Java 从哈希集中删除在对其进行迭代后失败

我正在用java编写一个聚合聚类算法，但在删除操作方面遇到了问题。当集群数量达到初始数量的一半时，它似乎总是失败

在下面的示例代码中，

集群

是一个

集合

---

[10,9,5,6,4,5,6,4，…]集合从那里无限增长

---

Edit：为了澄清这一点，我对集群中的每个集群使用了一个

HashSet

（一个

HashSet）

存在的明显问题是

集群。remove

可能是使用

equals

来查找要删除的元素。不幸的是，

equals

on collection通常比较元素是否相同，而不是相同的集合（我认为C#在这方面做得更好）

---

一个简单的解决方法是将

集群创建为
集合。newSetFromMap（new IdentityHashMap（））
（我认为）。
在所示的测试中，第一次尝试删除包含多个整数的集合时，
删除
失败。总是这样吗

使用的集合的具体类型是什么？
啊。当您更改已在
集合
（或
映射
键）中的值时，它不一定位于正确的位置，哈希代码将被缓存。您需要删除它，更改它，然后重新插入它。
[10，9，5，6，4，5，6，4，…]显然不是一个集合。这是一份清单吗？是的，很好。哈希集不能包含重复的对象。这里有些奇怪。关于equals的观点很好，但即使它使用equals，为什么删除操作会失败呢？是的，你的思路是正确的。第一次尝试删除包含多个整数的集合时，它总是失败。我为集群中的每个集群使用一个HashSet（HashSet），这很奇怪。如果您使用的是HashSet，为什么会在集合中获得多个值。正如我前面所说的，HashSet不应该包含重复的对象。我认为这里有一个更深层次的问题。显然是为了维持秩序。是的，你明白了！解决方案是创建一个新集群，添加minclust1和minclust2中的所有元素，从集群中删除minclust1和minclust2，然后添加新集群。在HashSet中改变对象似乎不是个好主意。太好了。不变性岩石。从技术上讲，只要不打乱元素的equals和hashCode，就可以将元素更改为HashSet，但这取决于所有数据或任何数据。如果您有HashSet，您就可以毫不畏惧地修改组件。
      while(clusters.size() > K){
           // determine smallest distance between clusters
           Collection<Integer> minclust1 = null;
           Collection<Integer> minclust2 = null;
           double mindist = Double.POSITIVE_INFINITY;

           for(Collection<Integer> cluster1 : clusters){
                for(Collection<Integer> cluster2 : clusters){
                     if( cluster1 != cluster2 && getDistance(cluster1, cluster2) < mindist){
                          minclust1 = cluster1;
                          minclust2 = cluster2;
                          mindist = getDistance(cluster1, cluster2);
                     }
                }
           }

           // merge the two clusters
           minclust1.addAll(minclust2);
           clusters.remove(minclust2);
      }

Clustering: 10 clusters
[[3], [1], [10], [5], [9], [7], [2], [4], [6], [8]]
[5] <- [6]
true
Clustering: 9 clusters
[[3], [1], [10], [5, 6], [9], [7], [2], [4], [8]]
[7] <- [8]
true
Clustering: 8 clusters
[[3], [1], [10], [5, 6], [9], [7, 8], [2], [4]]
[10] <- [9]
true
Clustering: 7 clusters
[[3], [1], [10, 9], [5, 6], [7, 8], [2], [4]]
[5, 6] <- [4]
true
Clustering: 6 clusters
[[3], [1], [10, 9], [5, 6, 4], [7, 8], [2]]
[3] <- [2]
true
Clustering: 5 clusters
[[3, 2], [1], [10, 9], [5, 6, 4], [7, 8]]
[10, 9] <- [5, 6, 4]
false
Clustering: 5 clusters
[[3, 2], [1], [10, 9, 5, 6, 4], [5, 6, 4], [7, 8]]
[10, 9, 5, 6, 4] <- [5, 6, 4]
false
Clustering: 5 clusters
[[3, 2], [1], [10, 9, 5, 6, 4, 5, 6, 4], [5, 6, 4], [7, 8]]
[10, 9, 5, 6, 4, 5, 6, 4] <- [5, 6, 4]
false