺序依次优化各个目标。Ray使用聚集机制来维持多样性，并用一个多水平筛来处理约束。Lu使用了动态种群策略。Bartz-Beielstein采用归档技术来提高算法性能。Li在PSO算法中采用NSGA-II算法中的主要机制，在局部最优微粒及其后代微粒之间确定局部最优微粒；并此基础上又提出一种新的算法，在适应值函数中使用最大最小策略来确定Pareto支配性。张利彪使用多个目标函数下各最优位置的均值来指导微粒飞行。Pulido使用多个子种群并采用聚类技术来求解多目标规划问题。Mahfouf采用加权聚合方法来计算微粒的适应值，并据此确定引导微粒的搜索。Salazar-Lechuga使用适应值共享技术来引导微粒的搜索。Gong提出微粒角度的概念，并使用最小微粒角度和微粒密度来确定局部最优和全局最优微粒。基于AER模型，Zhang提出一种新的智能PSO模型，来将种群驱向Pareto最优解集。Ho提出一种新的适应值分配机制，并使用寿命（Age）变量来保存和选择最优历史记录。Huang将CLPSO算法应用到多目标规划中。Ho提出另一种基于Pareto的与尺度无关的适应值函数，并使用一种基于正交试验设计的智能运动机制（IMM）来确定微粒的下一步运动。Branke系统研究了多种个体最优微粒的选择方法对MOPSO算法性能的影响。张勇考虑储备集更新策略在多目标PSO算法中的关键作用，提出一种两阶段储备集更新策略。

原萍提出一种分布式PSO算法—分割域多目标PSO算法（DRMPSO），并将其应用到基站优化问题。向量评价PSO算法（VEPSO）是一种受向量评价遗传算法（VEGA）的启发提出的一种算法，在VEPSO算法中，每个种群仅使用多个目标函数之一来进行评价，同时各种群之间互相交互经验。将每个种群分配到一台网络PC上，即可直接使VEPSO算法并行化，以加速收敛。Vlachogiannis应用并行VEPSO算法来确定发电机对输电系统的贡献。熊盛武利用PSO算法的信息传递机制，在PSO算法中引入多目标演化算法常用的归档技术，并采用环境选择和配对选择策略，使得整个群体在保持适当的选择压力的情况下收敛于Pareto最优解集。

由于适应值的计算非常消耗计算资源，为了减少计算量，需要减少适应值评价的次数。Reyes-Sierra采用适应值继承和估计技术来实现该目标，并比较了十五种适应值继承技术和四种估计技术应用于多目标PSO算法时的效果。

保持MOPSO中的多样性的方法主要有两种：sigma方法和ε-支配方法。Villalobos-Arias在目标函数空间中引入条块划分来形成聚类，从而保持多样性。

以上就是关于shell脚本让进程在后台运行以及进程后台转前台全部的内容，包括:shell脚本让进程在后台运行以及进程后台转前台、用粒子群群算法优化BP神经网络的参数，进行极值寻优、如何在linux服务器沙箱中运行程序等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！