【Java功能体】Java的选择结构和循环结构

Java讲课笔记06:选择结构与条件循环 1. 掌握if和switch条件语句的使用 2. 掌握while和do...while循环结构语句的使用 阅读详情

选择结构

if else结构

三种类型:

if(布尔表达式) { //单分支
    语句块1;
}

if(布尔表达式) { //双分支
    语句块1;
} else {
    语句块2;
} 

if(布尔表达式) { //多分支
    语句块1;
} else if {
    语句块2;
} else {
    语句块3;
}

实例:成绩的定性判断

功能:使用if语句对成绩定性判断
public class IfTest2 {
	public static void main(String[] args) {
		//创建对象
		Scanner sc = new Scanner(System.in);
		//接收数据
		System.out.println("请输入学生的考试成绩:");
		int score = sc.nextInt();
		
		//if语句格式3
		if(score<0 || score>100){
			System.out.println("你的成绩是错误的");
		}else if(score>=90 && score<=100){
			System.out.println("你的成绩属于优秀");
		}else if(score>=80 && score<90){
			System.out.println("你的成绩属于好");
		}else if(score>=70 && score<80){
			System.out.println("你的成绩属于良");
		}else if(score>=60 && score<70){
			System.out.println("你的成绩属于及格");
		}else {
			System.out.println("你的成绩属于不及格");
		}
	}
}

switch结构

语法结构:

switch (表达式) {
    case 值1:
        内容 1;
        break;
    case 值2:
        内容 2;
        break;
    default:
        break;

执行过程:

  1. 计算出表达式的值
  2. 拿计算出来的值和case后面的值依次比较,一旦有对应的值,就执行该处的语句,在执行过程中,遇到 break,就结束。
  3. 如果所有的case都不匹配,就会执行default控制的语句,然后结束。

注意:
1、switch后面小括号中表达式的值必须是整型或字符型;JDK5以后可以是枚举,JDK7以后可以是字符串
2、case后面的值可以是常量数值,如1、2;也可以是一个常量表达式,如2+2 ;但不能是变量或带有变量的表达式,如 a * 2
3、case匹配后,执行匹配块里的程序代码,如果没有遇见 break 会继续执行下一个的 case 块的内容,直到遇到 break 语句或者 switch 语句块结束

实例:

//程序功能:根据数字判断星期
import java.util.Scanner;
public class SwitchDemo {
	public static void main(String[] args) {
		//创建键盘录入对象
		Scanner sc = new Scanner(System.in);
		
		//接收数据
		System.out.println("请输入一个数字(1-7):");
		int weekday = sc.nextInt();
		
		//switch语句实现选择
		switch(weekday) {
		case 1:
			System.out.println("星期一");
			break;
		case 2:
			System.out.println("星期二");
			break;
		case 3:
			System.out.println("星期三");
			break;
		case 4:
			System.out.println("星期四");
			break;
		case 5:
			System.out.println("星期五");
			break;
		case 6:
			System.out.println("星期六");
			break;
		case 7:
			System.out.println("星期日");
			break;
		default:
			System.out.println("你输入的数字有误");
			break;
		}
	}
}

循环结构

三种循环的区别:

  • do…while至少执行一次循环体
  • for, while循环先判断条件是否成立,然后决定是否执行循环体

for和while的小区别:

  • for循环的初始化变量,在循环结束后,不可以被访问。而while循环的初始化变量,是可以被继续使用的。
  • 如果初始化变量,后面还要继续访问,就使用while,否则,推荐使用for。

循环的使用推荐:
for – while – do…while

两大关键字:
 break:结束与该关键字最近的一个循环体;
 continue:结束与该关键字最近的一循环体的一次循环,立即开始新的循环;

do while结构

语法结构:

初始化语句;
do {
	循环体语句;
	控制条件语句;
}while(判断条件语句);

执行流程:
step1: 执行初始化语句;
step2: 执行循环体语句;
step3: 执行控制条件语句;
step4: 执行判断条件语句,看是true还是false

  • 如果是true,回到B继续
  • 如果是false,就结束

执行过程:

  1. 先执行一遍循环操作,然后判断循环条件是否成立
  2. 如果条件成立,继续执行直到循环条件不成立为止

特点: 先执行,后判断

while结构

结构:

while(判断条件语句) {
	循环体语句;
	控制条件语句;
}

for结构

语法规则: for(循环变量初始化;循环条件;循环变量变化) { 循环操作 }

执行过程:
<1>、执行循环变量初始化部分,设置循环的初始状态,此部分在整个循环中只执行一次
<2>、进行循环条件的判断,如果条件为 true ,则执行循环体内代码;如果为 false ,则直接退出循环
<3>、执行循环变量变化部分,改变循环变量的值,是在执行完循环操作以后
<4>、又回到第<2>步继续执行

