当前位置:首页 > 文章列表 > 文章 > java教程 > ArrayList扩容为何增长1.5倍

ArrayList扩容为何增长1.5倍

2026-04-17 12:53:33 0浏览 收藏
ArrayList的扩容并非简单硬编码“1.5倍”,而是通过高效无误差的位运算`oldCapacity + (oldCapacity >> 1)`实现,既规避了浮点运算的性能开销与舍入风险,又保证了跨平台一致性;首次扩容默认为10,后续才启用该公式;真正影响性能的是`System.arraycopy`导致的O(n)数据复制开销和GC压力,而1.5倍是空间利用率与扩容频率之间的工程权衡——与其纠结修改这一固定策略,不如善用带参构造器预估容量,从源头避免频繁扩容。

如何掌握ArrayList在触发扩容时增长为原容量1.5倍原理

ArrayList扩容时的1.5倍是怎么算出来的

不是硬编码写死的 1.5,而是通过位运算模拟乘法:旧容量右移一位(oldCapacity >> 1)再加回原值,等价于 oldCapacity + oldCapacity / 2。JDK 7 及之后的实现中,grow 方法里这行代码很关键:int newCapacity = oldCapacity + (oldCapacity >> 1)。

注意:这是对非首次扩容而言;首次添加元素时,如果构造时没指定初始容量,会直接分配 10 个元素的空间,不走这个公式。

为什么不用浮点数或 Math.round

位运算是整数运算,零开销、无精度问题、跨平台一致。用 (int)(oldCapacity * 1.5) 看似直观,但涉及浮点乘法+强制转整,性能略差,且在极小容量(如 1)下可能因舍入误差导致结果异常(虽然实际影响不到,但设计上规避了所有不确定性)。

  • oldCapacity = 1 → 1 + (1 >> 1) == 1 + 0 == 1(不扩容,合理)
  • oldCapacity = 2 → 2 + 1 == 3
  • oldCapacity = 10 → 10 + 5 == 15

扩容后数组复制的实际开销在哪

真正耗时的是 Arrays.copyOf 调用底层 System.arraycopy 复制整个老数组内容——这是 O(n) 操作,且触发 GC 压力。1.5 倍是平衡空间浪费和扩容频次的经验值:比 2 倍省内存,又比 1.2 倍减少重复制次数。

容易忽略的一点:如果提前知道大概元素数量,用带参构造器初始化(如 new ArrayList(1000)),能完全避免前几次扩容。

自定义扩容策略不可行?

ArrayList 的扩容逻辑封装在私有方法 grow 中,且没有提供钩子或 protected 扩展点。继承 ArrayList 并重写方法无法生效,因为核心添加逻辑(如 add)内部直接调用私有 grow。

若真需要定制增长因子,只能自己实现 List(基于 Object[] + 手动管理扩容),或者用 ArrayDeque(它用 2 倍扩容,但不保证顺序语义)替代——不过这就脱离了 ArrayList 的使用场景了。

真正该关注的,是预估容量和避免在循环中反复 add 导致多次扩容,而不是试图改写这个 1.5 倍逻辑。

以上就是《ArrayList扩容为何增长1.5倍》的详细内容,更多关于的资料请关注golang学习网公众号!

FetchAPI使用方法及优势解析FetchAPI使用方法及优势解析
上一篇
FetchAPI使用方法及优势解析
Linuxbind挂载目录教程详解
下一篇
Linuxbind挂载目录教程详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    264次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    318次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    302次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    273次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    94次使用