正文

算法優(yōu)化要考慮的內(nèi)容（算法優(yōu)化要考慮的內(nèi)容不包括）

發(fā)布時(shí)間：2023-04-19 08:30:25 稿源：創(chuàng)意嶺閱讀： 124

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于算法優(yōu)化要考慮的內(nèi)容的問(wèn)題，以下是小編對(duì)此問(wèn)題的歸納整理，讓我們一起來(lái)看看吧。

開(kāi)始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、SEO算法基礎(chǔ)優(yōu)化有哪些
2、如何把握算法多樣化和優(yōu)化？
3、優(yōu)化算法
4、數(shù)據(jù)結(jié)構(gòu)和算法優(yōu)化

算法優(yōu)化要考慮的內(nèi)容（算法優(yōu)化要考慮的內(nèi)容不包括）

一、SEO算法基礎(chǔ)優(yōu)化有哪些

這是櫻花總結(jié)的，你可以看一下

1、網(wǎng)站結(jié)構(gòu)是否屬于扁平化和立體化

扁平化，URL是否具有可讀性，是否符合SEO優(yōu)化規(guī)則

立體化，網(wǎng)站有推薦閱讀，面包屑，網(wǎng)站導(dǎo)航，網(wǎng)站地圖，內(nèi)鏈部署模塊，友鏈模塊，網(wǎng)站404頁(yè)面等

2、用戶需求

3、診斷頁(yè)面SEO元素，TDK，H1，Alt（代替標(biāo)簽），首頁(yè)部署品牌詞，產(chǎn)品頁(yè)面部署產(chǎn)品詞，評(píng)論頁(yè)面部署問(wèn)答詞等，以及頁(yè)面內(nèi)關(guān)鍵詞的部署密度。

4、robots文件合理編寫

5、診斷數(shù)據(jù)統(tǒng)計(jì)工具，確保我們分析網(wǎng)站流量數(shù)據(jù)

6、分析行業(yè)現(xiàn)狀，分析競(jìng)爭(zhēng)對(duì)手SEO指標(biāo)，競(jìng)爭(zhēng)對(duì)手關(guān)鍵詞詞庫(kù)，SEO產(chǎn)品建設(shè)，行業(yè)所處的位置，提升空間，同行的差距

分析競(jìng)對(duì)手的優(yōu)勢(shì)和劣勢(shì)，制定相應(yīng)的策略及方案

8、SEO效果預(yù)估，在一定時(shí)間內(nèi)實(shí)現(xiàn)什么樣的效果，比如0-1個(gè)月網(wǎng)站收錄，外鏈，挖掘長(zhǎng)尾關(guān)鍵詞，重點(diǎn)熱點(diǎn)關(guān)鍵詞

9、外鏈建設(shè)

二、如何把握算法多樣化和優(yōu)化？

隨著課堂教學(xué)改革的深化和《數(shù)學(xué)課程標(biāo)準(zhǔn)》出臺(tái)，對(duì)計(jì)算教學(xué)提出了新要求，“應(yīng)重視口算，加強(qiáng)估算，提倡算法多樣化”的理念，給計(jì)算教學(xué)的課堂帶來(lái)了新的活力，在不少老師的課堂上，算法多樣化的理念能得到很好的體現(xiàn)，一道計(jì)算題通過(guò)教師的悉心引導(dǎo)，同學(xué)們的積極思考，奇思妙想層出不窮，學(xué)生課堂表現(xiàn)異?；钴S，“算法多樣化”成為小學(xué)數(shù)學(xué)教學(xué)中關(guān)注的一個(gè)熱點(diǎn)。在計(jì)算教學(xué)中，我們?nèi)绾伟盐账惴ǘ鄻踊蛢?yōu)化，不使教學(xué)流于形式呢？

