HashMap、HashTable、ConcurrentHashMap

HashTable :底层数组+链表,无论key还是value都不能为null,线程安全,实现线程安全的方式是在修改数据时锁住整个HashTable,效率低,ConcurrentHashMap做了相关优化,初始化size为11,扩容后oldSize*2+1,计算index方法是index=(hash & 0x7FFFFFFF) %tab.length

HashMap:底层数组+链表实现,可以存储null键和null值,线程不安全。初始zise为16,扩容newsize=oldsize*2,size一定是2的n次幂。扩容针对整个Map,每次扩容时,原来数组的元素一次重新计算存放位置,并重新插入,插入元素才判断要不要扩容,有可能扩容无效(插入后扩容,如果没有再次插入,就会产生无效扩容),当Map中元素总数超过Entry数组的75%,触发扩容操作,为了减少链表长度,元素分配更均匀,index计算方法:index=hash &(tab.length-1)

HashMap的初始值还要考虑加载因子:

       哈希冲突:若干key的哈希值数组大小取模后,如果落在同一个数组下标上,将组成一条Entry链,对key的查找需要遍历每个Entry链上的元素执行equals()比较。

       加载因子:为了降低哈希冲突的概率,默认当HashMap中的键值对达到数组大小的75%时,就会触发扩容,因此如果预估容量是100,需要设置100/0.75=134的数组大小。

空间换时间:如果希望加快key查找时间,还可以降低加载因子,加大初始大小,降低哈希冲突概率。

CocurrentHashMap:底层采用分段的数组+链表实现,线程安全,通过把整个Map分为N个Segment,可以提供相同的线程安全,但是效率提升N倍,默认提升16倍,默认不加锁,由于HashEntry的变量是volatile,也能够保证读取到的时最新的值。

HashTable的synchornized是针对整张Hash表,即每次锁住整张表让线程独占,ConcurrentHashMap允许多个修改操作并发进行,其关键就是在于使用锁分离技术,有些方法需要跨段,比如size() 和containValue() ,他们可能需要锁定整个表而不仅仅是某个段,这需要按照顺序锁定所有段,操作完毕后,又按顺序释放所有的段的锁。

扩容:段内扩容(段内元素超过该段对应的Entry数组长度75%触发扩容,不会对整个HashMap进行扩容),插入前检测需不需要扩容,有效避免扩容。

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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