数据结构之ArrayList构成与实现要素与方法实现思路

本文详细解析了ArrayList的数据结构,包括其实现原理、主要方法及其工作流程。深入探讨了ArrayList如何通过数组实现线性表,并介绍了其增删查改等操作的具体实现。

ArrayList :是什么?
线性表,数据排列无序,有索引,呈一字型排序的一种数据排列结构。底层采用数组进行实现。实现了List接口
一、List接口中的方法以及ArrayList重写后的实现思路:
1、:

/*
	 * 获取线性表中元素的个数  线性表的长度
	 *@return   线性表中的有效元素的个数	
	 */
	
 public int getSize();
 //直接返回size  size代表数组中数据的实际个数
return size;
/*
 * 判断线性表是否为空
 *@return  是否为空	
 */

public boolean isEmpty();
// 如果数组中的数据个数size==0则返回true 反之则返回false;
return size==0?true;false
/*
 * 在线性表index处添加元素e
 *@param  index  指定的角标  0<=index<=size
 *@param e    要插入的元素
 *
 	public void add(int index,E e);
//首先判断index是否合法new E[].length<=index>=0
//接着将数组中的数据从index处进行1位后移。
//然后将数据e添加到index处   new E[index]=e;
//此处需要对是否需要扩容进行判断
if(size==E[].length||size==E[].lenght*0.75){         //当数组中数组长度等于数组空间长度时或者到达当前数组容量的75%时,就要进行扩容了,
	addCapatiy(E[].lenght*2);  //扩容后的长度为当前数组容量的2倍
}
size++;
//添加的时候还需要注意容量是否够,如果不够那就需要进行扩容  

//定义一个扩容方法:public  void addCapatiy(int capatiy){
										//要扩的容量我们自己定义
										首先创建一个新的数组,长度为我们扩容后的容量
										E[] newE=new Obeject[capatiy];  //这里的数组就是一个临时的数组
										然后将老数组里的数据复制到新数组里面去
										for(int i=0;i<getSize;i++){
										   newE[i]=oldE[i];//将老数组中的值复制到新数组中,注意,新数组的大小此时为capatiy;											   
										}
										oldE=newE;//将方法里创建的数组又返回我们正在使用的数组对象。
									
										}
//表头添加元素
public void addFirst(E e);
	add(0,e);
//表尾添加元素
public void addLast(E e);
add(E[].length-1,e);
//在表中根据指定角标获取元素,指定角标大于0小于角标的个数size
public E get(int index);
//此处对index合法性进行判断,判断方法同上
return E[index];
//获取表头元素 返回值为表头元素 0
public E getFirst();
return E[0];
//获取表尾元素  返回值为表尾元素   size-1
public E getLast();
return E[E[].lenght-1];
//修改线性表中指定index处的元素为E  没有返回值
public void set(int index,E e);
E[index]=e;
//判断线性表中是否包含指定元素e  参数为E   返回值为boolean 
public boolean contains(E e);
//此处对数组是否为空进行判断
E[].isEmpty(){
	return false;
}
for(int i=0;i<size;i++){
	if(E[i].equals(e)){
		return true;
	}
	return false;
}
//在线性表中获取元素角标  从前往后找   参数为E  返回值为int   返回数据角标
public int find(E e);
//此处需对数组是否为空进行判断
for(int i=0;i<size;i++){
if(E[i].equals(e)){
		return i;
}
}
//在线性表中  根据指定角标 删除元素  并返回该元素    角标范围为:0至size-1
public E remove(int index);
//先说实现思路   对数组index后的元素进行向前位移一位操作
E =E[index];
for(int i=index;i<size;i++){
	E[index]=E[index+1];
}
size--;
//此处需对数组进行是否减小容量判断
if(E[].lenght/4>size&&E[].lenght>数组默认容量){
	addCapatiy(E[].length/2);//如果当前数组容量大于数组默认容量并且 当前数据个数小于数组容量的四分之一name进行减容 设置容量为当前数组长度的二分之一
}
return E;
//在线性表中 删除表头元素 返回表头元素
public E removeFirst();
return remove(0);
//在线性表中 删除表尾元素  返回删除元素	
public E removeLast();
return remove(size-1);
//在线性表中根据元素删除指定元素  
public void removeElement(E e);
//懒得写了直接粘贴了
int index=find(e);
	if(index==-1){
		throw new IllegalArgumentException("删除元素不存在");
	}
	remove(index);
//清空线性表  无返回值  无参数
public void clear();
size=0;
//重写equals方法,总体来说就是对当前对象与目标对象进行比较
public boolean equals(Object obj);
//首先判断目标对象是否为空obj.isEmpty();
//接着判断目标对象是不是自己
this==obj;
//接着判断目标对象是否是ArrayList类型
if(obj instanceof ArrayList){
//将目标对象转换成ArrayList类型
ArrayList listObj=obj;//此处进行强制转换
//对两个数组长度进行判断
E[].getSize()==listObj.getSize();
for(int i=0;i<listObj.size;i++){
	if(E[i]==listObj[i]){
			return true;
}
}
return false;
}

以上是本人对ArrayList的一点不成熟的理解,如有不对欢迎批评指正。

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个性化推荐展示,Java后端支撑高并发服务日志处理,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)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,重点关注本地训练全局聚合的协同逻辑,同时可基于项目架构进行算法替换功能扩展,适用于科研验证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
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