数据结构 快速排序 堆排序(好难

本文详细介绍了快速排序和堆排序两种经典排序算法的实现过程,并通过代码展示了它们在不同数据情况下的运行效果。快速排序平均时间复杂度为O(nlogn),而堆排序同样为O(nlogn)。文中还通过比较实际运行时间,突显了快速排序相对于冒泡排序的高效性。最后,文章讨论了在最坏情况下,即输入数据完全逆序时,快速排序的处理策略。
摘要由CSDN通过智能技术生成
#快速排序复杂度计算
#           16
#       8        8
#    4    4    4   4
#  2  2  2  2  2  2 2  2
# 1 ....
# 每一次都减半 每一层都是n的复杂度,一共有log16 =.4层
# 所以是 O(nlogn

快速排序

from cal_time import  *
from bubble_sort import  *
import random
import copy

def partition(li,left,right):
    tmp = li[left]
    while left < right:
        while left < right and li[right] >= tmp:#从右边开始找比tmp小的数
            right -= 1 #左移1位
        li[left] = li[right] #把右边的值写到左边空位上
        #print(li)
        #print('—'*100)
        while left < right and li[left] <= tmp:
            left += 1
        li[right] = li[left]#把左边的值写到右边空位上
        #print(li)
    li[left] =tmp #把tmp归位
    return left
#测试partition函数
# li = [5,7,4,6,3,1,2,9,8]
# print(li)
# partition(li,0,len(li)-1)
# print(li)

def _quick_sort(li,left,right):
    if left <right:
        mid = partition(li,left,right)#mid值出来了说明列表分为两个部分,之后再对这两个部分分类
        _quick_sort(li,left,mid-1)
        _quick_sort(li,mid+1,right)
# li = [5,7,4,6,3,1,2,9,8]
# _quick_sort(li,0,len(li)-1)
# print(li)
@cal_time
def quick_sort(li):
    _quick_sort(li,0,len(li)-1)


# #比较快速排序跟冒泡排序算法效率
 

# li = list(range(10000))
# random.shuffle(li)
#
# li1 = copy.deepcopy(li)
# li2 = copy.deepcopy(li)
#
# quick_sort(li1)# 0.025s
# better_bubble_sort(li2) #12.227s
#
# print(li1)
# print(li2)


#最坏的情况:恰好是倒序——解决问题随机一个数,跟第一个数交换

li = list(range(10000,0,-1))
quick_sort(li)

#堆排序 O(nlogn)



def sift(li,low,high):
    """
    :param li:列表
    :param low:堆的根节点位置
    :param high:堆的最后一个元素位置
    :return:
    """
    i = low #i最开始指向根节点
    j = 2*i+1 #j开始是做孩子
    tmp = li[low] #把堆顶存起来
    while j <= high:#只要j位置有数
        if j +1 <= high and li[j+1] > li[j]: #如果右孩子有且比较大
            j = j + 1 #j指向右孩子
        if li[j] > tmp:
            li[i] = li[j]
            i = j       #往下看一层
            j = 2 * i + 1
        else:   #tmp更大,把tmp放到i的位置
            break
    li[i] = tmp #跳出循环两个条件,1.i到了最后一层,导致j没有数了 2.tmp的值比两个子节点的值大,tmp传入li[i]中
def heap_sort(li):
    n = len(li)
    for i in range((n-2)//2,-1,-1):
        #i表示建堆的时候调整的部分的根的下标
        sift(li,i,n-1)# high假设为每个堆的最后一位
    # 建堆完成了
    print(li)
    for i in range(n-1,-1,-1):
        #i指向当前堆的最后一个元素
        li[0],li[i] = li[i],li[0]
        sift(li,0,i-1) #i-1是新的high
li = [i for i in range(100)]
import  random
random.shuffle(li)

heap_sort(li)
print(li)

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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