JDK1.8源码解析-HashMap (二)

JDK1.8源码解析-HashMap II

承接上一篇《JDK1.8源码解析-HashMap I》,本篇主要介绍关于Java8针对HashMap在数据结构上的优化,涉及如何将链表优化成红黑树以及对红黑树的操作。


1. 概述

在上一篇中我们基于put方法分析了HashMap的底层实现,并且知道当hash产生碰撞,HashMap会以链表存放这些keyHash相同的键值对,并且当链表长度大于等于TREEIFY_THRESHOLD时,会将该链表转换成红黑树;另一方面,put元素时,当哈希桶中本身已经是红黑树(通过首元素instanceof TreeNode判断),调用TreeNode的putTreeVal方法插入红黑树。

2. 源码解析

2.1 HashMap.treeifyBin
final void treeifyBin(Node<K,V>[] tab, int hash) {
    int n, index; Node<K,V> e;
    // 如果table的长度小于最小的转换容量阈值,则通过哈希桶的扩容来达解决hash碰撞的问题
    if (tab == null || (n = tab.length) < MIN_TREEIFY_CAPACITY)
        resize();
    // e是桶中的首元素
    else if ((e = tab[index = (n - 1) & hash]) != null) {
        // 准备树中的临时变量, 头hd, 尾tl
        TreeNode<K,V> hd = null, tl = null;
        // 当
        do {
            // 将当前链表元素Node转为TreeNode
            TreeNode<K,V> p = replacementTreeNode(e, null);
            // 第一次循环,将hd指向链表头元素的地址
            if (tl == null)
                hd = p;
            // 后续循环中,将当前TreeNode的prev指向前一循环的TreeNode
            // 前一循环的TreeNode的next指向当前TreeNode
            else {
                p.prev = tl;
                tl.next = p;
            }
            // tl指向当前TreeNode
            tl = p;
        } while ((e = e.next) != null);
        // 重新规整以tab[index]为头的红黑树
        if ((tab[index] = hd) != null)
            hd.treeify(tab);
    }
}

treeifyBin首先确定是否要通过红黑树转换方法解决hash碰撞,在桶容量小于MIN_TREEIFY_CAPACITY的情况下,通过resize()扩容解决碰撞,因为绝大多数hash碰撞主要由于hash&len-1相同导致(取模),而非真正的keyHash相同导致,
而当cap很小时,这种情况将更加普遍,因此通过扩容,可以将部分原来在同一链表中的元素扩散到其他桶位置(上一篇resize分析中已经说过,对于这种情况,部分键值对将分布到hash&len-1 + oldCap的位置)。接下来,如果确实需要转换红黑树,则先预处理链表中的元素,将他们都把类型转换为TreeNode并把他们链接起来,再通过treeify方法将他们树化,形成符合红黑树特性的一棵平衡树。下面,我们再看看treeify怎么实现红黑树建立算法。

final void treeify(Node<K,V>[] tab) {
    TreeNode<K,V> root = null;
    // 开始遍历从当前树节点开始直至叶节点
    for (TreeNode<K,V> x = this, next; x != null; x = next) {
        // next指向当前节点的next
        next = (TreeNode<K,V>)x.next;
        // 初始化left & right
        x.left = x.right = null;
        // 第一次循环, 将root指
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
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