JDK1.8 HashMap源码解析

该博客主要对JDK1.8中HashMap的源码进行解析,有助于深入了解HashMap在JDK1.8版本下的实现原理和运行机制,为相关的Java开发提供理论支持和技术参考。

 

    // 序列号
    private static final long serialVersionUID = 362498820763181265L;

    // 默认的初始容量大小是16
    static final int DEFAULT_INITIAL_CAPACITY = 1 << 4; // aka 16

    //hashmap的最大容量为2的30次方
    static final int MAXIMUM_CAPACITY = 1 << 30;

    //默认的负载因子为0.75
    static final float DEFAULT_LOAD_FACTOR = 0.75f;

    // 当桶(bucket)上的结点数大于这个值时会转成红黑树
    static final int TREEIFY_THRESHOLD = 8;

    // 当桶(bucket)上的结点数小于这个值时树转链表
    static final int UNTREEIFY_THRESHOLD = 6;

    // 桶中结构转化为红黑树对应的table的最小大小
    static final int MIN_TREEIFY_CAPACITY = 64;


    static class Node<K,V> implements Map.Entry<K,V> {
        //final类型node节点的hash值
        final int hash;
        //final类型的key值
        final K key;
        //value值
        V value;
        //node节点的next
        Node<K,V> next;

        //class node的构造函数
        Node(int hash, K key, V value, Node<K,V> next) {
            this.hash = hash;
            this.key = key;
            this.value = value;
            this.next = next;
        }

        public final K getKey()        { return key; }
        public final V getValue()      { return value; }
        public final String toString() { return key + "=" + value; }
        //hashcode方法
        public final int hashCode() {
            return Objects.hashCode(key) ^ Objects.hashCode(value);
        }

        public final V setValue(V newValue) {
            V oldValue = value;
            value = newValue;
            return oldValue;
        }
        //equals方法
        public final boolean equals(Object o) {
            if (o == this)
                return true;
            if (o instanceof Map.Entry) {
                Map.Entry<?,?> e = (Map.Entry<?,?>)o;
                if (Objects.equals(key, e.getKey()) &&
                    Objects.equals(value, e.getValue()))
                    return true;
            }
            return false;
        }
    }


    // 存储元素的数组,总是2的幂次倍
    transient Node<K,V>[] table;

    // 存放具体元素的集
    transient Set<Map.Entry<K,V>> entrySet;

     // 存放元素的个数,注意这个不等于数组的长度。
    transient int size;

    // 每次扩容和更改map结构的计数器
    transient int modCount;

    // 临界值 当实际大小(容量*填充因子)超过临界值时,hashmap会进行扩容
    int threshold;

    // 填充因子
    final float loadFactor;

    //关于下列函数的详细解析参看博客        
    //https://blog.csdn.net/fan2012huan/article/details/51097331
   static final int tableSizeFor(int cap) {
        //防止cap数值已经是2的幂次方。如果cap已经是2的幂次方, 又没有执行减1操作,则执行完后面的几条无符号右移操作之后,返回的capacity将是这个cap的2倍。
        int n = cap - 1;
        n |= n >>> 1;//二进制数值右移一位并与原值进行或操作
        n |= n >>> 2;//二进制数值右移二位并与原值进行或操作
        n |= n >>> 4;//二进制数值右移四位并与原值进行或操作
        n |= n >>> 8;//二进制数值右移八位并与原值进行或操作
        n |= n >>> 16;//二进制数值右移16位并与原值进行或操作
        return (n < 0) ? 1 : (n >= MAXIMUM_CAPACITY) ? MAXIMUM_CAPACITY : n + 1;
    }
    
    //key的hash值高16位不变,低16位与高16位异或作为key的最终hash值。
    //(h >>> 16,表示无符号右移16位,高位补0,任何数跟0异或都是其本身,
    //因此key的hash值高16位不变。
    static final int hash(Object key) {
        int h;
        return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
    }
    
    hashmap的构造函数
    
    //空参构造函数,DEFAULT_LOAD_FACTOR默认为0.75f,其他所有的字段初始值均为默认。
    public HashMap() {
        this.loadFactor = DEFAULT_LOAD_FACTOR; // all other fields defaulted
    }
    //此构造函数会默认调用HashMap(int, float)型构造函数
    //DEFAULT_LOAD_FACTOR 默认为:0.75f
    public HashMap(int initialCapacity) {
        this(initialCapacity, DEFAULT_LOAD_FACTOR);
    }