实例:

功能:统计[100,1000]内的水仙花数
public class ForTest5 {
	public static void main(String[] args) {
		//定义统计变量,初始化值是0
		int count = 0;
		
		//获取三位数,用for循环实现
		for(int x=100; x<1000; x++) {
			//获取三位数的个位,十位,百位
			int ge = x%10;
			int shi = x/10%10;
			int bai = x/10/10%10;
			
			//判断这个三位数是否是水仙花数,如果是,统计变量++
			if((ge*ge*ge+shi*shi*shi+bai*bai*bai) == x) {
				count++;
			}
		}
		//输出统计结果就可以了
		System.out.println("水仙花数共有:"+count+"个");
	}
}

for each循环

格式:

for(元素的类型 变量 : 集合或者数组对象) {
  可以直接使用变量;
}

实例:

public class Main {
	public static void main(String[] args) {
		int[] a = {1,2,4,5};
		for(int i:a) {
			System.out.println(i);
		}
	}
}

[QMT量化交易小白入门]-七十一、十年回测ETF动量策略,超额年化收益率为10.6% 本专栏主要是介绍QMT的基础用法,常见函数,写策略的方法,也会分享一些量化交易的思路,大概会写100篇左右。QMT的相关资料较少,在使用过程中不断的摸索,遇到了一些问题,记录下来和大家一起沟通,共同进步。 阅读详情

相关推荐

OpenMMLab实战指南:从环境搭建到首个检测模型运行

本文是一份详细的OpenMMLab实战指南,重点介绍了如何从零开始搭建环境并运行首个目标检测模型。内容涵盖Miniconda环境配置、PyTorch与CUDA版本匹配、使用MIM工具安装MMCV和MMDetection的核心步骤,并通过RTMDet-tiny模型演示了完整的推理流程,帮助开发者高效入门这一计算机视觉开源算法体系。

weixin_28678151的博客 155

Java学生管理系统功能结构图

利用Java SE基本知识是开发【学生信息管理系统】。本系统包括登录注册、系统设置(设置学校信息、设置状态栏信息、修改用户密码)、数据操作(增加学生记录、编辑学生记录、删除学生记录、浏览学生记录)、查询学生(按学号查询、按姓名查询、按班级查询、按系部查询)、人数统计(按性别统计人数、按班级统计人数、按系部统计人数)等功能。 ...

Aster__的博客 6557

相机通用类之海康相机,软触发硬触发(飞拍),并输出halcon格式对象

如何显示图像:可以访问我文章开头的博客,通过编写相机通用类即可,程序中是有继承通用类,通过访问相机通用的获取图像数据,从而传输图像数据。具体可以查看相机通用类。整体过程其实比较简单,由于海康相机没有像一些品牌相机一样可以直接使用序列号开启相机,所以我们需要通过对相机信息进行索引,根据索引到的相机序列号来开启相机。

m0_51559565的博客 7619

Java流程控制;If选择结构;Switch选择结构;do while循环结构;for循环;

Java流程控制;If选择结构;Switch选择结构;do while循环结构;for循环;

weixin_72637723的博客 1039

【SAM2系列】windows单GPU复现时的bug解决记录

windows运行sam2,就感觉在开一艘破破烂烂的船,每走一步报一个错,bug源源不断的冒出来😭😭😭😭😭。

weixin_43571113的博客 1317

【程序化天空盒】过程记录01:日月 天空渐变 大气散射

在做一个仿照原神的天空盒,写文章作为技术总结和记录。

qq_41835314的博客 6741

JAVA选择结构和循环结构笔记

JAVA选择结构和循环结构笔记 如何选择选择结构和循环结构? 当在实现某个功能语句时,如果需要通过某一个条件去判断,则用选择结构;当实现某个功能需要通过循环去实现,则用循环结构.当然循环和选择是可以相互嵌套的 条件选择结构 JAVA中选择结构有if语句和switch语句,一般多用if语句 if语句 1.if语句 //语法 if (判断条件) { 当判断条件为真的时候,执行语句; }//...

weixin_44833186的博客 494

74、刀具磨损监测与寿命预测分析

本文综述了刀具磨损监测与寿命预测的研究现状,分析了力信号、功率信号、振动信号和声发射信号在刀具状态监测中的应用及其优缺点。介绍了当前常用的刀具寿命模型及故障诊断流程,并总结了基于不同信号的监测方法。文章指出,尽管已有多种方法在理论上取得进展,但在实际应用中仍面临挑战。未来研究方向包括采用更先进的神经网络、深入探索多信号融合技术以及有效利用工业大数据,以提升刀具状态识别的准确性与可靠性。

lstm7chronicler的博客 275

java的选择结构,循环结构,数组

java的选择结构,循环结构,数组 一.选择结构 if选择结构 if选择结构是根据条件判断之后再做处理的一种语法结构。 程序执行时,先判断条件,当结果为true时,程式先执行大括号里的代码块,在执行if结构(即{}部分)后面的代码,当结果为false时,不执行大括号里的代码块,而直接执行if结构后面的代码 if选择结构的代码 boolean a =true; if(a){ System.o...

