归并排序

基本思想

归并排序使用的是分治法

分治法的基本思想是将原问题分解为规模较小但类似于原问题的子问题, 递归地求解这些子问题,然后合并这些子问题的解来建立原问题的解。

分治模式在每层递归都有3个步骤

1.分解

2.解决

3.合并

归并排序对应的有下面3个步骤

1.分解:分解待排序的n个元素的序列成各具n/2个元素的两个子序列

2.解决:使用归并排序递归地排序两个子序列

3.合并:合并两个排序的子序列以产生已排序的答案

 

归并算法的关键操作是将两个已排序序列的合并。

我们拿扑克牌当例子:假设桌上有两堆牌已排序的面朝上的牌(最小的在上面),我们希望把这两堆牌合并成单一的排序好的牌。

我们的基本步骤是从两堆牌的牌顶上面拿出较小的一张,放到输出堆,重复这个步骤(如果一个堆为空,则可以当它面朝上的牌为∞)就可以达到目的。

 

 

伪代码

合并代码:将排序好的两个数组A[p...q]和A[q+1...r]合并成一个排序好的数组

MERGE(A,p,q,r)
n1=q-p+1
n2=r-q
let L[1...n1+1] and R[1...n2+1] be a new arrays
for i=1 to n1
    L[i]=A[p+i-1]
for j=1 to n2
    R[j]=A[p+j]
L[n1+1]=max
R[n2+1]=max
i=1
j=1
for k=p to r
    if L[i]<=R[j]
        A[k]=L[i]
        i=i+1
    else
        A[k]=R[j]
        j=j+1


我们把过程MERGE作为归并排序算法中的一个子程序来用。递归的把问题分解成两个子问题,然后合并子问题得到原问题的解

MERGE-SORT(A,p,r)
if p<r
    q=(p+r)/2   向下取整 
    MERGE-SORT(A,p,q)
    MERGE-SORT(A,q+1,r)
    MERGE(A,p,q,r) 

实现和测试代码

#include <iostream>
#include <limits>
using namespace std;

void merge(int arr[],int p,int q,int r)
{
    int n1=q-p+1;
    int n2=r-q;
    int *L=new int[n1+2];
    int *R=new int[n2+2];
    for(int i=1;i<=n1;++i)
        L[i]=arr[p+i-1];
    for(int j=1;j<=n2;++j)
        R[j]=arr[q+j];
    L[n1+1]=numeric_limits<int>::max();
    R[n2+1]=numeric_limits<int>::max();
    int i=1,j=1;
    for(int k=p;k<=r;++k)
    {
        if(L[i]<=R[j])
            arr[k]=L[i++];
        else
            arr[k]=R[j++];
    }
    delete[] L;
    delete[] R;
}

void merge_sort(int arr[],int p,int r)
{
    if(p<r)
    {
        int q=(p+r)/2;
        merge_sort(arr,p,q);
        merge_sort(arr,q+1,r);
        merge(arr,p,q,r);
    }
}

int main()
{
    int arr[]={0,5,2,4,7,1,3,2,6};
    merge_sort(arr,1,8);
    for(int i=1;i<=8;++i)
        cout<<arr[i]<<' ';
    cout<<endl;
    system("pause");
}


使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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