圍繞這個(gè)問(wèn)題，我們賓陽(yáng)縣也開(kāi)展了教研活動(dòng)，教師們?cè)诎阉惴ǘ鄻踊唧w落實(shí)在到教學(xué)實(shí)踐時(shí)，出現(xiàn)了不少的困惑和誤區(qū)；在我們學(xué)校，老師們也以此確立了一個(gè)校級(jí)課題，進(jìn)行研究，真正開(kāi)展起來(lái)確實(shí)覺(jué)得對(duì)《數(shù)學(xué)課程標(biāo)準(zhǔn)》中提出的“算法多樣化”這一理念的理解比較模糊，在操作上也有很多疑惑，難以把握好算法多樣化教學(xué)的尺度；通過(guò)教研室組織的培訓(xùn)，不斷學(xué)習(xí)、實(shí)踐和反思，摸爬滾打中我們有了一些自己的體會(huì)：

一、算法多樣化不等于算法全面化

算法多樣化是一個(gè)學(xué)習(xí)共同體為解決某一個(gè)問(wèn)題，通過(guò)動(dòng)手實(shí)踐、自主探索和合作交流后形成的多種計(jì)算方法的集合體。它是針對(duì)一個(gè)學(xué)習(xí)共同體而言的，絕不是針對(duì)某一學(xué)習(xí)個(gè)體而言。多樣化并不意味著追求全面化。

首先，提倡算法多樣化并不是把所有的算法都要想出來(lái)。如教學(xué)13減9得幾時(shí)，學(xué)生只想到了以下四種方法：

（1）先擺13根小棒，再拿走9根，還剩4根；

（2）算減法想加法，因?yàn)?加4得13，把以13減9得4；（3）先從10里減9得1，1再加3得4；

（4）先算13減3得10，再算10減6得4。

除了學(xué)生想到的四種方法，還有其它方法，如：9減3得6，10再減6等于4。但學(xué)生沒(méi)有說(shuō)出，如果教師刻意追求，反復(fù)啟發(fā)，千呼萬(wàn)喚才得了出來(lái)，說(shuō)明這種方法遠(yuǎn)離兒童的認(rèn)知最近發(fā)展區(qū)，強(qiáng)行讓學(xué)生接受這種方法就會(huì)加重學(xué)生負(fù)擔(dān)，無(wú)益于學(xué)生的發(fā)展。算法多樣化教學(xué)，是教學(xué)生，不是教教材，不能為了追求全面而讓學(xué)生把大量的時(shí)間花費(fèi)在某些難懂的解題方法上，只要不影響后續(xù)的學(xué)習(xí)，最好淡化形式，注重實(shí)質(zhì)。

其次，算法多樣化不能要求每個(gè)學(xué)生都要想出一種或幾種不同的計(jì)算方法，不能無(wú)原則地降低數(shù)學(xué)思考的要求。每個(gè)學(xué)生都有自己的特點(diǎn)，學(xué)生在學(xué)習(xí)數(shù)學(xué)方面的差異是客觀存在的。在算法多樣化教學(xué)中要針對(duì)不同的學(xué)生提出不同的要求。對(duì)已經(jīng)想出一種方法的學(xué)生，教師應(yīng)給予充分的肯定并鼓勵(lì)他們繼續(xù)探索；對(duì)于沒(méi)有想出算法的學(xué)生，在肯定他們已經(jīng)積極動(dòng)腦、努力探索的基礎(chǔ)上，要求他們學(xué)會(huì)傾聽(tīng)別人的想法、聽(tīng)懂別人的方法。同時(shí)要求他們?cè)诮窈蟮膶W(xué)習(xí)中更加努力的探索，期望有更大的進(jìn)步。

第三、算法多樣化教學(xué)并非要求每個(gè)學(xué)生掌握多種算法。算法多樣化教學(xué)鼓勵(lì)學(xué)生用不同的方法探索和解決問(wèn)題，但決不能要求每個(gè)學(xué)生都掌握多種算法。教學(xué)中，教師可在引導(dǎo)學(xué)生了解不同的解題方法，體驗(yàn)解題策略的多樣性，引導(dǎo)學(xué)生對(duì)各種方法進(jìn)行分析、比較的基礎(chǔ)上，提出不同的要求。對(duì)學(xué)有余力的學(xué)生，可鼓勵(lì)他們掌握兩種或兩種以上自己喜歡的方法，以開(kāi)闊其視野；對(duì)學(xué)困生，只要他們能掌握一種適合自己的方法就可以了。

