JAVA常量池，一篇文章就足够入门了。（含图解）

article/2025/9/24 0:21:34

前言

一直在《深入理解JVM》对常量池只有一个浅薄的了解，之前也遇到过这种题目，今天还是要挑出来进行一次全方位的了解。

常量池分类

常量池大体可以分为：静态常量池，运行时常量池。

  • 静态常量池 存在于class文件中，比如经常使用的javap -verbose中，常量池总是在最前面把？

  • 运行时常量池呢，就是在class文件被加载进了内存之后，常量池保存在了方法区中，通常说的常量池 值的是运行时常量池。所以呢，讨论的都是运行时常量池

字符串常量池

最最最流行的、最典型的就是字符串了

典型范例：

String a = "abc";
String b = new String("abc");
System.out.println(a == b);----*----
结果：false

这里写图片描述
这个是第一个需要理解的地方，a指向哪片内存，b又指向哪片内存呢？对象储存在堆中，这个是不用质疑的，而a作为字面量一开始储存在了class文件中，之后运行期，转存至方法区中。它们两个就不是同一个地方存储的。知道了它之后我们就可以通过实例直接进一步了解了

实例

    String s1 = "Hello";String s2 = "Hello";String s3 = "Hel" + "lo";String s4 = "Hel" + new String("lo");String s5 = new String("Hello");String s6 = s5.intern();String s7 = "H";String s8 = "ello";String s9 = s7 + s8;System.out.println(s1 == s2);  // trueSystem.out.println(s1 == s3);  // trueSystem.out.println(s1 == s4);  // falseSystem.out.println(s1 == s9);  // falseSystem.out.println(s4 == s5);  // falseSystem.out.println(s1 == s6);  // true

分析：
1、s1 = = s2 很容易可以判断出来。s1 和 s2 都指向了方法区常量池中的Hello。
2、s1 = = s3 这里要注意一下，因为做+号的时候，会进行优化，自动生成Hello赋值给s3，所以也是true
3、s1 = = s4 s4是分别用了常量池中的字符串和存放对象的堆中的字符串，做+的时候会进行动态调用，最后生成的仍然是一个String对象存放在堆中。
这里写图片描述
4、s1 = = s9 在JAVA9中，因为用的是动态调用，所以返回的是一个新的String对象。所以s9和s4，s5这三者都不是指向同一块内存
这里写图片描述
5、s1 = = s6 为啥s1 和 s6地址相等呢？ 归功于intern方法，这个方法首先在常量池中查找是否存在一份equal相等的字符串如果有的话就返回该字符串的引用，没有的话就将它加入到字符串常量池中，所以存在于class中的常量池并非固定不变的，可以用intern方法加入新的

需要注意的特例

1、常量拼接

    public static final String a = "123";public static final String b = "456";public static void main(String[] args){String c = "123456";String d = a + b;System.out.println(c == d);}------反编译结果-------0: ldc           #2                  // String 1234562: astore_13: ldc           #2                  // String 1234565: astore_26: getstatic     #4                  // Field java/lang/System.out:Ljava/io/PrintStream;

我们可以发现，对于final类型的常量它们已经在编译中被确定下来，自动执行了+号，把它们拼接了起来，所以就相当于直接”123” + “456”;

2、static 静态代码块 

    public static final String a;public static final String b;static {a = "123";b = "456";}public static void main(String[] args){String c = "123456";String d = a + b;System.out.println(c == d);}------反编译结果-------3: getstatic     #3                  // Field a:Ljava/lang/String;6: getstatic     #4                  // Field b:Ljava/lang/String;9: invokedynamic #5,  0              // InvokeDynamic #0:makeConcatWithConstants:(Ljava/lang/String;Ljava/lang/String;)Ljava/lang/String;

上个例子是在编译期间，就已经确定了a和b，但是在这段代码中，编译期static不执行的，a和b的值是未知的，static代码块，在初始化的时候被执行，初始化属于类加载的一部分，属于运行期。看看反编译的结果,很明显使用的是indy指令，动态调用返回String类型对象。一个在堆中一个在方法区常量池中，自然是不一样的。

