LinkedList部分源码

本文详细解析了Java中LinkedList的内部实现机制,包括其继承结构、Node节点设计、构造函数、添加元素的方法等核心内容,展示了如何通过双向链表实现高效的数据操作。

继承结构

public class LinkedList<E>
    extends AbstractSequentialList<E>
    implements List<E>, Deque<E>, Cloneable, java.io.Serializable

继承了AbstractSequentialList,实现了List接口,Deque接口和java.io.Serializable接口。
可以用来实现队列!
在这里插入图片描述
Node结构
存储当前元素,前一个节点,和后一个节点。

private static class Node<E> {
        E item;
        Node<E> next;
        Node<E> prev;

        Node(Node<E> prev, E element, Node<E> next) {
            this.item = element;
            this.next = next;
            this.prev = prev;
        }
    }

构造函数

//无参构造函数
public LinkedList() {
    }
//集合参数构造函数
public LinkedList(Collection<? extends E> c) {
        this();
        addAll(c);//把集合中的所有节点加入到list中
    }

添加元素

  • add(E e)
public boolean add(E e) {
        linkLast(e);
        return true;
    }
//把节点加入链表末尾
 void linkLast(E e) {
 //新建node节点保存last节点
        final Node<E> l = last;
//新建node节点,pre指向list中的last节点,当前元素为e,next置空。
        final Node<E> newNode = new Node<>(l, e, null);
//last指向新节点
        last = newNode;
//如果节点l为空(即链表为空),把newNode赋值给first
        if (l == null)
            first = newNode;
//如果不为空,将list之前的last节点,也就是现在的l节点的next指向newNode,链表就连接完成了。
        else
            l.next = newNode;
        size++;
        modCount++;
    }
  • add(index,E element)
    这个函数在刷题的时候有用到,当时觉得很神奇,怎么像ArrayList一样可以按索引插入呢,原来就是从头或者从尾开始遍历……
 public void add(int index, E element) {
 //判断索引位置是否合法,不合法就抛异常,合法就继续。
        checkPositionIndex(index);
//如果索引和链表长度一致,那就在末尾添加元素
        if (index == size)
            linkLast(element);
        else
            linkBefore(element, node(index));
    }
void linkBefore(E e, Node<E> succ) {
        // assert succ != null;
        //新建节点保存index位置的前一个节点
        final Node<E> pred = succ.prev;
        //新建节点,pre指向原来index位置的前一个节点,当前元素为e,next指向原来index位置的元素。
        final Node<E> newNode = new Node<>(pred, e, succ);
        //之后的操作和add一样,就是把链表连起来。
        succ.prev = newNode;
        if (pred == null)
            first = newNode;
        else
            pred.next = newNode;
        size++;
        modCount++;
    }

怎么知道索引为index的节点在哪,原来就是遍历得到的。

 Node<E> node(int index) {
        // assert isElementIndex(index);
//如果索引位置在前一半,从头开始遍历
        if (index < (size >> 1)) {
            Node<E> x = first;
            for (int i = 0; i < index; i++)
                x = x.next;
            return x;
        } else {
        //否则,从后面开始遍历。
            Node<E> x = last;
            for (int i = size - 1; i > index; i--)
                x = x.prev;
            return x;
        }
    }
  • addAll(int index, Collection<? extends E> c)
    这个在有参构造函数时也调用了
 public boolean addAll(int index, Collection<? extends E> c) {
 //检查index合法性
        checkPositionIndex(index);
//将集合转换为数组
        Object[] a = c.toArray();
        int numNew = a.length;
        if (numNew == 0)
            return false;

        Node<E> pred, succ;
        if (index == size) {//把集合插入最后
            succ = null;
            pred = last;
        } else {//插入中间
            succ = node(index);
            pred = succ.prev;
        }

        for (Object o : a) {
        //循环插入节点
            @SuppressWarnings("unchecked") E e = (E) o;
            Node<E> newNode = new Node<>(pred, e, null);
            if (pred == null)
                first = newNode;
            else
                pred.next = newNode;
            pred = newNode;
        }

        if (succ == null) {
            last = pred;
        } else {
            pred.next = succ;
            succ.prev = pred;
        }

        size += numNew;
        modCount++;
        return true;
    }
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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