深入理解HashMap

深入理解HashMap

  • HashMap的存储结构是数组加链表,默认数组长度为16.
  • HashMap的put原理为:根据key值获得hash值,再根据hash值和数组长度确定对应数组索引位置(按位与运算),如果不同的key映射到了数组的同一位置处,就将其头插入对应的单链表。
  • HashMap的get原理为:通过hash获得数组位置后遍历该位置对应的链表

由于HashMap的发明者认为,后插入的Entry被查找的可能性更大,所以put时设计为头插法

  • 当HashMap达到默认负载因子(0.75)时自动双倍扩容,重新计算键值对位置。但数组长度必须为16或者2的幂次,这样容易使相应数据均匀分布。
  • 因为HashMap没加锁,所以不是线程安全的,在高并发情况下,重哈希过程可能会形成链表环。
  • 虽然HashMap是不安全的,但它执行效率较高,key-value都允许null值(其中key为null的map对象就在索引为0的位置上)。而对于HashTable而言,它也是数组加链表的底层结构,但它默认数组长度为11,key-value均不允许为null,因为加了synchronized修饰,所以HashTable是线程安全的,也因此降低了执行效率。
  • 在HashMap不安全,HashTable性能低的情况下,可以使用ConcurrentHashMap。
    ConcurrentHashMap底层是一个Segment数组,数组中的每一个元素相当于一个HashMap。所以它在put,get时需要二次定位。
  • 因为ConcurrentHashMap加了锁,所以它比HashMap安全,又因为它加的锁是分段的,hash值不同时,能实现并行插入,不像HashTable会锁住整个Map,所以它的性能比HashTable更高。

在JDK1.8中,为了提高查询效率,HashMap引入了红黑树,当某一链表的元素>8时,该链表就会转成红黑树。

内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合Koopman算子理论与递归神经网络(RNN)的数据驱动建模方法,旨在对非线性纳米定位系统进行有效线性化建模,并实现高精度的模型预测控制(MPC)。该方法利用Koopman算子将非线性系统映射到高维线性空间,通过递归神经网络学习系统的动态演化规律,构建可解释性强、计算效率高的线性化模型,进而提升预测控制在复杂不确定性环境下的鲁棒性与跟踪精度。文中给出了完整的Matlab代码实现,涵盖数据预处理、网络训练、模型验证与MPC控制器设计等环节,具有较强的基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)可复现性和工程应用价值。; 适合人群:具备一定控制理论基础和Matlab编程能力的研究生、科研人员及自动化、精密仪器、机器人等方向的工程技术人员。; 使用场景及目标:①解决高精度纳米定位系统中非线性动态响应带来的控制难题;②实现复杂机电系统的数据驱动建模与预测控制一体化设计;③为非线性系统控制提供一种可替代传统机理建模的有效工具。; 阅读建议:建议结合提供的Matlab代码逐模块分析实现流程,重点关注Koopman观测矩阵构造、RNN网络结构设计与MPC控制器耦合机制,同时可通过替换实际系统数据进行迁移验证,深化对数据驱动控制方法的理解与应用能力。
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