java新特性学习------Stream中间操作 & 终止操作

本文深入探讨Java Stream API的中间操作和终止操作,包括map、flatMap的使用案例,以及如何进行自然排序和定制排序。通过具体代码示例,展示如何将字符串集合转换为字符流,并进行排序处理。

中间操作

(上一篇博客中也有部分 中间操作 )传送门

多个中间操作可以连接起来形成一个流水线,除非流水线上触发终止操作,否则中间操作不会执行任何处理!而在终止操作时一次性全部处理,称作“惰性求值”

map和flatMap

用例:将String集合中的每个元素转成字符然后打印

 //得到一个 character 的stream
 public static Stream<Character> filerStream(String str){
  
  //建立一个list
  List<Character> list = new ArrayList<Character>();
  
  for (Character ch : str.toCharArray()) {
   list.add(ch);
  }
  
  return list.stream();
 }
map

接受lambda,将元素转换成其他形式或提取信息,接收一个函数作为参数,该函数将会被应用到每个元素上,并将其映射成一个新的元素。

  //创建集合
  List<String> list = Arrays.asList("jin","xiao","kun");
  
  // map 的使用(这个通过方法引用得到的元素是Stream<character>类型)
  Stream<Stream<Character>> stream = list.stream()
    .map(MapDemo::filerStream);
  
  
  stream.forEach((com) -> {
  
  // com 是一个 Stream<character> 类型的变量
   com.forEach(System.out::println);
   
  });

flatMap:接受一个函数作为参数,将流中的每个值都换成另一个流,然后把所有的流连接成一个新的流

//得到集合
List<String> list = Arrays.asList("jin","xiao","kun");

  // flatMap 的使用
   list.stream()
    .flatMap(MapDemo::filerStream)
    .forEach(System.out::println);

注:
可将 map 和 flatMap 的关系,类比集合中 add 和 addAll 来进行理解

排序

自然排序
sort() : 按照元素已经实现的Comparable 进行排序

@Test
 public void test2() {
  
  //自然排序,按照元素实现的 Comparable 排序
  String[] str2 = {"li","bin","qing","jin","xiao","kun"};
  
  Arrays.stream(str2)
     .sorted()
     .forEach(System.out::println);
  
 }

定制排序
sorted(Comparator) : 自行传递一个 Comparator 构造器进行排序

@Test
 public void test() {
  //sorted() 定制排序
  //自己创建一个 comparator 比较器进行排序
  employees.stream()
     .sorted((e1,e2) -> {
     if (e1.getAge() == e2.getAge()) {
      return e1.getName().compareTo(e2.getName());
     }else{
      return e1.getAge() - e2.getAge();
     }
     })
     .forEach(System.out::println);
 }
基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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