基础入门之查找

学习材料:《2013年王道论坛计算机考研机试指南》

文中涉及对学习材料的摘录,以及自己的理解。


1 查找的基本要素

a. 查找空间

b. 查找目标。在查找空间中,与要求匹配的元素。通过判断各元素是否为查找目标,以判断查找是否成功。

c. 查找方法。在查找空间中查找各元素的策略,不同的策略影响查找效率和结果,应根据具体问题选择查找方法。

2 二分法查找

2.1  针对有序表的查找策略,不断移动起始点、结束点、中间点,缩小(二分)查找空间。


2.2  以升序数组为例,查找过程如下:

a. 将数组第一个元素设为查找起始点,最后一个元素设为查找结束点,数组中间元素为中间点。

b. 若目标元素 < 中间点元素值,说明目标元素在数组前半部分,起始点不变,将结束点移动为中间点的前一个元素,在新的查找空间里重新确立中间点;

     若目标元素  > 中间点元素值,说明目标元素在数组后半部分,结束点不变,将起始点移动为中间点的后一个元素,在新的查找空间里重新确立中间点;

c. 若找到目标元素,break;

      若起始点大于查找结束点,说明查找子集已为空集,没有找到目标元素,查找失败;

     否则,重复2.


2.3 用二分法查找有序数组,时间复杂度为O(logL) ; 而线性查找为(L)


2.4 题目:输入N(<=1000)个学生信息(编号升序),进行M(<=10000)次查询。

      解答:

#include 
   
   
    
    
#include 
    
    
     
     
#include 
     
     
      
      
using namespace std;

struct STUDENT{
	char no[100];  //学号其实是字符串
	char name[100];//姓名也是字符串
	char sex[5];   //性别
	int age;       //年龄
	bool operator < (const STUDENT &SS)const {//重载
      
      <运算符,使其能使用sort函数排序 return strcmp(no,ss.no) < 0; } }student_buf[1000]; int main(){ n; i; while ( scanf("%d",&n) !="0)" ) { for(i="0;" i
       
       = base)     //当结束点
       
       <起始点时,查找子集为空集,说明此次查找失败,结束循环 { int mid="(top" + base) 2; tmp="=0" student_buf[mid].no); if( ){ ans="mid;" break; 查找成功,跳出二分查找 } else if(tmp>
         0) //目标元素 > 中间点 base = mid + 1; else //目标元素 < 中间点 top = mid - 1; } if( ans==-1 ) //查找失败 printf("No Answer! \n"); else printf("%s %s %s %d\n",STUDENT_Buf[ans].no, STUDENT_Buf[ans].name, STUDENT_Buf[ans].sex, STUDENT_Buf[ans].age); } } return 0; } 
       
      
      
     
     
    
    
   
   


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