包装类的常量池技术（缓存）

简单介绍

相信学过java的同学都知道自动装箱和自动拆箱，自动装箱常见的就是valueOf这个方法，自动拆箱就是intValue方法。在它们的源码中有一段神秘的代码值得我们好好看看。除了两个包装类Long和Double 没有实现这个缓存技术，其它的包装类均实现了它。

public static Integer valueOf(int i) {
if (i >= IntegerCache.low && i <= IntegerCache.high)return IntegerCache.cache[i + (-IntegerCache.low)];
return new Integer(i);
}
private static class IntegerCache {
static final int low = -128;
static final int high;
static final Integer cache[];static {// high value may be configured by propertyint h = 127;String integerCacheHighPropValue =VM.getSavedProperty("java.lang.Integer.IntegerCache.high");if (integerCacheHighPropValue != null) {try {int i = parseInt(integerCacheHighPropValue);i = Math.max(i, 127);// Maximum array size is Integer.MAX_VALUEh = Math.min(i, Integer.MAX_VALUE - (-low) -1);} catch( NumberFormatException nfe) {// If the property cannot be parsed into an int, ignore it.}}high = h;cache = new Integer[(high - low) + 1];int j = low;for(int k = 0; k < cache.length; k++)cache[k] = new Integer(j++);// range [-128, 127] must be interned (JLS7 5.1.7)assert IntegerCache.high >= 127;
}private IntegerCache() {}
}

分析：我们可以看到从-128~127的数全部被自动加入到了常量池里面，意味着这个段的数使用的常量值的地址都是一样的。一个简单的实例

Integer i1 = 40;
Integer i2 = 40;
Double i3 = 40.0；
Double i4 = 40.0；System.out.println("i1=i2   " + (i1 == i2));
System.out.println("i3=i4   " + (i3 == i4));-----结果----
true
false

原理如下：
1、== 这个运算在不出现算数运算符的情况下 不会自动拆箱，所以i1 和 i 2它们不是数值进行的比较，仍然是比较地址是否指向同一块内存

2、它们都在常量池中存储着，类似于这样
这里写图片描述

3、编译阶段已经将代码转变成了调用valueOf方法，使用的是常量池，如果超过了范围则创建新的对象

 2: invokestatic  #2                  // Method java/lang/Integer.valueOf:(I)Ljava/lang/Integer;

复杂实例[-128~127]

  Integer i1 = 40;Integer i2 = 40;Integer i3 = 0;Integer i4 = new Integer(40);Integer i5 = new Integer(40);Integer i6 = new Integer(0);System.out.println("i1=i2   " + (i1 == i2));System.out.println("i1=i2+i3   " + (i1 == i2 + i3));System.out.println("i1=i4   " + (i1 == i4));System.out.println("i4=i5   " + (i4 == i5));System.out.println("i4=i5+i6   " + (i4 == i5 + i6));System.out.println("40=i5+i6   " + (40 == i5 + i6));----结果----
(1)i1=i2   true
(2)i1=i2+i3   true
(3)i1=i4   false
(4)i4=i5   false
(5)i4=i5+i6   true
(6)40=i5+i6   true

它们的内存分布大概如下
这里写图片描述
注意点
1、当出现运算符的时候，Integer不可能直接用来运算，所以会进行一次拆箱成为基本数字进行比较

2、==这个符号，既可以比较普通基本类型，也可以比较内存地址看比较的是什么了

分析：
(1)号成立不用多说
(2)号成立是因为运算符自动拆箱
(3)(4)号是因为内存地址不同
(5)(6)号都是自动拆箱的结果

PS：equals方法比较的时候不会处理数据之间的转型，比如Double类型和Integer类型。

超过范围

假设一下，如果超出了这个范围之后呢？正如前文所言，所有的都将成为新的对象

  Integer i1 = 400;Integer i2 = 400;Integer i3 = 0;Integer i4 = new Integer(400);Integer i5 = new Integer(400);Integer i6 = new Integer(0);Integer i7 = 1;Integer i8 = 2;Integer i9 = 3;System.out.println("i1=i2   " + (i1 == i2));System.out.println("i1=i2+i3   " + (i1 == i2 + i3));System.out.println("i1=i4   " + (i1 == i4));System.out.println("i4=i5   " + (i4 == i5));System.out.println("i4=i5+i6   " + (i4 == i5 + i6));   System.out.println("400=i5+i6   " + (400 == i5 + i6));----结果----
i1=i2   false
i1=i2+i3   true
i1=i4   false
i4=i5   false
i4=i5+i6   true
400=i5+i6   true

总结

关于常量池部分的总结到这里,通过实际的例子和绘图来熟悉了下字符串常量池和包装类的常量池的使用。其中还包括了装箱和拆箱的小知识。收获还是丰厚的，终于明白了常量池的内容了。～happy-。-，如有笔误，还望纠正


http://chatgpt.dhexx.cn/article/x6MTXJaA.shtml

相关文章

基于Elman神经网络的刀具剩余使用寿命预测（初学者+matlab代码实现）

基于Elman神经网络的刀具剩余使用寿命预测（初学者+matlab代码实现）

1.Elman介绍 Elman神经网络是 J. L. Elman于1990年首先针对语音处理问题而提出来的&#xff0c;是一种典型的局部回归网络( global feed forward local recurrent)。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的递归神经网络 它的主要结构是前馈连接, 包括输入层、…
阅读更多...
通过模拟退火改进的Elman神经网络（Matlab代码实现）