認(rèn)識(shí)到算法多樣化并非算法全面化、不是一定要達(dá)到預(yù)期的幾種算法，更不是一定要呈現(xiàn)教材中出現(xiàn)的每一種算法；也不是讓每一個(gè)學(xué)生都得掌握其中的每一種算法，而是從學(xué)生的自身認(rèn)知水平出發(fā)，以開(kāi)放、寬容的態(tài)度等待、處理算法多樣化教學(xué)，讓學(xué)生盡量獲得成

功的體驗(yàn)，感受到自我探索的價(jià)值和數(shù)學(xué)學(xué)習(xí)的樂(lè)趣，促進(jìn)學(xué)生的可持續(xù)發(fā)展，這才是倡導(dǎo)算法多樣化的目的所在。

二、多中選優(yōu)，擇優(yōu)而用

“多樣化”后干什么？回答是肯定的：“優(yōu)化！”因?yàn)樗惴ǘ鄻踊⒉皇菃渭円饬x上的計(jì)算方法多樣化，比之更重要的還有相應(yīng)的優(yōu)化的過(guò)程，“多中選優(yōu)，擇優(yōu)而用”的思想方法，是學(xué)生的學(xué)習(xí)和生活中不可缺少的，也是發(fā)展學(xué)生數(shù)學(xué)思維、培養(yǎng)學(xué)生創(chuàng)新意識(shí)的重要方法。在研究中我們有的教師片面的認(rèn)為算法多樣化就是學(xué)生講的方法越多越好，刻意地追求算法的多樣化，忽略了算法的優(yōu)化，從一個(gè)極端走向另一個(gè)極端，造成了計(jì)算教學(xué)的低效；也有的教師認(rèn)為，如果對(duì)算法進(jìn)行優(yōu)化，那就談不上算法多樣化了，似乎多樣化與優(yōu)化之間存在矛盾，其實(shí)不然，算法優(yōu)化是學(xué)生個(gè)體的學(xué)習(xí)、體驗(yàn)和感悟的過(guò)程，如果不對(duì)算法進(jìn)行優(yōu)化，我們的學(xué)生就沒(méi)有收獲、沒(méi)有提高。

1、構(gòu)筑多樣化與優(yōu)化的橋梁。

算法多樣化并不是單純意義上的計(jì)算方法多樣化，計(jì)算方法沒(méi)有好壞之分，但有繁簡(jiǎn)之別，我們要清楚，每一種看似復(fù)雜或簡(jiǎn)單的計(jì)算方法之后，跟我們所要最終優(yōu)化的方案，有哪些潛在的聯(lián)系。如教學(xué)9加幾的計(jì)算方法中，有擺小棒、數(shù)數(shù)、用計(jì)數(shù)器、湊十法等，湊十法是最簡(jiǎn)單也是最實(shí)用的方法，而擺小棒、數(shù)數(shù)、計(jì)數(shù)器都與湊十法有一定聯(lián)系，象擺小棒過(guò)程中，學(xué)生是一根一根數(shù)的，教師就可以引導(dǎo)學(xué)生湊足十根捆成一捆，再數(shù)剩下幾根，讓大家一眼就看出一共是幾根，既簡(jiǎn)單形象又滲透了“湊十”的概念；計(jì)數(shù)器具更是對(duì)湊十法的應(yīng)用，個(gè)位上湊足了十個(gè)珠，再加上個(gè)位剩下的珠子，9+3一共等于幾。此時(shí)，教師如果能將這些方法的內(nèi)在含義通過(guò)操作演示給學(xué)生，并適時(shí)小結(jié)9加幾的加法怎么樣算最簡(jiǎn)便，讓學(xué)生對(duì)湊十法從直觀到抽象都有深刻的理解，這樣才能促使學(xué)生對(duì)自己所選擇的方法。

三、優(yōu)化算法

動(dòng)量法、AdaGrad、RMSProp、AdaDelta、Adam

在7.2節(jié)（梯度下降和隨機(jī)梯度下降）中我們提到，目標(biāo)函數(shù)有關(guān)自變量的梯度代表了目標(biāo)函數(shù)在自變量當(dāng)前位置下降最快的方向。因此，梯度下降也叫作最陡下降（steepest descent）。在每次迭代中，梯度下降根據(jù)自變量當(dāng)前位置，沿著當(dāng)前位置的梯度更新自變量。然而，如果自變量的迭代方向 僅僅取決于自變量當(dāng)前位置，這可能會(huì)帶來(lái)一些問(wèn)題 。

