C++容器之 forward_list (单向链表)使用说明

C++, STL容器 forward_list:单向链表深度解析 orward_list作为C++标准库中的轻量级容器,在特定场景下展现出无可替代的性能优势。通过深入理解其实现机制并合理运用现代C++特性,开发者能够在内存敏感型应用中构建高效可靠的数据结构。 阅读详情

目录

1.  语法格式

2.  说明

3.  用法示例


1.  语法格式

    描述控制可变长度元素序列的对象。该序列存储为单向(前向)链接的节点列表,每个节点包含一个 Type 类型的成员。

template <class Type,

    class Allocator = allocator<Type>>

    class forward_list;

Type:要存储在 forward_list 中的元素数据类型。

Allocator:存储的分配器对象,封装了有关 forward_list 内存分配和释放的详细信息。此参数为可选参数。默认值为 allocator<Type>。

2.  说明

    forward_list 对象通过基于 allocator 类(通常称为 std::allocator)的 Allocator 类存储对象为其控制的序列分配和释放存储空间。allocator 对象必须具有与 allocator 类型对象相同的外部接口。

    当迭代器、指针和引用所控制的序列中的元素通过 forward_list 删除时,它们可能会失效。通过 forward_list 对受控序列执行插入和拼接操作不会使迭代器失效。

    受控序列的添加可以通过调用 forward_list::insert_after 来实现,该函数是唯一一个调用构造函数 Type(const T&) 的成员函数。forward_list 也可能调用移动构造函数。如果此类表达式引发异常,则容器对象不会插入任何新元素并重新引发异常。因此,当发生此类异常时,forward_list 类型的对象处于已知状态。

    分配容器对象时,不会复制存储的分配器对象。

    forward_list 容器和双向链表容器list的主要设计区别在于,前者在内部只保留指向下一个元素的链接,而后者每一个元素保留两个链接:一个指向下一个元素,一个指向前一个元素,从而允许双向高效迭代,但每个元素会消耗额外的存储空间,并且插入和删除元素的时间开销略高。因此,forward_list 对象比列表对象更高效,尽管它们只能向前迭代。对于存储零个或少数几个元素的场景非常合适。

    与其他基本标准序列容器(数组、向量和双端队列)相比,forward_list 在容器内任何位置插入、提取和移动元素方面通常表现更佳,因此在大量使用这些元素的算法(例如排序算法)中也表现出色。

    与其他序列容器相比,forward_list 和列表的主要缺点在于它们无法通过元素的位置直接访问元素;例如,要访问 forward_list 中的第六个元素,必须从起始位置迭代(即遍历)到该位置,这需要线性时间。它们还会消耗一些额外的内存来保存与每个元素关联的链接信息(这对于包含小元素的大型列表来说可能是一个重要因素)。

    forward_list 类模板在设计时就考虑到了效率:从设计上讲,它与简单的手写 C 语言单链表一样高效,事实上,它是唯一一个出于效率考虑而故意省略 size 成员函数的标准容器:由于其链表性质,如果 size 成员函数的执行时间是常量级的,则需要维护一个内部计数器来记录其大小(就像双向list一样)。这会消耗一些额外的存储空间,并使插入和删除操作的效率略有降低。要获取 forward_list 对象的大小,可以使用距离算法及其 begin 和 end 函数,这是一个线性时间操作。

3.  用法示例

// forward_list_splice_after.cpp

// compile with: /EHsc /W4

#include <forward_list>

#include <iostream>

using namespace std;

template <typename S> void print(const S& s) {

    for (const auto& p : s) {

        cout << "(" << p << ") ";

    }

    cout << endl;

}

int main()

{

    forward_list<int> c1{ 10, 11 };

    forward_list<int> c2{ 20, 21, 22 };

    forward_list<int> c3{ 30, 31 };

    forward_list<int> c4{ 40, 41, 42, 43 };

    forward_list<int>::iterator where_iter;

    forward_list<int>::iterator first_iter;

    forward_list<int>::iterator last_iter;

    cout << "Beginning state of lists:" << endl;

    cout << "c1 = ";

    print(c1);

    cout << "c2 = ";

    print(c2);

    cout << "c3 = ";

    print(c3);

    cout << "c4 = ";

    print(c4);

    where_iter = c2.begin();

    ++where_iter; // start at second element

    c2.splice_after(where_iter, c1);

    cout << "After splicing c1 into c2:" << endl;

    cout << "c1 = ";

    print(c1);

    cout << "c2 = ";

    print(c2);

    first_iter = c3.begin();

    c2.splice_after(where_iter, c3, first_iter);

    cout << "After splicing the first element of c3 into c2:" << endl;

    cout << "c3 = ";

    print(c3);

    cout << "c2 = ";

    print(c2);

    first_iter = c4.begin();

    last_iter = c4.end();