bitte_的博客 512

大模型LangChain面试题及参考答案(上)

明确的输入输出类型:函数参数需包含类型注解,返回值需定义清晰的数据结构(如JSON格式),便于LLM理解参数含义和调用方式。工具描述:通过文档字符串或独立的描述对象(如Tool类)说明函数的功能、参数用途及调用场景,供LLM判断是否需要调用。示例:定义一个计算两个数之和的工具函数@tool"""计算两个整数的和。参数:- a:第一个整数- b:第二个整数调用场景:当用户需要进行数值加法计算时使用。"""除了内置的。

大模型大数据攻城狮的专栏 1138

【华为OD机试真题 2025C卷】238、贪吃蛇 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS)

【华为OD机试真题 2025C卷】238、贪吃蛇 | 机试真题+思路参考+代码解析(C++、Java、Py、C语言、JS) 华为od机试,华为od机试真题,华为od机试E卷,华为odE卷,华为od机试真题E卷,华为OD,华为OD机试,华为OD机试真题,华为od机考,华为od机试D卷,华为od机试真题D卷,华为od手撕代码,华为od,华为od机试C卷,华为od e卷,华为2025e卷,od机试,2025E卷,华为OD机试E卷,什么是华为od,华为od介绍,全面了解华为od,2025华为od,如何备战华为od,

正在更新最新华为OD机试2025B卷,提供OJ在线刷题 196

选择结构与循环结构

选择结构与循环结构

窗外有风景,笔下有前途,低头是题海,抬头是未来 1047

FineBI学习总结

交叉表:一组作为行标题显示在表的左部,另一组作为列标题显示在表的顶部。连接到数据,如果数据不满足数据分析的需求,先进行自助数据集处理。数据集分类:DB表、SQL、Excel、自助数据集。分组表:将报表中的数据按相同项合并为一组显示。1、数据准备2、制作仪表板3、分享仪表板。左合并:保留左边全部数据,合并右边。右合并:保留右边全部数据,合并左边。上下拼接:上下拼接到一张表数据。3、如何实现拼表:多表拼一张。分组–业务包–数据集–字段。字段分类:数值、文本和日期。目录–仪表板–数据准备。维度:文本和日期类型。

Rsun2018的博客 1561

JAVA语法基础-选择结构和循环结构

概念:选择结构就是让程序选择的执行,满足条件就执行,不满足条件就不执行,更具判断的结果来控制程序的流程属于流程控制语句,其它俩个流程控制语句是顺序结构(程序的执行是从左到右,从上到下)、循环结构(程序重复的干一件事情)第1次:1. 初始化条件语句 => 2.条件判断语句 => 3. 循环体 => 4. 循环控制语句。第1次:1. 初始化条件语句 => 2.条件判断语句 => 3. 循环体 => 4. 循环控制语句。第2次:2. 条件判断语句 => 3. 循环体 => 4. 循环控制语句。

weixin_45286894的博客 720

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

Java04--判断和循环

1.continue:跳过本次循环,继续执行下次循环2.break:结束整个循环。

2401_87684029的博客 2233

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Java 流程控制的选择结构和循环结构解读

表达式的值与各个case后面的值进行匹配,如果匹配成功,则执行对应的代码块,直到遇到break语句跳出switch结构。首先执行初始化表达式,然后判断条件表达式是否为真,如果为真,则执行循环体,接着执行更新表达式,再判断条件表达式,如此反复,直到条件表达式为假时退出循环。语法:if(条件表达式 1){代码块 1}else if(条件表达式 2){代码块 2}…先判断条件表达式,若为真则执行循环体,然后再次判断条件表达式,直到条件表达式为假时退出循环。可以依次判断多个条件,根据满足的条件执行相应的代码块。

qq_38869966的博客 348

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java教程:Java选择结构和循环结构的总结

Java教程任何编程语言中最常见的程序结构就是顺序结构。顺序结构就是程序从上到下逐行的执行,中间没有任何判断和跳转。 如果 main 方法的多行代码之间没有任何流程控制,则程序总是从上向下依次执行,排在前面的代码先执行,排在后面的代码后执行。这意味着:如果没有流程控制,Java 方法里的语句是一个顺序执行流,从上向下依次执行每条语句。 不论哪一种编程语言,都会提供两种基本的流程控制结构:分支结构和循环结构。分支结构用于实现根据条件来选择性地执行某段代码,循环结构则用于实现根据循环条件重复执行某段代码。 本篇