可以看到，同一位置上，目標(biāo)函數(shù)在豎直方向（軸方向）比在水平方向（軸方向）的斜率的絕對(duì)值更大。因此，給定學(xué)習(xí)率，梯度下降迭代自變量時(shí)會(huì)使自變量在豎直方向比在水平方向移動(dòng)幅度更大。那么，我們 需要一個(gè)較小的學(xué)習(xí)率 從而避免自變量在豎直方向上越過(guò)目標(biāo)函數(shù)最優(yōu)解。然而，這會(huì)造成自變量在水平方向上 朝最優(yōu)解移動(dòng)變慢 。

試著將學(xué)習(xí)率調(diào)大一點(diǎn)，此時(shí)自變量在豎直方向不斷越過(guò)最優(yōu)解并逐漸發(fā)散。

動(dòng)量法的提出是為了解決梯度下降的上述問(wèn)題。

其中，動(dòng)量超參數(shù) 滿足。當(dāng) 時(shí)，動(dòng)量法等價(jià)于小批量隨機(jī)梯度下降。

因此，在實(shí)際中，我們常常將看作是最近個(gè)時(shí)間步的的值的加權(quán)平均。

現(xiàn)在，我們對(duì)動(dòng)量法的速度變量做變形：

優(yōu)化算法中，⽬標(biāo)函數(shù)⾃變量的每⼀個(gè)元素在相同時(shí)間步都使⽤同⼀個(gè)學(xué)習(xí)率來(lái)⾃我迭代。在“動(dòng)量法”⾥我們看到當(dāng)x1和x2的梯度值有較⼤差別時(shí)，需要選擇⾜夠小的學(xué)習(xí)率使得⾃變量在梯度值較⼤的維度上不發(fā)散。但這樣會(huì)導(dǎo)致⾃變量在梯度值較小的維度上迭代過(guò)慢。動(dòng)量法依賴指數(shù)加權(quán)移動(dòng)平均使得⾃變量的更新⽅向更加⼀致，從而降低發(fā)散的可能。本節(jié)我們介紹AdaGrad算法，它根據(jù)⾃變量在每個(gè)維度的梯度值的⼤小來(lái)調(diào)整各個(gè)維度上的學(xué)習(xí)率，從而避免統(tǒng)⼀的學(xué)習(xí)率難以適應(yīng)所有維度的問(wèn)題。

AdaGrad算法會(huì)使⽤⼀個(gè)小批量隨機(jī)梯度gt按元素平⽅的累加變量st。在時(shí)間步0，AdaGrad將s0中每個(gè)元素初始化為0。在時(shí)間步t，⾸先將小批量隨機(jī)梯度gt按元素平⽅后累加到變量st：

其中⊙是按元素相乘。接著，我們將⽬標(biāo)函數(shù)⾃變量中每個(gè)元素的學(xué)習(xí)率通過(guò)按元素運(yùn)算重新調(diào)整⼀下：

其中η是學(xué)習(xí)率，ϵ是為了維持?jǐn)?shù)值穩(wěn)定性而添加的常數(shù)，如10的-6次方。這⾥開(kāi)⽅、除法和乘法的運(yùn)算都是按元素運(yùn)算的。這些按元素運(yùn)算使得⽬標(biāo)函數(shù)⾃變量中 每個(gè)元素都分別擁有⾃⼰的學(xué)習(xí)率 。

需要強(qiáng)調(diào)的是，小批量隨機(jī)梯度按元素平⽅的累加變量st出現(xiàn)在學(xué)習(xí)率的分⺟項(xiàng)中。因此，

然而，由于st⼀直在累加按元素平⽅的梯度，⾃變量中每個(gè)元素的學(xué)習(xí)率在迭代過(guò)程中⼀直在降低（或不變）。所以，當(dāng)學(xué)習(xí)率在迭代早期降得較快且當(dāng)前解依然不佳時(shí)，AdaGrad算法在迭代后期由于學(xué)習(xí)率過(guò)小，可能較難找到⼀個(gè)有⽤的解。

