博客
关于我
java集合ArrayDeque、LinkList、Stack分别分析与区别(最新)
阅读量:747 次
发布时间:2019-03-21

本文共 1473 字,大约阅读时间需要 4 分钟。

ArrayDeque和LinkList是Java中常用的双端队列实现,各具特色,但在性能和实现方式上有明显差异。本文将从基本特征、代码分析、删除元素、扩容方式以及与其他数据结构的比较等方面深入分析这两种数据结构的优缺点。

ArrayDeque基本特征

ArrayDeque是基于循环数组实现的双端队列,具备非线程安全特性,必须在外部进行同步。其特点包括:

  • 双端队列和栈能力:支持添加、删除元素于两端,同时也可用于栈操作,如push、pop等。
  • 克隆能力:实现Cloneable接口,可进行克隆操作。
  • 序列化支持:实现Serializable接口,可进行序列化操作。
  • 不支持随机访问:不实现RandomAccess,适用于仅需要首尾操作的场景。
  • 循环数组存储:提高了元素位置的计算效率,添加和删除操作均为O(1)。

默认容量为16,扩容到2的次幂方式,优化了元素位置的计算。添加元素时,利用位运算计算位置,确保快速插入位置。

LinkList基本特征

LinkList基于双向链表实现,同样支持双端队列和栈操作,具备以下特点:

  • 随机存取能力:实现List接口,可支持随机位置的元素访问。
  • 克隆能力:支持克隆。
  • 序列化支持:支持序列化。
  • 非线程安全:需外部同步。

链表存储结构使其首尾插队均为O(1),但插入时需创建新节点,影响性能。此外,删除操作时需调整节点的前后指针,保持双向链表的正确性。

ArrayDeque代码分析

ArrayDeque的实现细节是其性能优势的关键:

  • 容量计算:初始容量为16,扩容到2的次幂,例如16,32,64等。使用calculateSize方法,通过位运算计算最优容量。
  • 添加元素:利用位运算的特性,快速计算位置。addFirst和addLast方法分别在首尾插入元素,内存检查下溢后倍增容量。
  • 删除元素:pollFirst和pollLast方法通过移动指针快速删除元素,确保操作效率。
  • 扩容策略:将元素重新分布到新数组,保持数据有序性,提高效率。
  • 循环数组优势:位运算和循环数组提高了元素位置的快速计算,减少了尾指针调整的开销。

LinkList代码分析

LinkList的实现重点在于双向链表的高效操作:

  • 节点结构:维护first和last节点指针及size计数。
  • 插入操作:linkFirst和linkLast分别添加首尾元素,通过修改节点的前后指针。
  • 随机插入:通过node方法快速定位节点位置,实现快速插入。
  • 删除操作:unlinkFirst和unlinkLast方法通过断开节点的前后指针,删除元素。
  • 性能优势:在频繁修改首尾时,LinkList的内存管理效率较高,避免了数组的扩容开销。

删除Elements奥复杂度分析

  • ArrayDeque:以移动头和尾指针为基础,复杂度均为O(1),优于LinkList的节点操作。
  • LinkList:虽然操作频率低,但节点操作可能带来额外内存开销。

扩容方式对比

  • ArrayDeque:倍增数组容量,减少尾指针计算。
  • LinkList:无需扩容,内存管理简单。

与Stack比较

ArrayDeque的性能优于Stack,因为使用循环数组,而Stack因数组元素移动导致效率低。

总结

  • ArrayDeque:性能优异,操作复杂度低,适用于非线程安全的环境。
  • LinkList:在频繁修改首尾时有优势,但插入操作有内存开销。
  • Stack:效率低于ArrayDeque,适用于需要同步操作的场景。

选择时需权衡具体需求,ArrayDeque在大多数情况下的表现更优。

转载地址:http://xttgz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实用技巧 | 使用OpenCV进行模糊检测
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 水下检测+扩散模型:或成明年CVPR最大惊喜!
查看>>
OpenCV与AI深度学习 | 深入浅出了解OCR识别票据原理
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
查看>>
OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
查看>>
OpenCV与AI深度学习|16个含源码和数据集的计算机视觉实战项目(建议收藏!)
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
OpenCV中的监督学习
查看>>
opencv中读写视频
查看>>
OpenCV中遇到Microsoft C++ 异常 cv::Exception
查看>>
opencv之cv2.findContours和drawContours(python)
查看>>
opencv之namedWindow,imshow出现两个窗口
查看>>
opencv之模糊处理
查看>>