每日一题(92) - 归并排序

题目来自网络

题目(1):基于数组的归并排序

题目(2):基于链表的归并排序

----------

题目(1):基于数组的归并排序

思路:借助分治的思想,总是先对待排序进行分割,之后再对两个子序列进行合并,生成一个有序序列。

时间复杂度为O(nLogn),空间复杂度为O(n)

代码:

void Merge(int nArr[],int nStart,int nMid,int nEnd)
{
	int nCurLeft = nStart;
	int nLeftEnd = nMid;
	int nCurRight = nMid + 1;
	int nRightEnd = nEnd;

	int nCur = 0;//易错点
	int* nArrMerge = new int[nEnd - nStart + 1];
	while(nCurLeft <= nLeftEnd && nCurRight <= nRightEnd)
	{
		if (nArr[nCurLeft] > nArr[nCurRight])
		{
			nArrMerge[nCur++] = nArr[nCurRight++];
		}
		else
		{
			nArrMerge[nCur++] = nArr[nCurLeft++];
		}
	}
	while (nCurLeft <= nLeftEnd)
	{
		nArrMerge[nCur++] = nArr[nCurLeft++]; 
	}
	while(nCurRight <= nRightEnd)
	{
		nArrMerge[nCur++] = nArr[nCurRight++];
	}
	for (int i = 0;i < nCur;i++)//易忘点
	{
		nArr[i + nStart] = nArrMerge[i];
	}
	delete[] nArrMerge;
}

void MergeSort(int nArr[],int nStart,int nEnd)
{
	if (nStart >= nEnd)
	{
		return;
	}
	int nMid = (nStart + nEnd) >> 1;
	MergeSort(nArr,nStart,nMid);
	MergeSort(nArr,nMid + 1,nEnd);
	Merge(nArr,nStart,nMid,nEnd);
}

void MergeSort(int nArr[],int nLen)
{
	assert(nArr != NULL && nLen > 0);
	MergeSort(nArr,0,nLen - 1);
}
注意:下面代码的 辅助空间是每次归并都申请一次,当然也可以只申请一次。这里代码就不表了。

题目(2):基于链表的归并排序

代码

#include <iostream>
using namespace std;

struct ListNode  
{  
	int m_nData;  
	ListNode* m_pNext;  
}; 
ListNode* Merge(ListNode* pFirst,ListNode* pSec)
{
	ListNode* pNewHead = NULL;
	ListNode* pCur = NULL;
	while(pFirst && pSec)
	{
		if (pFirst->m_nData > pSec->m_nData)
		{
			if (pNewHead == NULL)
			{
				pNewHead = pSec;
				pCur = pSec;
			}
			else
			{
				pCur->m_pNext = pSec;
				pCur = pCur->m_pNext;
			}
			pSec = pSec->m_pNext;
		}
		else
		{
			if (pNewHead == NULL)
			{
				pNewHead = pFirst;
				pCur = pFirst;
			}
			else
			{
				pCur->m_pNext = pFirst;
				pCur = pCur->m_pNext;
			}
			pFirst = pFirst->m_pNext;
		}
	}
	if (pFirst == NULL && pSec != NULL)
	{
		pCur->m_pNext = pSec;
	}
	else
	{
		pCur->m_pNext = pFirst;
	}
	return pNewHead;
}

ListNode* MergeSort(ListNode* pHead)
{
	ListNode* pFirstHead = NULL;
	ListNode* pSecHead = NULL;

	if (pHead == NULL || pHead->m_pNext == NULL)
	{
		return pHead;
	}
	if (pHead->m_pNext->m_pNext == NULL)//只有俩元素
	{
		if (pHead->m_nData > pHead->m_pNext->m_nData)
		{
			ListNode* pSec = pHead->m_pNext;
			pHead->m_pNext = NULL;
			pSec->m_pNext = pHead;
			return pSec;
		}
		return pHead;		
	}
	//此时,链表肯定有三个以上的元素
	//分成两个子问题
	ListNode* pFast = pHead;
	ListNode* pSlow = pHead;
	while(pFast->m_pNext && pFast->m_pNext->m_pNext)
	{
		pSlow = pSlow->m_pNext;
		pFast = pFast->m_pNext->m_pNext;
	}
	pSecHead = pSlow->m_pNext;
	pSlow->m_pNext = NULL;
	pFirstHead = MergeSort(pHead);
	pSecHead = MergeSort(pSecHead);
	//子问题合并
	return Merge(pFirstHead,pSecHead);
}
void Print(ListNode* pHead)
{
	while(pHead != NULL)
	{
		cout<<pHead->m_nData<<" ";
		pHead = pHead->m_pNext;
	}
	cout<<endl;
}
void CreateList(ListNode** pHead,int nLen)//头指针使用指针的指针  
{  
	ListNode* pCur = NULL;  
	ListNode* pNewNode = NULL;  
	for (int i = 0;i < nLen;i++)  
	{  
		pNewNode = new ListNode;  
		cin>>pNewNode->m_nData;  
		pNewNode->m_pNext = NULL;  

		if (*pHead == NULL)  
		{  
			*pHead = pNewNode;  
			pCur = *pHead;  
		}  
		else  
		{  
			pCur ->m_pNext = pNewNode;  
			pCur = pNewNode;  
		}  
	}  
}  

int main()
{
	int nLen = 5;
	ListNode* pHead = NULL;
	CreateList(&pHead,nLen);
	pHead = MergeSort(pHead);
	Print(pHead);
	system("pause");
	return 1;
}

  • 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
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