當(dāng)學(xué)習(xí)率在迭代早期降得較快且當(dāng)前解依然不佳時(shí)，AdaGrad算法在迭代后期由于 學(xué)習(xí)率過(guò)小 ，可能較難找到⼀個(gè)有⽤的解。為了解決這⼀問(wèn)題，RMSProp算法對(duì)AdaGrad算法做了⼀點(diǎn)小小的修改。

不同于AdaGrad算法⾥狀態(tài)變量st是 截⾄時(shí)間步t所有小批量隨機(jī)梯度gt按元素平⽅和 ，RMSProp算法將這些梯度 按元素平⽅做指數(shù)加權(quán)移動(dòng)平均 。具體來(lái)說(shuō)，給定超參數(shù)0 ≤ γ < 1，RMSProp算法在時(shí)間步t > 0計(jì)算：

和AdaGrad算法⼀樣，RMSProp算法將⽬標(biāo)函數(shù)⾃變量中每個(gè)元素的學(xué)習(xí)率通過(guò)按元素運(yùn)算重新調(diào)整，然后更新⾃變量：

其中η是學(xué)習(xí)率，ϵ是為了維持?jǐn)?shù)值穩(wěn)定性而添加的常數(shù)，如10的-6次方。因?yàn)镽MSProp算法的狀態(tài)變量st是對(duì)平⽅項(xiàng)gt ⊙ gt的指數(shù)加權(quán)移動(dòng)平均，所以可以看作是最近1/(1 − γ)個(gè)時(shí)間步的小批量隨機(jī)梯度平⽅項(xiàng)的加權(quán)平均。如此⼀來(lái)，⾃變量每個(gè)元素的學(xué)習(xí)率在迭代過(guò)程中就不再⼀直降低（或不變）。

除了RMSProp算法以外，另⼀個(gè)常⽤優(yōu)化算法AdaDelta算法也針對(duì)AdaGrad算法在迭代后期可能較難找到有⽤解的問(wèn)題做了改進(jìn)。有意思的是，AdaDelta算法沒(méi)有學(xué)習(xí)率這⼀超參數(shù)。

AdaDelta算法也像RMSProp算法⼀樣，使⽤了小批量隨機(jī)梯度gt按元素平⽅的指數(shù)加權(quán)移動(dòng)平均變量st。在時(shí)間步0，它的所有元素被初始化為0。給定超參數(shù)0 ≤ ρ < 1（對(duì)應(yīng)RMSProp算法中的γ），在時(shí)間步t > 0，同RMSProp算法⼀樣計(jì)算：

與RMSProp算法不同的是，AdaDelta算法還維護(hù)⼀個(gè) 額外的狀態(tài)變量∆xt ，其元素同樣在時(shí)間步0時(shí)被初始化為0。我們使⽤∆xt−1來(lái)計(jì)算⾃變量的變化量：

最后，我們使⽤∆xt來(lái)記錄⾃變量變化量按元素平⽅的指數(shù)加權(quán)移動(dòng)平均：

Adam算法在RMSProp算法基礎(chǔ)上對(duì)小批量隨機(jī)梯度也做了指數(shù)加權(quán)移動(dòng)平均。

Adam算法使⽤了 動(dòng)量變量vt 和RMSProp算法中 小批量隨機(jī)梯度按元素平⽅的指數(shù)加權(quán)移動(dòng)平均變量st ，并在時(shí)間步0將它們中每個(gè)元素初始化為0。給定超參數(shù)0 ≤ β1 < 1（算法作者建議設(shè)為0.9），時(shí)間步t的動(dòng)量變量vt即小批量隨機(jī)梯度gt的指數(shù)加權(quán)移動(dòng)平均：

接下來(lái)，Adam算法使⽤以上 偏差修正 后的變量 v ˆ t 和 s ˆ t ，將模型參數(shù)中每個(gè)元素的學(xué)習(xí)率通過(guò)按元素運(yùn)算重新調(diào)整：