    // set up to get the middle elements

    ++first_iter;

    c2.splice_after(where_iter, c4, first_iter, last_iter);

    cout << "After splicing a range of c4 into c2:" << endl;

    cout << "c4 = ";

    print(c4);

    cout << "c2 = ";

    print(c2);

}

输出:

Beginning state of lists:c1 = (10) (11)c2 = (20) (21) (22)c3 = (30) (31)c4 = (40) (41) (42) (43)After splicing c1 into c2:c1 =c2 = (20) (21) (10) (11) (22)After splicing the first element of c3 into c2:c3 = (30)c2 = (20) (21) (31) (10) (11) (22)After splicing a range of c4 into c2:c4 = (40) (41)c2 = (20) (21) (42) (43) (31) (10) (11) (22)

C++ STL容器之forward_list C++ forward_list 容器 定义于头文件 <forward_list>,申明为 template< class T, class Allocator = std::allocator<T>> class forward_list; std::forward_list 是支持从容器中的任何位置快速插入和移除元素的容器。不支持快速随机访问。它实现为单链表... 阅读详情

相关推荐

一篇搞懂C++ STL 单向链表std::forward_list

C++标准模板库(STL)提供了多种容器类来处理不同的数据结构,其中是用于实现单向链表(Singly Linked List)的容器。与其他容器如std::list相比,更为轻量,专为需要快速插入和删除操作、以及内存效率的应用场景而设计。本篇文章将详细介绍的特性、与std::list的区别、所有构造函数和操作函数,并通过示例代码帮助你全面理解这一容器的使用方法。是C++11引入的单向链表容器。它的设计非常简单,仅包含指向下一个节点的指针,因此与双向链表(std::list)相比,它占用的内存更少。

m0_62599305的博客 1537

C/C++整理 --- 单向列表

1:概念: 单向链表是链表的一种,其特点是链表的链接方向是单向的,对链表的访问要通过顺序读取从头部开始。链表是使用指 针进行构造的列表,并且是由一个个结点组装起来的,因此又称为结点列表。其中每个结点都有指针成员变量指向列表中的下一个结点,head指针指向第一个结点称为表头,而终止于最后一个指向nuLL的指针。 2:图示 3:代码示例 #define _CRT_SECURE_NO_WA...

qq_35723073的博客 963

C/C++实现单向链表

分别用C和C++实现了单向链表(创建链表,插入数据、获取指定位置的数据、删除指定位置的数据...),如果在使用中觉得api不够用可以进行扩展;其中包含测试。

C++11中std::forward_list单向链表的使用

C++11中std::forward_list单向链表的使用

网络资源是无限的 5947

射频工程师笔记---射频通信基础

回顾一下移动通信技术的发展,其实是互联网和通信技术的融合过程。在这个过程中,很多应用都在不断加入其中。比如计算机跟通信的融合产生了互联网、互联网跟手机的融合带来了移动互联网。手机可以看杂志、看视频、听音乐,于是又出现了内容服务产业;再后来,电视音箱等设备也能联网,于是网络跟家电又产生了融合。所以应用的出现总是在融合其他产业。在1995年,比尔·盖茨在《未来之路》一书中首次提出:在未来...

多年硬件从业经历,热爱学习,记录生活! 2万+

从 JDK8 到 JDK17:CRMEB 框架升级

【摘要】CRMEB开源框架已成功从JDK8升级至JDK17,带来显著性能提升:并发吞吐量提高35%,响应延迟降低40%,资源占用减少25%。升级方案解决87个技术卡点,支持模块化扩展和微服务转型,兼容SpringBoot3.0等新技术。提供基础版到企业级的升级服务,包含代码重构指导和性能调优。经金融级验证的方案可帮助电商平台实现日均10万+UV承载,支付成功率提升至99.7%。现以低于市场30%的价格提供全周期技术支持,助力企业抢占技术先机。

weixin_39782540的博客 701

对于单向链表的10几种常用算法(c++语言)

如果要看C语言的请转到 https://blog.youkuaiyun.com/gs1069405343/article/details/50471736 table.cpp文件 #include "table.h" table::~table(){;} // 链表初始化 void table::ListInit(LIST_DATA *head) { head->data.num ...

