八大排序算法(一)--------插入排序、Shell排序

一、插入排序(Insertion  Sort)
1、原理:如同整理桥牌的方法,将每一张牌插入到其他已经有序的牌中的适当位置,直到全部记录插入完毕为止。

2、思路:(1)首先需要明确待排序的数列由两部分组成,已排好序的部分(有序表)和待排序的部分(无序表);

                 (2)每次从无序表中取出一个元素;

                (3)接着我们每次选择待排序的部分的第 1 个元素,分别与前面的元素进行比较。当大于前面的元素时,可以直接进入已排好序的部分;当小于前面的元素时,需要把这个元素拿出来,将前面的元素后移一位,继续与前面的元素相比,直到比较完数组的第 1 个元素或者出现一个元素小于我们拿出来的这个元素,这时停止比较、移动,直接把这个元素放到当时的空位上;

                (4)一直重复步骤 2,当待排序的部分已经没有元素可进行插入时,停止操作,当前的数列为已排好序的数列。

3、算法实现
 

/**
 * @author HPC
 *插入排序算法实现
 */
public class Insertion {
	//对数组a进行排序
	public static void sort(int[]a) {
		//将a按升序排列
		//对于1~N-1:每次将a[j]与前一个元素比较和交换,一直比到a[0];
		for(int i=1;i<a.length;++i) {
			for(int j=i;j>0; --j) {
				//找到最小的元素,与数组第一个交换
				if(less(a[j],a[j-1])) exch(a,j,j-1);
			}
		}
	}	
	
	//比较两个数
	private static boolean less(int v,int w) {
		if(v<w)return true;
		else return false;		
	}
	
	//交换两个数
	private static void exch(int[]a,int i,int j) {
		int t=a[i];
		a[i]=a[j];
		a[j]=t;
	}
	
	//打印结果
	private static void show(int[] a) {
		// TODO Auto-generated method stub
		//在单行中打印数组
		for(int i=0;i<a.length;++i) {
			System.out.print(a[i]+" ");
		}
		System.out.println();		
	}	
	/**
	 * @param args
	 */
	public static void main(String[] args) {
		int []a =new int[] {2,5,1,4,9,6,8,7,0,3};
		sort(a);
		show(a);
	}
}

4、算法分析

最佳情况:T(n) = O(n);最差情况T(n) = O(n²);平均情况T(n) = O(n²)

 

 

二、Shell排序(Shell Sort)
1、原理:Shell排序改进了插入排序,先把N个小部分元素排序好,让元素大概有个顺序,最后再全面使用插入排序。

2、思路:(1)使用一个增量序列h1,h2,...ht,只要h1=1,任何增量序列都是可行的;

                 (2)先将待排元素序列分成若干个子序列(每个子序列由相隔某个“增量”的元素组成),分别进行插入排序; 

     在使用增量hk的一趟排序后,对每个i,都有a[i]≤a[i+hk],即所有相隔hk的元素都被排序,此时称文件是hk排序的; 

            一趟hk排序的作用,即对hk个独立子数组执行一次插入排序;

                (3)依次缩减增量,再重复步骤 1)进行排序;

                (4)直到hk为1时,再对全体元素进行一次直接插入排序(insertion sort)。

3、算法实现

/**
 * @author HPC
 *Shell排序
 */
/*
 * 基本思想:先把几个小部分元素排序好,让元素大概有个顺序,然后再全面使用插入排序。
 * 算法的性能不仅取决于h,还取决于h之间的数学性质,比如它们的公因子等。
 * 希尔排序比插入排序和选择排序要快很多,并且数组越大,优势越大
 * */
public class Shell {
	//对数组a进行排序
	/*
	 * 基于插入排序的改进,先取间隔h进行插入排序,完成后h=h/3,若h>0,则再重复上述排序
	 * */
	public static void sort(int[]a) {
		//使用了序列1/2(3^k -1),从N/3开始递减至1
		int N=a.length;
//		int h=1;		
//		while(h<N/3) h=3*h+1;
		int h=N/2;
		while(h>=1) {
			for(int i=h;i<N;++i) {
				//将a[i]插入到a[i-h],a[i-2*h],a[i-3*h]...之中
				for(int j=i;j>=h;j-=h) {
					if(less(a[j],a[j-h])) exch(a,j,j-h);
				}
			}
//			h=h/3;
			h=h/2;
		}
		
	}	
	
	//比较两个数
	private static boolean less(int v,int w) {
		if(v<w)return true;
		else return false;
		
	}
	
	//交换两个数
	private static void exch(int[]a,int i,int j) {
		int t=a[i];
		a[i]=a[j];
		a[j]=t;
	}
	
	//打印结果
	private static void show(int[] a) {
		//在单行中打印数组
		for(int i=0;i<a.length;++i) {
			System.out.print(a[i]+" ");
		}
		System.out.println();		
	}	
	/**
	 * @param args
	 */
	public static void main(String[] args) {
		int []a =new int[] {2,5,1,4,9,6,8,7,0,3};
		sort(a);
		show(a);
	}

}

4、算法分析

最佳情况:T(n) = O(nlog2 n);最差情况T(n) =O(nlog2 n);平均情况T(n) =O(nlog n)

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