快速排序

Quick Sort的基本思想:先经过一次排序,将待排记录分隔成独立的两部分,其中一部分记录的关键字均比另一部分的关键字小,则可分别对这两部分记录继续进行排序,以达到整个序列有序。

看不懂的可以参考更认真的博客:https://blog.csdn.net/qq_26122557/article/details/79458649

package com.ldy.arithmetic.sort;

import java.util.Arrays;

public class QuickSort {
    public static void main(String[] args) {
        String[] strings={"f","c","a","i","b","d","e","g","h","d"};
        int[] ints={19,9,2,3,6,5,4,7,5,11};
//        QuickSortForString(strings,0,strings.length-1);
        QuickSortForInt(ints,0,ints.length-1);
        System.out.println(Arrays.toString(ints));
    }

    private static void QuickSortForString(String[] strings, int leftIndex, int rightIndex){
        int Si=leftIndex,Sj=rightIndex;
        if(leftIndex>rightIndex){
            return;
        }
        String temp=null;
        String pivot=strings[leftIndex];//设定阈值,将小于他的放在左边,大于他的放在右边。
        while(Si<Sj){
            while((strings[Sj].compareTo(pivot))>=0 && Si<Sj){
                Sj--;
            }
            while((strings[Si].compareTo(pivot))<=0 && Si<Sj){
                Si++;
            }
            if(Si<Sj){
                temp=strings[Sj];
                strings[Sj]=strings[Si];
                strings[Si]=temp;
//                System.out.println(Arrays.toString(strings));
            }
        }
        //将基准与Si位置或者Sj交换
        strings[leftIndex]=strings[Si];
        strings[Si]=pivot;
        //再对剩下的两个序列再进行排序
        QuickSortForString(strings,leftIndex,Sj-1);
        QuickSortForString(strings,Sj+1,rightIndex);
    }

    private static void QuickSortForInt(int[] ints,int leftIndex,int rightIndex) {
        int Si,Sj,temp,t;
        if(leftIndex>rightIndex){
            return;
        }
        Si=leftIndex;
        Sj=rightIndex;
        //temp就是基准位
        temp = ints[leftIndex];

        while (Si<Sj) {
            //先看右边,依次往左递减
            while (temp<=ints[Sj]&&Si<Sj) {
                Sj--;
            }
            //再看左边,依次往右递增
            while (temp>=ints[Si]&&Si<Sj) {
                Si++;
            }
            //如果满足条件则交换
            if (Si<Sj) {
                t = ints[Sj];
                ints[Sj] = ints[Si];
                ints[Si] = t;
            }
        }
        //最后将基准为与i和j相等位置的数字交换
        ints[leftIndex] = ints[Si];
        ints[Si] = temp;
        //递归调用左半数组
        QuickSortForInt(ints, leftIndex, Sj-1);
        //递归调用右半数组
        QuickSortForInt(ints, Sj+1, rightIndex);
    }
}

结果:

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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