激萌の小宅的博客 542

惯性导航技术, IMU, AHRS

惯性导航技术, IMU, AHRS

小电车没有名字 2万+

【C++】单向链表

一.基本介绍 单向链表是链表中的一种,它链接的方向是单向的,而且对链表的访问要从头部开始,依次往下读取。 一个单向链表的节点被分为两部分,第一部分保存该节点的相关信息,第二个节点存储下一个节点的地址。 链表中节点的地址是不连续的。 实现思路: (1)我们需要实现两个类,一个类为节点类,存储相关信息与下一个节点的地址;一个为链表类,头节点作为其变量。 (2)在这里我们以学生信息作为节点进行实现,基本信息包括学号、姓名(写的简洁一下)。 (3)单链表包括节点的增删查改以及链表的打印。 单链

taoxing 1793

PCB模块化设计24——DCDC电源模块PCB布局布线设计规范

PCB模块化设计24——DCDC电源模块PCB布局布线设计规范

qq_31444421的博客 2万+

Android自动化新方案:ESP32-C3蓝牙HID模拟触控与手势操作实战(附源码)

本文详细介绍了使用ESP32-C3通过蓝牙HID协议实现Android设备自动化操作的完整方案。该硬件方案成本低廉且能完美规避系统风控,可模拟鼠标移动、点击及复杂手势操作,延迟低于50毫秒,适用于游戏连招和应用测试等场景。文章包含完整的源码实现和性能优化技巧。

kotlin6android的博客 381

C++ STL库复习(7)forward_list

forward_list 容器以单链表的形式存储元素。forward_list 的模板定义在头文件 forward_list 中。 fdrward_list 和 list 最主要的区别是: 它不能反向遍历元素; 只能从头到尾遍历。 forward_list 的单向链接性也意味着它会有一些其他的特性: 无法使用反向迭代器。只能从它得到const或non-const前向迭代器,这些迭代器都不能解...

qq_24649627的博客 484

5.1 直流无刷电机(BLDC):基本控制概念

本文系统介绍了直流无刷电机(BLDC)控制系统的核心概念与技术。主要内容包括:控制系统的分层结构设计,开环与闭环控制的原理及特点,PWM调速技术及其调制方式,PID控制算法及其数字化实现方法,以及控制系统的性能评估指标。同时探讨了现代BLDC控制器硬件实现方案,并介绍了磁场定向控制(FOC)、直接转矩控制(DTC)等先进控制策略。文章全面阐述了BLDC电机控制从基本原理到前沿技术的知识体系,为相关应用提供了理论指导和技术参考。

技术工作者 494

C++ STL标准库:序列容器 单向链表forward_list(C++ 11)

文章目录1. 简介2. 基本使用3. 迭代器使用4. 增加、删除、插入元素 forward_list - C++ Reference (cplusplus.com) 1. 简介 forward_list 是 C++ 11 新添加的一类容器,其底层实现和 list 容器一样,采用的也是链表结构,只不过 forward_list 使用的是单链表,而 list 使用的是双向链表(如下图) forward_list(单向链表)不支持随机访问,对任何位置进行高效插入、删除的序列容器。与list容器的区别是它是单向的

超级大洋葱的博客 4490

家用扫地机器人实物拆解报告-从顶盖到每一颗螺丝 · 逐层拆解旗舰扫拖一体机器人

2026年旗舰扫拖机器人拆解报告:采用D形机身设计,主机重4.5kg,基站重12kg。核心配置包括RK3588S+STM32H743双处理器、8颗21700电池、LDS激光雷达和双摄像头+结构光导航系统。创新设计亮点:锥形滚刷自动排毛发、活水循环拖地系统、基站集成450W强力集尘和自动上下水模块(带三重防漏保护)。整机采用模块化设计,关键部件均支持快速更换,在密封性、防呆设计和降本增效方面展现出成熟的工程智慧。

智能硬件研发,欢迎交流 523

7 中望CAD二次开发-标注(一)(ZRX C++)

尺寸标注是CAD设计中最常用的功能之一,软件内置了很多标注功能,可以通过使用这些标注工具,对需要标注的长度、角度等一个个进行标注。但这显然效率很低,学习CAD二次开发,就是要把人从重复的劳动中解放出来,实现批量标注。本文介绍,如何通过二次开发进行标注。

cilvsuanna的博客 340

「C/C++」C/C++STL篇 之 forward_list单向链表容器

是C++标准库中的一个非常有用的容器,它提供了一种高效且节省内存的单向链表实现。虽然它不支持随机访问和反向遍历,但在某些特定应用场景中,其性能优势和内存效率使其成为理想的选择。通过掌握其构造函数、基本操作、遍历方法和插入删除技巧,开发者可以充分利用来优化数据结构和算法的实现。何曾参静谧的博客。

