Java排序以及简单的快速排序

1、首先排序的方法有很多种:插入排序冒泡排序堆排序归并排序选择排序计数排序基数排序桶排序快速排序

 

这里是主要讲解一下快速排序这个方法,我也是看了好几篇文章才看明白的:

1、先在待排序的一组数据中随便选一个数出来作为基数:key;

2、然后对这组数进行排序,比key小的放key的左边,比key大的放key的右边,当然这个按照需求来(从小到大,还是从大到小)

3、递归的来分组,在第二步中在将这个组数字,分成多个小组来排序就可以了

 

具体看代码来理解,可能会更加好理解

[java]  view plain copy
  1. package com.itheima;  
  2.   
  3. /** 
  4.  * 4、 排序有哪几种方法?请列举。并用JAVA实现一个快速排序. 
  5.  * 排序的方法有:冒泡排序、快速排序、选择排序、插入排序。。。 
  6.  *  
  7.  * @author 281167413@qq.com 
  8.  */  
  9.   
  10. public class Test4 {  
  11.   
  12.     static int count = 0;  
  13.       
  14.     public static void main(String[] args) {  
  15.         int values[] = { 5483721906 };  
  16.   
  17.         qsort(values, 0, (values.length - 1));  
  18.   
  19.         System.out.printf("\n\n排序后的结果是:");  
  20.         for (int i = 0; i < values.length; i++) {  
  21.             System.out.printf("%d ", values[i]);  
  22.         }  
  23.     }  
  24.   
  25.     public static void qsort(int values[], int left, int right) {  
  26.         int tmp = 0;  
  27.   
  28.         System.out.printf("\n这个是第%d次排序的结果:", count);  
  29.         count++;  
  30.         for (int i = 0; i < values.length; i++) {  
  31.             System.out.printf("%d ", values[i]);  
  32.         }  
  33.           
  34.         if (left < right) {  
  35.             tmp = partition(values, left, right);  
  36.             qsort(values, left, tmp);  
  37.             qsort(values, tmp + 1, right);  
  38.         }  
  39.     }  
  40.   
  41.     public static int partition(int values[], int left, int right) {  
  42.         int i = 0, j = 0;  
  43.         int key = 0, tmp = 0;  
  44.   
  45.         if (null == values) {  
  46.             return 0;  
  47.         }  
  48.   
  49.         i = left;  
  50.         j = right;  
  51.         key = values[left];  
  52.   
  53.         // 这个while循环可以实现排序的第一步:分组  
  54.         while (i < j) {  
  55.             while (values[j] > key) {  
  56.                 --j;  
  57.             }  
  58.             tmp = values[i];  
  59.             values[i] = values[j];  
  60.             values[j] = tmp;  
  61.   
  62.             while (values[i] < key) {  
  63.                 i++;  
  64.             }  
  65.             tmp = values[i];  
  66.             values[i] = values[j];  
  67.             values[j] = tmp;  
  68.         }  
  69.   
  70.         return i;  
  71.   
  72.     }  
  73. }  


下面是每次排序的结果:

[plain]  view plain copy
  1. 这个是第0次排序的结果:5 4 8 3 7 2 1 9 0 6   
  2. 这个是第1次排序的结果:0 4 1 3 2 5 7 9 8 6   
  3. 这个是第2次排序的结果:0 4 1 3 2 5 7 9 8 6   
  4. 这个是第3次排序的结果:0 4 1 3 2 5 7 9 8 6   
  5. 这个是第4次排序的结果:0 2 1 3 4 5 7 9 8 6   
  6. 这个是第5次排序的结果:0 1 2 3 4 5 7 9 8 6   
  7. 这个是第6次排序的结果:0 1 2 3 4 5 7 9 8 6   
  8. 这个是第7次排序的结果:0 1 2 3 4 5 7 9 8 6   
  9. 这个是第8次排序的结果:0 1 2 3 4 5 7 9 8 6   
  10. 这个是第9次排序的结果:0 1 2 3 4 5 7 9 8 6   
  11. 这个是第10次排序的结果:0 1 2 3 4 5 7 9 8 6   
  12. 这个是第11次排序的结果:0 1 2 3 4 5 7 9 8 6   
  13. 这个是第12次排序的结果:0 1 2 3 4 5 7 9 8 6   
  14. 这个是第13次排序的结果:0 1 2 3 4 5 6 7 8 9   
  15. 这个是第14次排序的结果:0 1 2 3 4 5 6 7 8 9   
  16. 这个是第15次排序的结果:0 1 2 3 4 5 6 7 8 9   
  17. 这个是第16次排序的结果:0 1 2 3 4 5 6 7 8 9   
  18. 这个是第17次排序的结果:0 1 2 3 4 5 6 7 8 9   
  19. 这个是第18次排序的结果:0 1 2 3 4 5 6 7 8 9   
  20.   
  21. 排序后的结果是:0 1 2 3 4 5 6 7 8 9   
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