    public HashMap(int initialCapacity, float loadFactor) {
        // 初始容量不能小于0,否则会抛出异常
        if (initialCapacity < 0)
            throw new IllegalArgumentException("Illegal initial capacity: " +
                                               initialCapacity);
        //判断初始容量与最大容量,如果超过最大容量,则将最大容量赋值为初始容量
        if (initialCapacity > MAXIMUM_CAPACITY)
            initialCapacity = MAXIMUM_CAPACITY;
         // 填充因子不能小于或等于0,不能为非数字
        if (loadFactor <= 0 || Float.isNaN(loadFactor))
            throw new IllegalArgumentException("Illegal load factor: " +
                                               loadFactor);
        //初始化负载因子
        this.loadFactor = loadFactor;
        //临界值threshold初始化, 当实际大小(容量*填充因子)超过临界值时,hashmap会进行扩容
        //tableSizeFor函数(initialCapacity)返回大于等于initialCapacity的最小的二次幂数值
        this.threshold = tableSizeFor(initialCapacity);
    }

    public HashMap(Map<? extends K, ? extends V> m) {
        //使用默认的DEFAULT_LOAD_FACTOR为0.75f
        this.loadFactor = DEFAULT_LOAD_FACTOR;
        //调用putMapEntries()函数,将m中的值,放入hashMap中
        putMapEntries(m, false);
    }
    
    
    final void putMapEntries(Map<? extends K, ? extends V> m, boolean evict) {
        //获取m的size
        int s = m.size();
        if (s > 0) {
            //判断table是否已经初始化
            if (table == null) { // pre-size
                 // 未初始化,s为m的实际元素个数
                float ft = ((float)s / loadFactor) + 1.0F;
                //判断ft是否大于MAXIMUM_CAPACITY,将最小值赋值于t
                int t = ((ft < (float)MAXIMUM_CAPACITY) ?
                         (int)ft : MAXIMUM_CAPACITY);
                // 计算得到的t大于阈值,则初始化阈值
                if (t > threshold)
                    //初始化为t的最近的2的次方幂
                    threshold = tableSizeFor(t);
            }
            // 如果table已初始化,并且m元素个数大于阈值,进行扩容处理
            else if (s > threshold)
                resize();
            //循环迭代,将m中的值放入hashmap中
            for (Map.Entry<? extends K, ? extends V> e : m.entrySet()) {
                K key = e.getKey();
                V value = e.getValue();
                //调用putVal函数将key与Value插入hashmap中
                putVal(hash(key), key, value, false, evict);
            }
        }
    }
    

    //HashMap并没有直接提供putVal接口给用户调用,而是提供的put函数,而put函数就是通过putVal来插入元素的。
    final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
                   boolean evict) {
        /**先定义一个临时Node节点数组tab,p是单个节点的变量,n表示节点数组表的长度,i表示tab数组索引位置*/
        Node<K,V>[] tab; Node<K,V> p; int n, i;
        // 如果table未初始化或者长度为0,进行扩容
        if ((tab = table) == null || (n = tab.length) == 0)
            n = (tab = resize()).length;
        // (n - 1) & hash 确定元素存放在哪个桶bucket中,桶bucket为空,新生成结点放入桶bucket中(此时,这个结点是放在数组中)
        if ((p = tab[i = (n - 1) & hash]) == null)
            tab[i] = newNode(hash, key, value, null);
        // 桶bucket中已经存在元素
        else {
            Node<K,V> e; K k;
            // 比较桶bucket中第一个元素(数组中的结点)的hash值是否相等,key是否相等
            if (p.hash == hash &&
                ((k = p.key) == key || (key != null && key.equals(k))))
                e = p;// 将第一个元素赋值给e,用e来记录
            else if (p instanceof TreeNode)// hash值不相等,即key不相等;为红黑树结点
                e = ((TreeNode<K,V>)p).putTreeVal(this, tab, hash, key, value);
            else {// 否则为链表结点
                // 在链表最末插入结点
                for (int binCount = 0; ; ++binCount) {
                    if ((e = p.next) == null) { // 如果节点循环到链表的尾部插入节点,
                        p.next = newNode(hash, key, value, null);
                        // 如果链表结点数量达到阈值,则转化为红黑树
                        if (binCount >= TREEIFY_THRESHOLD - 1) // -1 for 1st
                            treeifyBin(tab, hash);
                        break;
                    }
                    // 判断链表中结点的key值与插入的元素的key值是否相等
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        // 相等,跳出循环
                        break;
                     // p用于遍历桶bucket中的链表,与前面的e = p.next组合,可以遍历链表
                    p = e;
                }
            }
            // 表示在桶bucket中找到key值、hash值与插入元素相等的结点
            if (e != null) { // existing mapping for key
                // 保存e的value
                V oldValue = e.value;
                // onlyIfAbsent为false或者旧值为null
                if (!onlyIfAbsent || oldValue == null)
                    //用新值替换旧值
                    e.value = value;
                // 访问后回调函数afterNodeAccess()
                afterNodeAccess(e);
                //返回旧值
                return oldValue;
            }
        }
        //modCount自增1
        ++modCount;
        //如果实际大小大于阈值则扩容即resize操作
        if (++size > threshold)
            resize();
        // 插入后回调函数
        afterNodeInsertion(evict);
        return null;
    }
   // hashMap并没有直接提供getNode接口给用户调用,而是提供的get函数,而get函数就是通过getNode来取得元素的   

