继续谈类初始化问题,关于内部类

本文详细探讨了Java中类的初始化顺序,包括基础类、继承类及内部类(静态与非静态)的不同初始化流程。通过具体示例展示了静态数据、实例数据、静态块、实例块及构造器的执行顺序。
说明:
昨天看到一篇关于谈类初始化问题的,转载了一下,没有发表成功,现在自己将自己的理解整理了一番,希望探讨一下。

由于前面的一篇文章[url]http://zangweiren.iteye.com/blog/208122[/url]没有谈到内部类,现就这个测试一下。


public class TestA {

static class A {
static String string1 = "内部类--静态数据";
String string2 = "内部类--实例数据";
static {
System.out.println(string1);
}
{
System.out.println(string2);
}

}

static String string3 = "主类--静态数据";
String string4 = "主类--实例数据";
static {
System.out.println(string3);
}
{
System.out.println(string4);
}

public static void main(String[] args) {
new A();
System.out.println("---------");
new TestA();
}
}



运行上面的代码,会得到如下的结果:
主类--静态数据
内部类--静态数据
内部类--实例数据
---------
主类--实例数据


public class TestA {

class A {
String string1 = "内部类--实例数据";
{
System.out.println(string1);
}

public A(){
System.out.println("内部类--构造器");
}

}

public TestA(){
System.out.println("主类--构造器");
}

static String string2 = "主类--静态数据";
String string3 = "主类--实例数据";
static {
System.out.println(string2);
}
{
System.out.println(string3);
}

public static void main(String[] args) {
new TestA().new A();
}
}



运行上面的代码,会得到如下的结果:
主类--静态数据
主类--实例数据
主类--构造器
内部类--实例数据
内部类--构造器

可以得出这样的结论:
平常的基础类(即没有继承关系,内部类),初始化顺序:(静态数据|静态块)-->(实例数据|实例块)-->构造器。


继承的类,初始化顺序:继承类首先初始化,如果再次继承以此类推,最顶层类执行(静态数据|静态块),次顶层类执行(静态数据|静态块),以此类推,直至最底层基类,然后最顶层类执行(实例数据|实例块)-->构造器,次顶层类执行(实例数据|实例块)-->构造器,以此类推,直至最底层基类。


内部类(静态)
首先调用静态内部类,初始化顺序:主类(静态变量|静态块)的初始化,静态内部类的(静态数据|静态块)-->(实例数据|实例块)-->构造器,如果再次调用主类,才会初始化主类(实例数据|实例块)-->构造器。
如果首先调用主类,初始化顺序:主类(静态变量|静态块)-->(实例数据|实例块)-->构造器,如果再次调用内部类,初始化顺序:内部类(静态变量|静态块)-->(实例数据|实例块)-->构造器。两个完全是独立的。

内部类(非静态)
初始化顺序:主类(静态变量|静态块)-->(实例数据|实例块)-->构造器,然后内部类(实例数据|实例块)-->构造器。内部类总是与主类的一个对象相绑定。

如果出现两个或者多个内部类,初始化顺序以此类推。
【无人机】基于改进粒子群算法的无人机路径规划研究[和遗传算法、粒子群算法进行比较](Matlab代码实现)内容概要:本文围绕基于改进粒子群算法的无人机路径规划展开研究,重点探讨了在复杂环境中利用改进粒子群算法(PSO)实现无人机三维路径规划的方法,并将其与遗传算法(GA)、标准粒子群算法等传统优化算法进行对比分析。研究内容涵盖路径规划的多目标优化、避障策略、航路点约束以及算法收敛性和寻优能力的评估,所有实验均通过Matlab代码实现,提供了完整的仿真验证流程。文章还提到了多种智能优化算法在无人机路径规划中的应用比较,突出了改进PSO在收敛速度和全局寻优方面的优势。; 适合人群:具备一定Matlab编程基础和优化算法知识的研究生、科研人员及从事无人机路径规划、智能优化算法研究的相关技术人员。; 使用场景及目标:①用于无人机在复杂地形或动态环境下的三维路径规划仿真研究;②比较不同智能优化算法(如PSO、GA、蚁群算法、RRT等)在路径规划中的性能差异;③为多目标优化问题提供算法选型和改进思路。; 阅读建议:建议读者结合文中提供的Matlab代码进行实践操作,重点关注算法的参数设置、适应度函数设计及路径约束处理方式,同时可参考文中提到的多种算法对比思路,拓展到其他智能优化算法的研究与改进中。
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