为什么juc下的集合是线程安全、高效的?

本文深入探讨了Java中高并发集合的实现原理,包括CopyOnWriteArrayList、CopyOnWriteArraySet和ConcurrentHashMap,分析了它们如何在保证线程安全的同时提供高性能。
我们常用的的java.util下的比如Arraylist、HashMap、HashSet虽然线程不安全,但执行效率很高,HashTable、Vector虽然线程安全(基于synchronized锁控机制),但性能很低,而juc(java.util.concurrent)下的集合却可以保证既安全有高效,如:

ArrayList对应的高并发类是CopyOnWriteArrayList,
HashSet对应的高并发类是 CopyOnWriteArraySet,
HashMap对应的高并发类是ConcurrentHashMap。

下面通过源码看一下他们的实现原理:
1.CopyOnWriteArrayList其中的add方法:
 public boolean add(E e) {
        final ReentrantLock lock = this.lock;
        lock.lock();//加锁
        try {
            Object[] elements = getArray();//创建了一个新数组
            int len = elements.length;
            Object[] newElements = Arrays.copyOf(elements, len + 1);//copy了旧数组,并将数组长度增加一
            newElements[len] = e;//将e添加到新数组中
            setArray(newElements);//将修改后的数据替换原有的数据
            return true;
        } finally {
            lock.unlock();
        }
    }

可以看到当执行写操作时,先copy一份原有数据数组,再对复制数据进行写入操作,最后将复制数据替换原有数据,从而保证写操作不影响读操作。
同时,其复制的整个过程是上了锁的,所以不会产生多线程安全问题。
而加的锁ReentrantLock 相比Syncchronized具有以下功能:

  1. 等待可终止:
    如果一个线程长期占有锁对象不释放,那么等待的线程可以选择停止等待,这样也避免了死锁的发生;
  2. 公平锁:等待的线程必须按照申请的时间顺序去持有锁对象
  3. 并不像synchronized那样要么唤醒一个线程,要么唤醒所有线程
    ,实现了可以分组唤醒需要唤醒的线程
2.CopyOnWriteArraySet与CopyOnWriteArrayList类似,只不过前面的数据无序,不可重复
3.ConcurrentHashMap其中的put方法:
public V put(K key, V value) {
        return putVal(key, value, false);
    }
    
    final V putVal(K key, V value, boolean onlyIfAbsent) {
        //和hashMap不同的是,concurrentHashMap的key和value都不允许为null
        //concurrenthashmap它们是用于多线程的,并发的 ,如果map.get(key)得到了null,
        // 不能判断到底是映射的value是null,还是因为没有找到对应的key而为空,
        // 而用于单线程状态的hashmap却可以用containKey(key) 去判断到底是否包含了这个null。
        if (key == null || value == null) throw new NullPointerException();
        int hash = spread(key.hashCode());
        int binCount = 0;
        for (Node<K,V>[] tab = table;;) {
            Node<K,V> f; int n, i, fh;
            //如果是第一次put,进行初始化
            if (tab == null || (n = tab.length) == 0)
                tab = initTable();
            //根据(tab.length - 1) & hash 计算目标节点在数组中的位置
            else if ((f = tabAt(tab, i = (n - 1) & hash)) == null) {
                //如果为空,则通过cas 添加一个新建一个头节点
                if (casTabAt(tab, i, null,
                             new Node<K,V>(hash, key, value, null)))
                    break;                   // no lock when adding to empty bin
            }
            //hash为-1 说明是一个forwarding nodes节点,表明正在扩容
            else if ((fh = f.hash) == MOVED)
                //帮助扩容
                tab = helpTransfer(tab, f);
            else {
                V oldVal = null;
                //对上面计算出来的节点进行加锁
                synchronized (f) {
                    //这里判断下有没有线程对数组进行了修改
                    if (tabAt(tab, i) == f) {
                        //这里如果hash值是大于等于0的说明是链表
                        if (fh >= 0) {
                            binCount = 1;
                            for (Node<K,V> e = f;; ++binCount) {
                                K ek;
                                //如果找到了目标节点,那么进行值替换
                                if (e.hash == hash &&
                                    ((ek = e.key) == key ||
                                     (ek != null && key.equals(ek)))) {
                                    oldVal = e.val;
                                    if (!onlyIfAbsent)
                                        e.val = value;
                                    break;
                                }
                                //如果循环到链表结尾还没发现,那么进行插入操作
                                Node<K,V> pred = e;
                                if ((e = e.next) == null) {
                                    pred.next = new Node<K,V>(hash, key,
                                                              value, null);
                                    break;
                                }
                            }
                        }
                        //如果是树
                        else if (f instanceof TreeBin) {
                            Node<K,V> p;
                            binCount = 2;
                            if ((p = ((TreeBin<K,V>)f).putTreeVal(hash, key,
                                                           value)) != null) {
                                oldVal = p.val;
                                if (!onlyIfAbsent)
                                    p.val = value;
                            }
                        }
                    }
                }
                //如果链表数量大于TREEIFY_THRESHOLD(8),开始执行转换树
                if (binCount != 0) {
                    if (binCount >= TREEIFY_THRESHOLD)
                        treeifyBin(tab, i);
                    if (oldVal != null)
                        return oldVal;
                    break;
                }
            }
        }
        //进行元素数量统计,和决定是否扩容
        addCount(1L, binCount);
        return null;
    }

这里主要应用了锁分段的技术
将数据分成一段一段的存储,然后给每一段数据配一把锁,当一个线程占用锁访问其中一个段数据的时候,其他段的数据也能被其他线程访问,put方法中首先就是通过算法找到负责这段数据的分段锁,

