基本数据的自动拆装箱及享元模式

本文介绍了Java中自动拆装箱机制的工作原理及其背后的设计模式——享元模式。通过示例说明了不同数值范围内的Integer对象在内存中的复用情况。

基本数据的自动拆装箱

大家都知道,Java的精髓是一切皆对象。Java继承了一般设计语言的基本数据类型(如int、double等),这种基本数据类型不是对象,而在使用中需要把基本类型转换成对象进行使用。比如使用Map集合对象的Put( )方法时,需要传入的参数是对象。所以,使用在编译时自动将基本数据类型打包成对应的对象,既能符合Java面向对象的设计原则,又能不影响人们使用基本数据类型的习惯。我们把基本数据类型与对象之间的自动转化称为自动拆、装箱。

自动装箱:把类型转变为引用类型

自动拆箱引用类型转变为值类型

在J2SE 5.0之前,对基本数据类型进行打包,需要显示转化。例如:

[java]  view plain  copy
  1. Integer integer=new Integer(10);  

在J2SE 5.0之后提供了自动装箱(AutoBoxing)和自动拆箱(UnBoxing)的功能,可以将上面的代码直接写成:
[java]  view plain  copy
  1. Integer integer=10;  
实际上,这是编译器在编译代码的时候进行了自动转化。带来方便之于隐匿了细节。

[java]  view plain  copy
  1. public class AutoBoxDemo{  
  2.   
  3.     public static void main(String[] args) {  
  4.   
  5.         Integer i1 = 100;  
  6.   
  7.         Integer i2 = 100;  
  8.   
  9.         if (i1 == i2)  
  10.   
  11.             System.out.println("i1 == i2");  
  12.   
  13.         else  
  14.   
  15.             System.out.println("i1 != i2");  
  16.   
  17.         Integer i3 = 200;  
  18.   
  19.         Integer i4 = 200;  
  20.   
  21.         if (i3 == i4)  
  22.   
  23.             System.out.println("i3 == i4");  
  24.   
  25.         else  
  26.   
  27.             System.out.println("i3 != i4");  
  28.   
  29.     }  
  30.   
  31. }  
结果是:

true

false

为什么i3==i4是false呢?
在自动装箱时对于值从-128到127之间的值,它们被装箱为Integer对象后,会存在内存中被重用,所以AutoBoxDemo中使用==进行比较时,i1与i2实际上参考至同一个对象.如果超过了从-128到127之间的值,被装箱后的Integer对象并不会被重用,即相当于每次装箱时都新建一个Integer对象,所以AutoBoxDemo中使用==继续比较时,i3与i4参考的是不同的对象.

这里就牵扯一个设计模式,叫享元设计模式(Flywight)

享元设计模式的特点是:复制内存中已存在的对象,降低系统创建对象实例的内存。比如,此处-128-127之间的值经常被使用,就不需要创建新的对象了。

【轴承故障诊断】加权多尺度字典学习模型(WMSDL)及其在轴承故障诊断上的应用(Matlab代码实现)内容概要:本文介绍了加权多尺度字典学习模型(WMSDL)在轴承故障诊断中的应用,并提供了基于Matlab的代码实现。该模型结合多尺度分析与字典学习技术,能够有效提取轴承振动信号中的故障特征,提升故障识别精度。文档重点阐述了WMSDL模型的理论基础、算法流程及其在实际故障诊断中的实施步骤,展示了其相较于传统方法在特征表达能力和诊断准确性方面的优势。同时,文中还提及该资源属于一个涵盖多个科研方向的技术合集,包括智能优化算法、机器学习、信号处理、电力系统等多个领域的Matlab仿真案例。; 适合人群:具备一定信号处理和机器学习基础,从事机械故障诊断、工业自动化、智能制造等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①学习并掌握加权多尺度字典学习模型的基本原理与实现方法;②将其应用于旋转机械的轴承故障特征提取与智能诊断;③结合实际工程数据复现算法,提升故障诊断系统的准确性和鲁棒性。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注字典学习的训练过程与多尺度分解的实现细节,同时可参考文中提到的其他相关技术(如VMD、CNN、BILSTM等)进行对比实验与算法优化。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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