通过模拟退火改进的Elman神经网络（Matlab代码实现）

目录 &#x1f4a5;1 概述 &#x1f4da;2 运行结果 &#x1f389;3 参考文献 &#x1f468;‍&#x1f4bb;4 Matlab代码 &#x1f4a5;1 概述 神经网络是一个庞大的体系和概念&#xff0c;根据处理信息的不同方式来区分不同的network。比如根据处理信息结果的传递方向&am…
阅读更多...
基于遗传算法优化的Elman神经网络数据预测-附代码

基于遗传算法优化的Elman神经网络数据预测-附代码

基于遗传算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于遗传算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于遗传优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&#xff1a;针…
阅读更多...
【预测模型-ELAMN预测】基于海鸥算法优化ELMAN神经网络实现数据回归预测

【预测模型-ELAMN预测】基于海鸥算法优化ELMAN神经网络实现数据回归预测

1 简介 风能,作为一种重要,有潜力,无污染,可再生、可持续的能源,已经成为全球发电最为迅速的能源之一,越来越受到世界各国的青睐。近年来,为缓解能源短缺问题,改善环境,实现经济乃至人类的可持续发展,世界各国纷纷大力发展风能资源。然而,在实际操作中,风能固有的波动性和间歇…
阅读更多...
MATLAB神经网络应用之Elman神经网络

MATLAB神经网络应用之Elman神经网络

Elman神经网络通常由输入层、隐含层和输出层构成&#xff0c;它存在从隐含层的输出到隐含层输入的反馈。这种反馈连接的结构使得被训练后不仅能识别和产生空域模式&#xff0c;还能够识别和产生时域模式&#xff0c;在此只介绍创建Elman网络的newelm函数&#xff0c;该函数用于…
阅读更多...
基于粒子群算法优化的Elman神经网络数据预测-附代码

基于粒子群算法优化的Elman神经网络数据预测-附代码

基于粒子群算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于粒子群算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于粒子群优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&#x…
阅读更多...
elman神经网络的实现

elman神经网络的实现

在看文章时&#xff0c;一篇文章提到了使用elman神经网络来对癫痫病人的脑电信号与正常人的脑电信号进行区分&#xff0c;并且取得了较好的分类结果。于是就想自己写一个elman神经网络demo看看效果。 elman神经网络和感知机的差别通过下面的图片可以很明显的看出哪里不一样&am…
阅读更多...
【预测模型-ELAMN预测】基于遗传算法优化ELMAN神经网络实现数据回归预测matlab代码

【预测模型-ELAMN预测】基于遗传算法优化ELMAN神经网络实现数据回归预测matlab代码

1 简介 风能,作为一种重要,有潜力,无污染,可再生、可持续的能源,已经成为全球发电最为迅速的能源之一,越来越受到世界各国的青睐。近年来,为缓解能源短缺问题,改善环境,实现经济乃至人类的可持续发展,世界各国纷纷大力发展风能资源。然而,在实际操作中,风能固有的波动性和间歇…
阅读更多...
【预测模型】基于Elman神经网络预测电力负荷matlab代码

【预测模型】基于Elman神经网络预测电力负荷matlab代码

​1 简介 为提高甘肃电网负荷预测精度,提出了一种基于神经网络的负荷预测方法.针对甘肃电力系统负荷数据的非线性和动态特性,在多层前向BP网络中引入特殊关联层,形成有"记忆"能力的Elman神经网络,从而可以映射系统的非线性和动态特性.在网络训练算法中,采用自适应学…
阅读更多...
粒子群算法优化BP和Elman神经网络-matlab源码

粒子群算法优化BP和Elman神经网络-matlab源码

粒子群优化算法是一种智能优化算法&#xff0c;又称微粒群算法&#xff0c;它通过模拟自然界鸟群捕食和鱼群捕食的过程。通过群体中的协作寻找到问题的全局最优解。 收敛性的数学证明帮助了PSO的发展和应用&#xff0c;但此内分析具有很大的局限性。为PSO加入正交学习后&#…
阅读更多...
基于鲸鱼算法优化的Elman神经网络数据预测-附代码