简而言之:JUC下的集合采用了读取操作时不加锁,而在修改数据时:
CopyOnWriteArrayList使用ReentrantLock这种互斥锁的特性(1.等待停止、2.公平锁、3.分组唤醒)避免了线程进入阻塞状态,从而达到高效
ConcurrentHashMap使用锁分段技术保证了数据的安全且高效;

内容概要:本文围绕“光伏-储能-数据中心”系统的容量优化配置展开研究,旨在通过构建数学模型并结合Matlab编程实现,对园区内光伏发电、储能设备数据中心算力负荷之间的多能互补关系进行协同优化。研究综合考虑可再生能源出力的波动性、储能系统的充放电特性以及数据中心的动态用电需求算力调度特性,建立以最小化综合成本、降低碳排放强度、提升能源自给率等为目标的多目标优化模型,并采用先进的智能优化算法(如粒子群、灰狼、鲸鱼等)进行求解,从而确定光伏装机容量储能系统配置的最优方案。文中提供了完整的Matlab代码实现流程,涵盖数据预处理、模型构建、算法求解结果可视化全过程,属于综合能源系统信息基础设施深度融合的前沿交叉课题。; 适合人群:具备电力系统、能源工程、自动化或计算机等相关专业背景,熟悉Matlab编程基本优化算法原理,从事新能源利用、绿色数据中心、综合能源系统规划低碳调度等方向的研究生、科研人员及工程技术人员。; 使用场景及目标:① 掌握光伏-储能-数据中心耦合系统的建模思路多能流协同机制;② 学习基于Matlab的多目标容量优化配置方法智能算法应用技巧;③ 为工业园区、数字经济园区及绿色数据中心的能源系统规划、节能减排可持续运行提供科学决策依据和技术解决方案。; 阅读建议:建议结合所提供的Matlab代码,深入理解目标函数设计、约束条件设定及算法实现细节,可通过调整负荷参数、改变气候数据、引入新的优化目标或约束条件等方式进行拓展性实验,以深化对系统特性的认知并提升实际科研工程应用能力。
内容概要:本文档聚焦于“考虑源网荷储协调的主动配电网优化调度方法”的Matlab代码复现研究,属于电力系统综合能源系统领域的高水平科研资源。文档系统阐述了融合电源侧、电网侧、负荷侧及储能系统(源---储)协同优化的主动配电网调度模型,旨在通过先进的数学优化方法提升电力系统的经济性、可靠性低碳化水平。研究内容涵盖多时间尺度调度架构、不确定性建模(如新能源出力波动)、鲁棒优化或分布鲁棒优化(DRO)等核心技术,并依托Matlab平台完成模型构建仿真验证。同时,文档列举了多个前沿研究方向,如光储充一体化、主从博弈、微电网双层优化、电氢耦合系统、电动汽车集群调度等,体现出其在现代智能电网综合能源系统优化调度中的代表性前瞻性。; 适合人群:具备电力系统基础理论知识和Matlab编程能力,从事能源、电气工程、自动化、可再生能源等方向研究的研究生、科研人员及工程技术人员,特别适合致力于优化建模、智能算法应用综合能源系统仿真的研究人员。; 使用场景及目标:① 复现高水平期刊论文中的主动配电网优化调度模型;② 掌握源网荷储协同优化的建模方法Matlab实现技术;③ 借助所提供的完整代码资源开展二次开发、算法改进或新场景拓展,服务于科研创新、项目申报学术论文撰写。; 阅读建议:建议结合文档中提及的相关文献案例,按照目录结构循序渐进地学习,重点理解模型构建的逻辑框架代码实现的关键细节,并利用附带的百度网盘资源获取全部代码数据文件,通过动手实践加深对优化算法工程应用的理解。
内容概要:本文围绕《考虑光伏-储能-数据中心多能互补的园区容量优化配置(Matlab代码实现)》这一技术资源,系统研究了工业园区内光伏发电、储能系统数据中心之间的能量协同容量优化问题。通过构建融合可再生能源出力不确定性、负荷波动及数据中心算力负荷特性的数学优化模型,采用Matlab编程实现多能互补系统的容量配置求解,旨在提升能源利用效率、降低运营成本碳排放,并增强园区能源系统的稳定性经济性。文中综合运用分布鲁棒机会约束(DRCC)、N-1安全准则、鲁棒优化等先进建模方法,确保方案在复杂运行环境下的可行性可靠性,适用于综合能源系统(IES)的规划调度研究。; 适合人群:面向具备电力系统、能源系统或优化算法基础的研究生、科研人员及工程技术人员,尤其适合熟悉Matlab编程及YALMIP、CPLEX等优化工具的专业人士;对于从事智慧园区、绿色数据中心或低碳能源系统研究的人员亦具有较高参考价值。; 使用场景及目标:①支撑科研项目中对含数据中心的智慧园区进行多能互补建模仿真分析;②用于撰写学位论文、期刊投稿中的案例验证算法对比;③指导实际工程中光伏储能容量的科学规划配置决策;④深入学习分布鲁棒优化、N-1安全约束等高级方法在能源系统中的集成应用。; 阅读建议:建议结合提供的Matlab代码逐模块解析模型实现过程,重点关注目标函数构建、约束条件设定及求解器接口调用逻辑。推荐对照“顶级EI复现”案例,掌握工业级建模规范,并尝试复现关键结果以加深理解。同时可延伸学习文中关联的多时间尺度调度协同优化策略,全面提升综合能源系统的研究实践能力。
评论
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