八大排序算法

简单排序

冒泡排序

void BubleSort(vector<int> &a)
{
    size_t t= a.size();
    for (int i = 0; i < t;i++)
    for (int j = i + 1; j < t; j++)

    {
        if (a[i]>a[j])
            swap(a[i], a[j]);
    }

}

选择排序

void SelectSort(vector<int> &a)
{
    size_t t = a.size();
    for (int i = 0; i < t; i++)
    {
        int min = i;   //默认当前值为最小值
        for (int j = i + 1; j < t; j++)
        if (a[min]>a[j])
        {
            min = j;      //找到最小值的下标
        }
        if (min != i)
            swap(a[i], a[min]);   //最小值小标若更新后,交换这俩值
    }

}

插入排序

void InsetSort(vector<int> &a)
{
    size_t t = a.size();
    for (int i = 1; i < t; i++)
    {
        int temp = a[i];
        int j = i - 1;
        for (; j >= 0&&a[j] > temp; j--)  //判断j>0在前
            a[j + 1] = a[j];         //往后移一位
        a[j + 1] = temp;
    }

}

快速排序


int partition(vector<int> &a,int l,int r)
{
    int s = a[l];
    int i = l, j = r;
    while (i < j)           //3个while
    {
        while (a[j]>=s&&i<j)
            j--;
        a[i] = a[j];         //白话的算法这里还要i+1,其实在夏暖的while中也实现了+1,只不过多了一次判断。我这样写简单一点。
        while (a[i] < s&&i < j)
            i++;
        a[j] = a[i];
    }
    a[i] = s;
    return i;

}


void QuickSort_(vector<int> &a, int l, int r)
{

    if (l < r)                       //不是while
    {
        int pivot = partition(a, l, r);
        QuickSort(a, l, pivot - 1);
        QuickSort(a, pivot + 1, r);
    }
}

整合版本:

void QuickSort(vector<int> &a,int l,int r)
{

    if (l < r)                       //不是while
    {
        int s = a[l];
        int i = l, j = r;
        while (i < j)
        {
            while (a[j] >= s&&i<j)
                j--;
            a[i] = a[j];
            while (a[i] < s&&i < j)
                i++;
            a[j] = a[i];
        }
        a[i] = s;
        QuickSort(a, l, i - 1);
        QuickSort(a, i + 1, r);
    }
}

归并排序

这里写图片描述

void Merge(vector<int> &a, vector<int> &help,int start,int mid,int end)     //把两个数组合并,左:a从start到mid;右:a从mid+1到end。  help是辅助数组
{ 
    int i = start, j = mid+1;
    int k = i;
    while (i <= mid&&j <= end)
    {
        if (a[i] < a[j])
        {
            help[k++] = a[i++];
        }
        else
        {
            help[k++] = a[j++];
        }

    }
    while (i <= mid)
    {
        help[k++] = a[i++];
    }
    while (j <= end)
    {
        help[k++] = a[j++];
    }
    for (int i = start; i <= end; i++) //最后把辅助数组的结果copy到原数组a
        a[i] = help[i];
}
void MergeSort(vector<int> &a, vector<int> &help, int start,  int end)  //先分 后治
{
    if (start != end)
    {
    int mid = (start + end) / 2;
    MergeSort(a, help, start, mid);  //左边有序
    MergeSort(a, help, mid+1, end);  //右边有序
    Merge(a, help, start, mid, end); //归并
    }

}

希尔排序

前面的插入排序是步长为1的特殊希尔排序。

void ShellSort(vector<int> &a)
{
    size_t t = a.size();
    int step = t / 2;
    do
    {
        for (int i = step; i < t; i ++)
        {
            int temp = a[i];
            int j = i - step;
            for (; j >= 0 && a[j] > temp; j-=step)  //判断j>0在前
                a[j + step] = a[j];
            a[j + step] = temp;
        }
        step /= 2;
    }
    while (step != 1);

}

堆排序

两步:
1. 先把一个数组建成一个大顶堆:
- 先确定非叶子节点,其实就是数组小标小于数组长度一般的元素。
- 如果当前节点小于他左右孩子结点中的一个,就和最大的孩子节点呼唤,如果没有就break;然后替换后再继续和下一个孩子节点比较。
2. 把堆顶元素和末尾呼唤,然后在调整堆顶元素。

void HeapAdjust(vector<int>& a, int start,int end)
{
    int temp = a[start];  //start表示起始的父节点
    int j;
    for (j = 2 * start + 1; j <=end; j *= 2+1 ) j是start的孩子
    {

        if (j <end&&a[j] < a[j + 1])
            j++;
        if (temp>a[j])
            break;
        swap(a[start], a[j]);  //如果满足小于子节点的条件就互换
        start = j;            //更新start节点(父节点)
    }

}
void HeapSort(vector<int> &a)
{
    size_t t = a.size();
    int i =t / 2 - 1,j=t-1;
    for (; i >= 0; i--)
        HeapAdjust(a, i,t);
    for (; j >= 0; j--)
    {
        swap(a[j], a[0]);        //交换顶尾元素
        HeapAdjust(a, 0, j-1);   //注意最后一个参数,把范围限制到减去一
    }
}
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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