基于鲸鱼算法优化的Elman神经网络数据预测-附代码

基于鲸鱼算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于鲸鱼算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于鲸鱼优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&#xff1a;针…
阅读更多...
基于小波Elman神经网络的短期风电功率预测

基于小波Elman神经网络的短期风电功率预测

风力发电在全球范围内快速发展&#xff0c;装机容量逐年增加&#xff0c;截止2013 年底&#xff0c;中国风电新增装机容量约 16.1GW,较 2012 年的 12.96GW 大幅提高了 24%,中国风电累计装机已超过 90GW。 风力发电并网运行是实现大规模风能发利用的有效途径。但是与常规能源不…
阅读更多...
基于灰狼算法优化的Elman神经网络数据预测

基于灰狼算法优化的Elman神经网络数据预测

基于灰狼算法优化的Elman神经网络数据预测 - 附代码 文章目录 基于灰狼算法优化的Elman神经网络数据预测 - 附代码1.Elman 神经网络结构2.Elman 神经用络学习过程3.电力负荷预测概述3.1 模型建立 4.基于灰狼优化的Elman网络5.测试结果6.参考文献7.Matlab代码 摘要&#xff1a;针…
阅读更多...
Elman神经网络

Elman神经网络

newelm()函数&#xff1a; clear ; close all; clc %原始数据 data[0.4413,0.4707,0.6953,0.8133;...0.4379,0.4677,0.6981,0.8002;...0.4517,0.4725,0.7006,0.8201;...0.4557,0.4790,0.7019,0.8211;...0.4601,0.4811,0.7101,0.8298;...0.4612,0.4845,0.7188,0.8312;...0.4615,…
阅读更多...
Elman神经网络与自适应共振网络（ART）

Elman神经网络与自适应共振网络（ART）

这几天在回过头看一些比较基础的东西&#xff0c;发现了两个早期研究的神经网络&#xff0c;Elman与ART网络&#xff0c;类似于上世纪80年代的hopfield神经网络&#xff0c;BM/RBM/DBN&#xff0c;RBF&#xff0c;SOM&#xff0c;以及同时期的SVM算法等等&#xff0c;虽然那个时…
阅读更多...
Elman神经网络原理

Elman神经网络原理

Elman神经网络 近期开题&#xff0c;阅读到了一篇文章关于故障诊断的&#xff0c;其中用到了Elman神经网络&#xff0c;具体是结合EMD、PCA-SOM的Elman的性能评估/预测故障诊断&#xff0c;对Elman神经网络有点陌生&#xff0c;网上资源也讲的特别杂&#xff0c;来做个汇总Int…
阅读更多...
【神经网络第一期】Elman神经网络基本原理

【神经网络第一期】Elman神经网络基本原理

1. Elman神经网络概述 根据神经网络运行过程中的信息流向&#xff0c;可将神经网络可分为前馈式和反馈式两种基本类型。前馈式网络通过引人隐藏层以及非线性转移函数可以实现复杂的非线性映射功能。但前馈式网络的输出仅由当前输入和权矩阵决定&#xff0c;而与网络先前的输出…
阅读更多...
回归预测 基于ELMAN递归神经网络预测及其matlab代码实现

回归预测 基于ELMAN递归神经网络预测及其matlab代码实现

文章目录 1. ELMAN神经网络的简介和算法描述1.1 Elman网络介绍1.2 Elman结构组成 1.3 ELMAN训练界面的参数解读2. 建立ELMAN神经网络的步骤3. 编写MATLAB代码4. ELMAN程序运行结果4.1 各层的神经元个数的确定过程4.2 预测值和真实值的误差计算&#xff08;SSE、MAE、MSE、RMSE、…
阅读更多...
Elman神经网络介绍以及Matlab实现

Elman神经网络介绍以及Matlab实现

Elman神经网络介绍 1.特点 Elman神经网络是一种典型的动态递归神经网络&#xff0c;它是在BP网络基本结构的基础上&#xff0c;在隐含层增加一个承接层&#xff0c;作为一步延时算子&#xff0c;达到记忆的目的&#xff0c;从而使系统具有适应时变特性的能力&#xff0c;增强了…
阅读更多...
数据库命名规范--通用

数据库命名规范--通用

分段式的 1.1 基本命名原则 以下基本原则适用于所有数据库对象命名&#xff0c;如无特别说明则为强制规范。规范&#xff1a;遵循行业规范 当有相关国家/行业强制性数据结构标准规范存在时&#xff0c;用于存储某业务数据的业务表在表名命名上原则上应该遵从标准规定&#xf…
阅读更多...
推荐文章

Copyright @ 2022~2023