八大排序之归并排序

 归并排序,是一种稳定型的排序算法。它主要用到了分治算法的思想:将大规模的排序分隔成为一个个易解决的子问题。降低问题得的规模,是问题处理起来相对来说较为简单。

一般结构的归并排序,是一分为二。采用树状结构有,逐层二分,知道分到一个数(不用排序,本身是有序的)之后归并。将两个升序数组合并成一个升序数组。

 但是单纯的归并,太过于死板。所以在对于大量数据进行排序的时候,一般在对于分到一定界限的数组,就不继续分下去了。采用插入或者选择排序。这样比单纯的归并效果要好。减少递归对系统资源造成的浪费

 传统的归并步骤为:

  (1)一个区间一份为二,左边递归分,右边递归分。

  (2)知道只有一个数的时候进行返回。

  (3)将返回的两个数组进行合并。即两个升序数组合并成一个升序数组。

  对于两个升序数组合并成一个升序数组,不知道读者是怎么解决的。小编一般是用一重循环进行处理的。主要逻辑思维如下:

  借助一个辅助数组。无非就是将两个数组里面的值放到辅助数组里面。只要考虑到什么时候插入期中一个数组的值,那么剩下

的情况就是插入另一个升序数组了。

 利用i,j遍历两个数组。如果期中一个数组已经遍历完,则就插入当前数组的值。即if(j>lengthJ),或者两个数组都没有完,

一个数组比另一个数组值小(升序)。即(i<lengthI&&a[i]<a[j])。总结就是if(j>lengthJ||(i<lengthI&&a[i]<a[j]))

 以上代码较为简单,小编在这里就不实现了。小编在这里给大家实现一下简单优化的归并排序。

 
int temp[100];//辅助数组

void simpleMerge(int *a,int left,int mid,int right){//两个升序数组合并成一个升序数组
    int i,j,k;
    k=left;
    for(i=left,j=mid+1;i<=mid||j<=right;){
        if((j>right)||(i<=mid&&a[i]<a[j])){
            temp[k++]=a[i++];
        }else{
            temp[k++]=a[j++];
        }
    }
    for(i=left;i<=right;i++){
        a[i]=temp[i];
    }
}

void selectSqrt(int *a,int length){//在一个范围内就实现插入排序
    int temp,minIndex,maxIndex,j,left,right;
    left=0;
    right=length-1;
    for(left=0,right=length-1;left<right;left++,right--){
        maxIndex=minIndex=left;
        for(j=left+1;j<=right;j++){
            if(a[minIndex]>a[j]){
                minIndex=j;
            }
            if(a[maxIndex]<a[j]){
                maxIndex=j;
            }
        }
        if(minIndex!=left){
            temp=a[left];
            a[left]=a[minIndex];
            a[minIndex]=temp;
        }
        if(maxIndex==left){
            maxIndex=minIndex;
        }
        temp=a[maxIndex];
        a[maxIndex]=a[right];
        a[right]=temp;
    }
}

void mergeSqrt(int* a,int left,int right){//归并过程
    int mid;
    if(right-left>5){
        mid=(right+left)/2;
        mergeSqrt(a,left,mid);
        mergeSqrt(a,mid+1,right);
        simpleMerge(a,left,mid,right);
    }else{
        selectSqrt(a+left,(right-left+1));
    }
}

 归并排序只是分治算法的一种实现。分治算法的其他实现还有堆排序、快排、二分查找。以后在进行讲解。如果代码有什么错误

欢迎找小编留言。

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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