    final Node<K,V> getNode(int hash, Object key) {
        Node<K,V>[] tab; Node<K,V> first, e; int n; K k;
        // 如果table已经初始化,长度大于0,根据hash寻找table中的项也不为空
        if ((tab = table) != null && (n = tab.length) > 0 &&
            (first = tab[(n - 1) & hash]) != null) {
             // 判断桶bucket中第一个节点(数组元素)的hash是否相等,key值是否相等
            if (first.hash == hash && // always check first node
                ((k = first.key) == key || (key != null && key.equals(k))))
                return first;
            // 桶bucket中next结点不为null,即桶bucket中不止一个节点
            if ((e = first.next) != null) {
                // 如果节点为为红黑树结点
                if (first instanceof TreeNode)
                    // 在红黑树中查找该节点
                    return ((TreeNode<K,V>)first).getTreeNode(hash, key);
                // 否则,在链表中查找是否存在该节点
                do {
                    if (e.hash == hash &&
                        ((k = e.key) == key || (key != null && key.equals(k))))
                        return e;
                } while ((e = e.next) != null);
            }
        }
        //节点不存在,则返回null值
        return null;
    }
resize()函数
//参看于https://www.cnblogs.com/leesf456/p/5242233.html   
//参看于https://blog.csdn.net/Z0157/article/details/82357054
final Node<K,V>[] resize() {
    // 当前table保存
    Node<K,V>[] oldTab = table;
    // 获取table大小
    int oldCap = (oldTab == null) ? 0 : oldTab.length;
    // 保存当前阈值 
    int oldThr = threshold;
    /** newCap:定义一个新的临时容量变量,newThr:定义个新的临时的threshold*/
    int newCap, newThr = 0;
    // 当旧table大小大于0时
    if (oldCap > 0) {
        // 之前table大于最大容量
        if (oldCap >= MAXIMUM_CAPACITY) {
            // 阈值为最大整形
            threshold = Integer.MAX_VALUE;
            return oldTab;
        }
        // 容量翻倍,使用左移,效率更高
        else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
            oldCap >= DEFAULT_INITIAL_CAPACITY)
            // 阈值翻倍
            newThr = oldThr << 1; /** newThr = oldCap*2 = threshold*2*/
    }
    // 之前阈值大于0
    else if (oldThr > 0)
        newCap = oldThr;
    // oldCap = 0并且oldThr = 0,使用缺省值(如使用HashMap()构造函数,之后再插入一个元素会调用resize函数,会进入这一步)
    else {
         /** 这种情况就是构造HashMap的时候,threshold初始化是0,第一次put数据resize,则我们就给newCap赋值默认的初始化的容量16,newThr = 16*0.75
             * */           
        newCap = DEFAULT_INITIAL_CAPACITY;
        newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
    }
    // 新阈值为0
    if (newThr == 0) {
        float ft = (float)newCap * loadFactor;
        newThr = (newCap < MAXIMUM_CAPACITY && ft < (float)MAXIMUM_CAPACITY ?
                  (int)ft : Integer.MAX_VALUE);
    }
    threshold = newThr;
    @SuppressWarnings({"rawtypes","unchecked"})
    // 初始化table
    Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
    table = newTab;
        /** 如果扩充前oldTab的值不是null值,那我们将进行把之前的旧值赋值到对应的newTab中*/
        if (oldTab != null) {
            /**遍历循环oldCap*/
            for (int j = 0; j < oldCap; ++j) {
                Node<K,V> e;
                if ((e = oldTab[j]) != null) {
                    oldTab[j] = null; /** 如果j位置有节点元素,则取出该元素e,并且把数组中的该位置的node节点赋值null*/
                    if (e.next == null)/** 如果下个节点没有数据了(也就是链表的尾部),则把e,放在newTab位置为e.hash & (newCap - 1) 的地方*/
                        newTab[e.hash & (newCap - 1)] = e;
                    else if (e instanceof TreeNode)/** 如果是红黑树(点进split方法继续跟踪),重新映射,对红黑树进行split*/
                        ((TreeNode<K,V>)e).split(this, newTab, j, oldCap);
                    else { // preserve order
                        /** 如果该节点是链表的存储
                         *  如果你对链表的结构,和java操作链表不会,那很难看懂
                         * */
                        Node<K,V> loHead = null, loTail = null;
                        Node<K,V> hiHead = null, hiTail = null;
                        Node<K,V> next;
                        /** 维持原来的链表的节点顺序进行rehash*/
                        do {
                            next = e.next; /** 当前节点指向的下一个节点地址*/
                            /** 原索引*/
                            if ((e.hash & oldCap) == 0) {/** e.hash & oldCap 这个计算的值,是节点数组的位置索引*/
                                if (loTail == null)
                                    loHead = e;
                                else
                                    loTail.next = e;
                                loTail = e;
                            }
                            else {/** 原所以加上oldCap*/
                                if (hiTail == null)
                                    hiHead = e;
                                else
                                    hiTail.next = e;
                                hiTail = e;
                            }
                        } while ((e = next) != null);
                        /** 原索引放在bucket里*/
                        if (loTail != null) {
                            loTail.next = null;
                            newTab[j] = loHead;
                        }
                        /** 原索引+ oldCap放在bucket里*/
                        if (hiTail != null) {
                            hiTail.next = null;
                            newTab[j + oldCap] = hiHead;
                        }
                        /**
                         * 总结:
                         * 经过rehash之后,元素的位置要么在原来的位置,要么在原来的位置
                         * 再移动2次幂。
                         * */
                    }
                }
            }
        }
 