其中 η 是學(xué)習(xí)率， ϵ 是為了維持?jǐn)?shù)值穩(wěn)定性而添加的常數(shù)，如10的-8次方。和AdaGrad算法、RMSProp算法以及AdaDelta算法⼀樣，⽬標(biāo)函數(shù)⾃變量中每個(gè)元素都分別擁有⾃⼰的學(xué)習(xí)率。最后，使⽤迭代⾃變量：

四、數(shù)據(jù)結(jié)構(gòu)和算法優(yōu)化

APP的優(yōu)化是任重而道遠(yuǎn)的過(guò)程，必須在意每一個(gè)環(huán)節(jié)，否者當(dāng)你想要優(yōu)化的時(shí)候，發(fā)現(xiàn)到處都是坑，已經(jīng)不知道填補(bǔ)哪里了，所以我們必須一點(diǎn)一滴的做起。

數(shù)據(jù)結(jié)構(gòu)和算法優(yōu)化

能帶來(lái)什么好處呢？他能使得你程序獲得數(shù)據(jù)更快，內(nèi)存占用更合理。最終體現(xiàn)為響應(yīng)快內(nèi)存占用小。

我們先看常見(jiàn)的數(shù)據(jù)結(jié)構(gòu)類型特點(diǎn)

數(shù)組：一片物理上連續(xù)的大小確定的儲(chǔ)存空間。int[num]

順序表：物理上連續(xù)、邏輯上連續(xù)、大小可以動(dòng)態(tài)增加。ArrayList （查找快，添加刪除慢）

鏈表：物理上不連續(xù)、邏輯上連續(xù)、可以動(dòng)態(tài)增加和刪除節(jié)點(diǎn)。LinkedList （查找慢只能輪尋，增加刪除快）

物理上連續(xù)：數(shù)組或者鏈表在初始化的時(shí)候，會(huì)申請(qǐng)分配內(nèi)存空間：只要存儲(chǔ)空間足夠你申請(qǐng)的大小就分配給你初始化（物理不連續(xù)）；必須要連續(xù)的存儲(chǔ)空間，我才給你分配，否則失?。ㄎ锢砩线B續(xù)）

那么有沒(méi)有繼承純虛標(biāo)和鏈表的2個(gè)有點(diǎn)的數(shù)據(jù)結(jié)構(gòu)呢？HashMap！

HashMap

它是由數(shù)組和鏈表結(jié)合組成。（HashMap：JDK1.7之前 24 之前：數(shù)組+ 鏈表； HashMap：JDK1.8 之后：數(shù)組+ 鏈表 + 紅黑樹(shù)）

下面是HashMap結(jié)構(gòu)圖

它是怎么操作的呢？為什么他能同時(shí)擁有順序表和鏈表的優(yōu)點(diǎn)呢？搞清它的實(shí)現(xiàn)方式，我們就可以知道了，大致可以分為以下的步驟。

①put方法，傳入object和value，通過(guò)hash運(yùn)算得到一個(gè)int類型的hashcode，這里假設(shè)為X（后續(xù)X為這個(gè)hashcode）。

②hashmap內(nèi)部是有一個(gè)table數(shù)組+鏈表形成的。我們拿到這個(gè)X后，使用X/table.length(hashcode值/table[].length),得到一個(gè)小于table.length的值M，該值就是這個(gè)value應(yīng)該放置的數(shù)組位置。我們準(zhǔn)備把value放入table[M]中。

③我們把hashcode和value打包為一個(gè)node節(jié)點(diǎn)(為什么需要這么打包后續(xù)會(huì)提到),準(zhǔn)備存入table[M]中。

④出入table數(shù)組的鏈表中有2種方式：

前插方式：不管數(shù)組table[M]節(jié)點(diǎn)有值與否，都把這個(gè)準(zhǔn)備插入的node節(jié)點(diǎn)作為數(shù)組的根節(jié)點(diǎn)?？赡艹霈F(xiàn)2種情況：