Zzz9158的博客 223

java学习日记——循环,选择结构

java学习日记——循环,选择结构选择结构(if,switch)循环(for,do while,while) 选择结构(if,switch) 如果我们需要做一个判断和选择,那我们需要一个选择的结构。那if和switch就能满足我们的需求。 简单来说就是判断一个条件是否成立成立就执行,不成立就跳过。 if if(判断条件){ 满足 判断条件(true),就执行此大括号里面的内容 } if(判断条件)...

fz2641016107的博客 195

Java基础:选择结构与三种循环语法

单分子 if 选择结构: if(条件){ 操作1 } //如果满足条件就执行里面的操作 多分支 if 选择结构 : 语法 : if(条件1){ 操作1 }else if(条件2){ 操作2 }else if(条件3){ 操作3 }else{ 操作4 } 执行的步骤: 1. ...

qq_40933104的博客 296

Java程序设计基础--------选择结构和循环结构总结

Java程序设计基础--------选择结构和循环结构总结 文章目录Java程序设计基础--------选择结构和循环结构总结1.总结2.拓展知识(杨辉三角形) 1.总结 任何编程语言中最常见的程序结构就是顺序结构。顺序结构就是程序从上到下逐行的执行,中间没有任何判断和跳转。 如果 main 方法的多行代码之间没有任何流程控制,则程序总是从上向下依次执行,排在前面的代码先执行,排在后面的代码后执行...

double_happy111的博客 692

java选择结构和循环结构

初学JAVA 选择结构 if(判断条件)〔 满足条件,所要实现的功能。 〕 if()〔〕else〔〕 if(判断条件)〔 满足条件,所要实现的功能。 〕else〔 输出语句 〕 else的作用:当你判断条件为false 执行else下的语句 switch选择语句 switch(key)〔 case key: 代码块 break; case key: 代码块 break; 代码块 default: 〕 switch的作用:主要是用来解决多中选择条件的时候用. break的用法:当执行break是跳出

qq_45131422的博客 195

Java中的选择结构和循环结构

一.选择结构 If : 单选择|单分支 : if(boolean表达式){ 语句体; } 执行流程 : 1.boolean表达式,得到boolean结果 2.如果结果为true,执行{}中的语句体 3.如果结果为false,直接跳过if结构 双选择|双分支 : if(boolean表达式){ 语句体1; }else{ 语句体2; } 执行流程 : 1.boolean表达式,得到boolean结果 2.如果结果为true,执行{}中的语句体1 3.如果结果...

Ryan_LL的博客 169

第三章流程,选择结构与循环结构

第三章流程结构,选择结构,循环结构 流程控制结构 在java中有3中流程控制结构:顺序结构、选择结构、循环结构。 顺序结构:程序从上向下执行每条语句的结构,中间没有判断和跳转。 选择结构:程序根据条件判断的结果来选择执行不同的代码。选择结构可分为单分支结构、双分支结构和多分支结构。 循环结构:程序根据判断条件来重复执行某段代码。Java提供了while、do-while、for语句来实现循环结构。 选择结构 java提供了if控制语句和switch语句来实现选择结构。 if控制语句 if控制语句共有3种不

wuzhangxiong123的博客 564

选择结构和流程控制

选择结构和流程控制

weixin_47783117的博客 713

Java选择结构和循环结构的总结

任何编程语言中最常见的程序结构就是顺序结构。顺序结构就是程序从上到下逐行的执行,中间没有任何判断和跳转。如果 main 方法的多行代码之间没有任何流程控制,则程序总是从上向下依次执行,排在前面的代码先执行,排在后面的代码后执行。这意味着:如果没有流程控制,Java方法里的语句是一个顺序执行流,从上向下依次执行每条语句。不论哪一种编程语言,都会提供两种基本的流程控制结构:分支结构和循环结构。分支结构用于实现根据条件来选择性地执行某段代码,循环结构则用于实现根据循环条件重复执行某段代码。

meitianxue的博客 408

Java 选择结构、循环结构

第三节 选择结构-if语句-Switch语句 1.流程控制 1.1 流程控制语句概述 1.2 流程控制语句分类 顺序结构 分支结构(if,switch) 循环结构(for、while、do…while) 1.3顺序结构 顺序结构是程序代码中最简单最基本的流程控制,没有特定的语法结构,按照代码先后顺序,依次执行,程序中大多数的代码都是这样执行的。 2.if语句 2.1 if语句格式1 2.2 if语句格式2 public class IfDemo{ public static void ma

weixin_51221483的博客 380
上一篇: 【Java数据类型】Java的基础数据类型
下一篇: 【Java功能体】Java中的修饰符详解
ALGO阿狗
博客等级 码龄9年 64粉丝 149原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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