        return newTab;
    }

 

一款轻量而功能强大的点云可视化和编辑软件,支持pcd, ply, las等多种格式,轻松打开海量点云数据,支持多方式多字段渲染点云,对点进行方便的查询、量测和编辑,提供了地面滤波算法,可应用于测绘、高精地图、SLAM等领域。 PCDViewer是一款专业的点云数据处理软件,特别适用于处理和编辑大规模点云数据。该软件支持多种点云文件格式,包括pcd、ply和las等,这些格式广泛应用于激光雷达扫描数据、三维建模以及其他测绘技术。PCDViewer的强大之处在于其轻量级的系统要求与丰富的功能集,使得用户可以在Windows、Ubuntu等操作系统上轻松运行软件,高效地处理海量点云数据。 这款软件的一个主要特点是其多方式多字段渲染点云的能力。这允许用户根据不同的属性,如颜色、强度、高度等,对点云进行视觉上的分类和区分,从而更直观地分析和理解点云数据。此外,PCDViewer还提供了方便的查询、量测和编辑功能,允许用户直接对点云数据进行操作,诸如添加注释、删除噪声点或进行精确测量等,极大地提高了工作效率。 软件还内置了地面滤波算法,这一功能对于测绘学、地理信息系统(GIS)以及机器人导航和定位(SLAM)等领域尤为关键。地面滤波算法能够从点云数据中分离出地面点和非地面点,这对于如道路建模、地形分析、植被测量等应用来说至关重要。通过分离地面点,可以更准确地进行地面建模和地形特征分析,为自动化系统提供清晰的环境地图。
内容概要:本文提出了一种计及并网波动约束和储能荷电状态(SOC)的混合储能功率协调控制方法,并提供了完整的Matlab代码实现。该方法针对可再生能源并网系统中存在的功率波动问题,采用锂电池与超级电容构成的混合储能系统进行功率平抑,通过低通滤波与动态时间常数调节实现高频/低频功率分量的合理分配,同时引入SOC反馈控制机制,实时调节功率分配系数,确保各储能单元的荷电状态维持在安全范围内,避免过充过放,从而在满足并网功率波动标准的同时,延长储能系统使用寿命。文中详细阐述了控制策略的设计原理、关键参数整定方法及仿真验证过程,展示了该方法在平抑功率波动和均衡储能SOC方面的优越性能。; 适合人群:具备电力系统、新能源并网或储能控制基础知识的研究生、科研人员及从事相关领域工程开发的技术人员。; 使用场景及目标:①研究混合储能系统在平抑风电/光伏并网功率波动中的应用;②掌握基于SOC反馈的储能功率协调控制策略设计方法;③学习Matlab/Simulink在电力电子与电力系统仿真中的建模与分析技巧;④为撰写学术论文或完成科研项目提供可复现的技术方案与代码参考。; 阅读建议:建议结合Matlab代码逐行理解控制逻辑,重点关注低通滤波与SOC反馈环节的实现方式,并尝试调整参数观察系统响应变化,以深入掌握控制策略的动态特性与优化思路。
标题基于SpringBoot的校园创客空间管理系统设计与实现AI更换标题第1章引言介绍校园创客空间管理系统的研究背景、意义、现状以及论文方法与创新点。1.1研究背景与意义阐述校园创客空间管理系统在提升管理效率方面的重要性。1.2国内外研究现状分析国内外校园创客空间管理系统的研究与应用现状。1.3研究方法及创新点概述论文采用的研究方法及系统设计的创新之处。第2章相关理论介绍SpringBoot框架、数据库技术及系统开发所需的相关理论。2.1SpringBoot框架介绍介绍SpringBoot框架的核心特性及其在系统开发中的应用。