（1）如果table[M]節(jié)點(diǎn)沒(méi)有值，則node節(jié)點(diǎn)作為數(shù)組的根節(jié)點(diǎn)。

（2）如果table[M]節(jié)點(diǎn)已存在數(shù)據(jù)鏈表，就把這些數(shù)據(jù)鏈表，鏈到這個(gè)準(zhǔn)備插入的node節(jié)點(diǎn)上，以弄得節(jié)點(diǎn)為根節(jié)點(diǎn)放入table[M中]。

后插方式：可能會(huì)出現(xiàn)的2種情況

(1) 如果table[M]節(jié)點(diǎn)沒(méi)有值，則node節(jié)點(diǎn)作為數(shù)組的根節(jié)點(diǎn)。

（2）如果table[M]節(jié)點(diǎn)已存在數(shù)據(jù)鏈表，則把node節(jié)點(diǎn)鏈到該數(shù)據(jù)鏈表的最后一個(gè)節(jié)點(diǎn)上。

經(jīng)歷以上4個(gè)步驟就完成了hashmap的插入操作，現(xiàn)在解釋一下為什么要打包為node節(jié)點(diǎn)。

舉個(gè)栗子，假如hashmap.length=16,我們準(zhǔn)備存入ObjectA(OA)和ObjectB(OB),假設(shè)OA經(jīng)過(guò)hash運(yùn)算得到的hashcode是1，OB經(jīng)過(guò)hash運(yùn)算得到hashcode是17，OA和OB進(jìn)行求模運(yùn)算結(jié)果都為1，鏈到鏈表上時(shí)，我們get方法的時(shí)候怎么取到正確的值呢，因?yàn)殒湵砩系哪＿\(yùn)算都是1.這個(gè)時(shí)候我們就需要通過(guò)hashcode來(lái)識(shí)別這個(gè)鏈表上的哪個(gè)值是OA的value哪個(gè)是OB的value，因?yàn)槲覀円呀?jīng)把hashcode和value打包起來(lái)了。

補(bǔ)充

hashmap的table數(shù)組的大小事是2的次冪（不要問(wèn)為什么，源碼定的，他們肯定經(jīng)過(guò)大量的統(tǒng)計(jì)或者運(yùn)算，這是科學(xué)）。table數(shù)組默認(rèn)的長(zhǎng)度是16，也就是說(shuō)你new一個(gè)空的hashmap長(zhǎng)度為16，當(dāng)然也提供了一個(gè)給你設(shè)置長(zhǎng)度的方法，但是假如你設(shè)置17，則長(zhǎng)度會(huì)為32，這不難理解。

hash碰撞

hash碰撞就是，假如OA、OB...ON經(jīng)過(guò)模運(yùn)算得到的數(shù)組位置相同，那么他們都會(huì)掛在這個(gè)數(shù)組節(jié)點(diǎn)的鏈表上，極端情況想整個(gè)hashmap看起來(lái)像單鏈表。但這種情況這并不是我們想要的結(jié)果。我們可以通過(guò)擴(kuò)容來(lái)盡可能的避免hash碰撞。

擴(kuò)容：（意義，在于避免大量的hash碰撞，因?yàn)樵谀承O端情況下，有點(diǎn)像單鏈表）

閾值：閾值=table.length* DEFAULT_LOAD_FACTOR （擴(kuò)容系數(shù)，默認(rèn)為0.75，也可以自己設(shè)定，一般不做修改）

hashmap定義：當(dāng)hashmap中的元素個(gè)數(shù)超過(guò)閾值大小時(shí)，我們就需要對(duì)table數(shù)組進(jìn)行2倍擴(kuò)容，如從16→32。

注意：擴(kuò)容后hashmap會(huì)調(diào)用resize()，對(duì)hashmap內(nèi)的數(shù)據(jù)重新計(jì)算所有元素的位置。。因?yàn)榧偃缒阒?7/16=1，現(xiàn)在17/32=17，你的位置發(fā)生變化了。

