Java二维数组优化需从内存布局、访问模式、数据密度协同发力：优先用一维数组模拟二维结构提升缓存命中率；稀疏矩阵（非零<5%）转三元组存储；密集计算采用分块处理适配硬件缓存；杜绝包装类和临时对象污染循环。
Java 二维数组在处理大规模矩阵时，常因内存占用高、缓存不友好、GC压力大而触发资源限制（如堆内存溢出、CPU缓存未命中激增、响应延迟超标）。优化不能只靠“换算法”，而要从内存布局、访问模式、数据密度三个层面协同发力。
优先用一维数组模拟二维结构
Java 的 int[][] 是“数组的数组”，每行独立分配在堆上，导致：内存碎片化、缓存行跨距大、GC扫描开销高。实测万级方阵下，列遍历比行遍历慢 4–8 倍，主因就是反复加载新缓存行。
- 改用单块一维数组：
int[] data = new int[rows * cols]; - 按行主序映射索引：
data[i * cols + j]替代matrix[i][j] - 封装为轻量 Matrix 类，对外保留
get(i, j)/set(i, j, v)接口，隐藏计算逻辑 - 优势：内存连续、JVM预取高效、L1/L2缓存命中率接近峰值、TLAB分配更稳定
稀疏场景必须转稀疏表示
当矩阵中非零元素占比低于 5%（如棋盘、日志热力图、推荐系统用户-物品交互），直接存二维数组是严重浪费。稀疏数组仅记录 (row, col, value) 三元组，空间复杂度从 O(N×M) 降至 O(nnz)。
- 构建稀疏结构：先遍历原数组统计非零个数，再初始化
int[nnz + 1][3]数组 - 首行存维度信息：
sparse[0][0] = rows; sparse[0][1] = cols; sparse[0][2] = nnz; - 后续行存有效值：
sparse[k][0] = i; sparse[k][1] = j; sparse[k][2] = matrix[i][j]; - 还原时只需初始化全零二维数组，再按稀疏表逐条赋值
分块处理规避缓存与内存瓶颈
对需遍历+计算的密集操作（如转置、子矩阵求和、滑动窗口），避免一次性加载整矩阵。按硬件缓存容量反推块大小（如 L1 缓存 32KB → int 块约 16×16），让每个块能驻留 L1 或 L2。
立即学习“Java免费学习笔记（深入）”；
- 外层循环按块划分行列边界：
for (int i0 = 0; i0 < rows; i0 += BLOCK_SIZE) - 内层在块内做局部计算，读写地址高度连续
- 适用于：分块矩阵乘、分块转置、二维前缀和构建、限制条件下的最大子矩阵搜索
- 注意：BLOCK_SIZE 需适配目标平台，通用建议 8–32（int 类型）
杜绝包装类与临时对象污染计算路径
在高频循环中混入 Integer[][]、new Point(i,j) 或 String.valueOf() 等操作，会快速耗尽 TLAB，触发频繁 minor GC，并破坏所有空间局部性。
- 数值计算一律用基本类型数组：
int[][]、double[]，禁用Integer[][] - 循环体内不 new 对象；坐标可复用
int[] pos = {i, j}或直接传参 - 若需结构化语义，定义紧凑的
record Coord(int r, int c)（Java 14+），避免字段对齐浪费 - 日志或调试输出移出核心循环，用条件编译或开关控制