2.2数据库技术阐述数据库设计原理及在管理系统中的数据存储方法。2.3系统开发相关理论介绍系统开发过程中涉及的前端技术、后端技术等。第3章系统需求分析对校园创客空间管理系统的功能需求和非功能需求进行详细分析。3.1功能需求分析列举系统所需实现的具体功能,如用户管理、空间预约等。3.2非功能需求分析分析系统的性能、安全性、易用性等非功能需求。3.3用户角色与权限分析分析系统用户角色及其对应权限,确保系统安全性。第4章系统设计详细介绍校园创客空间管理系统的设计方案,包括架构、模块及数据库设计。4.1系统架构设计给出系统的整体架构,包括前端、后端及数据库的连接方式。4.2系统模块设计详细介绍各个模块的功能设计及其交互方式。4.3数据库设计阐述数据库表结构设计、字段定义及关系建立。第5章系统实现介绍校园创客空间管理系统的具体实现过程,包括环境搭建、编码实现及测试。5.1系统开发环境搭建介绍系统开发所需的软件、硬件环境及配置步骤。5.2系统编码实现阐述系统各个模块的编码实现过程及关键代码解析。5.3系统测试与优化介绍系统测试方法、测试用例及测试结果,以及针对测试结果的优化措施。第6章结论与展望总结校园创客空间管理系统的设计与实现成果,并展望未来的研究方向。6.1
内容概要:本文提出了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)优化与长短期记忆网络(LSTM)相结合的光伏功率预测模型(VMD-SSA-LSTM),旨在提升光伏发电预测的精度与鲁棒性。该方法首先利用VMD对原始非平稳光伏功率序列进行自适应分解,获得一系列具有更稳定特征的本征模态分量(IMFs),有效降低数据复杂性与噪声干扰;随后引入麻雀搜索算法(SSA)对LSTM网络的关键超参数(如学习率、隐层节点数等)进行全局寻优,克服传统试凑法效率低、易陷入局部最优的问题,显著提升模型收敛速度与泛化能力;最后,构建多个LSTM子模型分别预测各模态分量,并将结果重构得到最终的光伏功率预测值。该混合模型充分融合了VMD在信号预处理中的优异分解性能、SSA在参数优化中的高效搜索能力以及LSTM在捕捉时间序列长期依赖关系上的强大建模优势,实现了对复杂气象因素影响下光伏出力波动的高精度拟合与预测。; 适合人群:具备一定电力系统、新能源发电或时间序列预测基础知识,熟悉MATLAB编程环境,从事光伏功率预测、智能电网调度、可再生能源集成、负荷预测等领域研究的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于光伏电站的短期与超短期功率预测,为电网安全调度、电力市场交易、储能系统配置及需求侧响应提供精准数据支撑;②解决传统单一预测模型(如ARIMA、BPNN、单一LSTM)在处理非平稳、强波动性光伏数据时存在的精度不足、稳定性差等问题;③为风电、负荷等其他非平稳时序预测问题提供一种有效的“分解-优化-预测”混合建模范式与技术实现路径。; 阅读建议:建议读者结合文中提供的完整MATLAB代码,深入理解VMD信号分解、SSA优化算法流程及LSTM网络构建的每一个技术环节,通过实际历史数据进行模型复现与对比实验(如与VMD-LSTM、SSA-LSTM等模型比较),掌握参数调优技巧与模型性能评估方法,从而真正掌握该先进混合预测模型的核心思想与应用精髓。
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