缺點(diǎn) ：

hashMap因?yàn)橛虚撝档臄U(kuò)容機(jī)制，所以一定會(huì)有空間浪費(fèi)，比如0.75的時(shí)候，一定有25%空間被浪費(fèi)掉了?？臻g換時(shí)間。

hashmap是線程不安全的。因?yàn)榭赡茉谝粋€(gè)線程擴(kuò)容（resize（）方法執(zhí)行）的情況下,另外一個(gè)線程在get，但是拿不到之前的數(shù)據(jù)了，因?yàn)閿U(kuò)容。所以是線程不安全的。或者線程擴(kuò)容（resize（）方法執(zhí)行時(shí)，多線程進(jìn)行put的時(shí)候?qū)е碌亩嗑€程數(shù)據(jù)不一致。

如何線程安全的使用HashMap?使用使用鎖分段技術(shù)或者使用HashTable(Hashtable的方法是Synchronize的，而HashMap不是,其實(shí)也就是鎖機(jī)制起作用)。

SparseArray（Android為了優(yōu)化內(nèi)存所提供的api）

特性：key為int,value為object，二分查找的思想，雙數(shù)組，刪除的時(shí)候節(jié)點(diǎn)不刪除，而是把value刪除，避免刪除的時(shí)候數(shù)組還要移動(dòng)。

SparseArray比HashMap更省內(nèi)存，在某些條件下性能更好，主要是因?yàn)樗苊饬藢?duì)key的自動(dòng)裝箱（int轉(zhuǎn)為Integer類型），它內(nèi)部則是通過(guò)兩個(gè)數(shù)組來(lái)進(jìn)行數(shù)據(jù)存儲(chǔ)的，一個(gè)存儲(chǔ)key，另外一個(gè)存儲(chǔ)value，為了優(yōu)化性能，它內(nèi)部對(duì)數(shù)據(jù)還采取了壓縮的方式來(lái)表示稀疏數(shù)組的數(shù)據(jù)，從而節(jié)約內(nèi)存空間，我們從源碼中可以看到key和value分別是用數(shù)組表示。

為什么是能夠進(jìn)行二分查找呢？從源碼上看key和value分別是用int類型數(shù)組和object數(shù)組表示，所以這也是SparseArray的局限性。

private int[] mKeys;

private Object[] mValues;

為什么說(shuō)SparseArray比HashMap更省內(nèi)存，在某些條件下性能更好？

因?yàn)镾parseArray有以下一個(gè)特性，首先它是2個(gè)數(shù)組，在數(shù)據(jù)查找的時(shí)候無(wú)疑會(huì)比hashmap快很多，其次在刪除的時(shí)候，SparseArray并不會(huì)把數(shù)組key位置進(jìn)行刪除，而是把key的索引value置位DELETE標(biāo)志（這樣就避免了數(shù)組delete操作后的arraycopy的操作）。當(dāng)我們下次進(jìn)行插入的時(shí)候，若要插入的位置key的索引value為DELETE標(biāo)志，則把數(shù)據(jù)覆蓋給value（只是經(jīng)歷了set操作，并無(wú)其他操作）。否則進(jìn)行add操作（包含arraycopy）。

所以經(jīng)過(guò)以上的情況，我們可以看出，SparseArray相對(duì)于HashMap,會(huì)越用越快。

缺點(diǎn)

（1）SparseArray僅僅能存儲(chǔ)key為int類型的數(shù)據(jù)。

（2）插入操作需要復(fù)制數(shù)組，增刪效率降低數(shù)據(jù)量巨大時(shí)，復(fù)制數(shù)組成本巨大，gc()成本也巨大。

（3）數(shù)據(jù)量巨大時(shí)，查詢效率也會(huì)明顯下降。

（4）線程不安全問(wèn)題，類似hashmap

一般我們?cè)跐M足下面兩個(gè)條件我們可以使用SparseArray代替HashMap：

（1）數(shù)據(jù)量不大，最好在千級(jí)以內(nèi)

（2）key必須為int類型，這中情況下的HashMap可以用SparseArray代替：

ArrayMap（Android為了優(yōu)化內(nèi)存所提供的api）

ArrayMap和SparseArray差不多，不同的是key類型可以是object類型。

ArrayMap的2個(gè)數(shù)組，一個(gè)數(shù)組記錄key的hash值，另外一個(gè)數(shù)組記錄Value值。其他存儲(chǔ)方式和運(yùn)行思想和SparseArray一致。