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
NIO基于UDP协议的网络编程
查看>>
NIO笔记---上
查看>>
Vue3.0中的响应式原理(第九课)
查看>>
NIO蔚来 面试——IP地址你了解多少?
查看>>
NISP一级,NISP二级报考说明,零基础入门到精通,收藏这篇就够了
查看>>
NISP国家信息安全水平考试,收藏这一篇就够了
查看>>
NIS服务器的配置过程
查看>>
NIS认证管理域中的用户
查看>>
Nitrux 3.8 发布!性能全面提升,带来非凡体验
查看>>
NiuShop开源商城系统 SQL注入漏洞复现
查看>>
NI笔试——大数加法
查看>>
NLog 自定义字段 写入 oracle
查看>>
NLog类库使用探索——详解配置
查看>>
NLP 基于kashgari和BERT实现中文命名实体识别(NER)
查看>>
NLP 时事和见解【2023】
查看>>
NLP 模型中的偏差和公平性检测
查看>>
Vue3.0 性能提升主要是通过哪几方面体现的?
查看>>
NLP 项目:维基百科文章爬虫和分类【01】 - 语料库阅读器
查看>>
NLP_什么是统计语言模型_条件概率的链式法则_n元统计语言模型_马尔科夫链_数据稀疏(出现了词库中没有的词)_统计语言模型的平滑策略---人工智能工作笔记0035
查看>>
NLP、CV 很难入门?IBM 数据科学家带你梳理
查看>>