何曾参静谧的博客 1107

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

【C++容器】forward_list使用全览

本文介绍了C++11引入的std::forward_list单向链表容器,对比std::list进行了功能解析。重点包括:1)构造函数与初始化方式;2)仅支持前向迭代器,无反向遍历功能;3)不提供size()方法以节省内存;4)特有的_after后缀修改器操作;5)适用于对内存占用有极致要求的场景。文中通过代码示例展示了插入、删除等核心操作,并强调该容器在功能上的取舍——牺牲便捷性换取更高内存效率,建议仅在性能分析显示std::list内存开销成为瓶颈时使用。

obroccolio的博客 912

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

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")

C++ 容器 <forward_list>

是 C++ 标准库中的一个容器,底层使用单向链表实现。它的主要优势是插入和删除操作快,特别适合需要在列表任意位置频繁修改的场景。不过,它不支持随机访问,只能从头到尾遍历。是 C++ 标准库中的序列容器,其模板定义在头文件中。它基于单向链表实现,每个元素通过指针连接到下一个元素,形成了线性序列。与传统的数组或向量(vector)不同,的元素存储位置是分散的,顺序通过指针维持。

likuoelie的博客 911

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

C++容器forward_list

C++容器forward_list的使用

ceclar123的专栏 923

C++进阶之单向链表std::forward_list:用法实例(三百六十二)

本篇目的:C++进阶之单向链表std::forward_list:用法实例基本概念是 C++ 标准库中的单向链表容器,它使用链式结构存储元素,仅支持单向遍历,适用于需要频繁插入和删除的场景,而不依赖随机访问。内存管理采用链式存储,每个元素通过指针连接到下一个元素,避免了连续内存分配问题,适用于动态数据结构。由于节点分散存储,它比或std::deque更节省内存扩展成本。元素访问仅支持单向遍历,不能通过索引访问元素。它提供front方法访问首元素,同时支持begin和end迭代器,但不支持反向迭代器。

Android系统攻城狮 1924

C++11标准库(STL)使用总结——forward_list

forward_list(单向链表)是序列容器,允许在序列中的任何地方进行恒定的时间插入和擦除操作。 forward_list(单向链表)被实现为单链表; 单链表可以将它们包含的每个元素存储在不同和不相关的存储位置中。通过关联到序列中下一个元素的链接的每个元素来保留排序。forward_list容器和列表 之间的主要设计区别容器是第一个内部只保留一个到下一个元素的链接,而后者每个元素保留两个链接:...

程序猿之家 4625

C++中容易忘的知识点——list和forward_list(四)

list容器 list的特点 list的初始化和成员函数 forward_list容器 forward_list的特点 forward_list的初始化和成员函数

Livalueur 1万+

C++ STL容器:序列式容器-链list,forward_list

CC++ STL(Standard Template Library,标准模板库)在C++编程中的重要性不容忽视,STL提供了一系列容器、迭代器、算法和函数对象,这些组件极大地提高了C++程序的开发效率和代码质量。STL 容器 分为 2 大类 , 分别是“序列式容器” 和“关联式容器 ”。序列式容器:每个元素都有固定位置,取决于插入时机和地点,其底层为线性序列的数据结构,里面存储的是元素本身。本文介绍的是序列式容器-链list,forward_list。

weixin_45068267的博客 1435

C++STL:顺序容器之forward_list

forward_list 是 C++ 11 新添加的一类容器,其底层实现和 list 容器一样,采用的也是链表结构,只不过 forward_list 使用的是单链表,而 list 使用的是双向链表。more如下图所示:上图中,H 表示链表的表头。a) 表示单链表,b) 表示双向链表。不难看出,使用链表存储数据最大的特点在于,其并不会将数据进行集中存储(向数组那样),换句话说,链表中数据的存储位置是分散的、随机的,整个链表中数据的线性关系通过指针来维持。

crossoverpptx的博客 1982

C++链表双杰:list与forward_list

本文深入对比了C++中的链表容器std::list和std::forward_list。std::list是双向链表,支持高效中间插入/删除操作(O(1))和双向遍历,适合需要频繁修改序列中间位置的场景;std::forward_list是单向链表,内存开销更小但功能受限,适合内存敏感且只需单向遍历的场合。与vector对比,链表在中间操作和迭代器稳定性方面占优,但在随机访问和缓存友好性上表现较差。选择时应根据具体需求:频繁随机访问选vector,频繁中间修改选list,内存受限选forward_list。

2301_78884150的博客 981
上一篇: C++ 移动语义解析
下一篇: 什么是数学中的算子(算符)(operator)
ComputerInBook
博客等级 码龄19年 1168粉丝 465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