python 经典算法之--快速排序算法(Quick Sort Algorithm)

快速排序是一种基于分治思想的高效排序算法。它的基本思想是选择一个基准数,将待排序的元素按照基准数进行分割,并分别对分割后的两个子序列进行递归排序,直到整个序列有序为止。

快速排序的时间复杂度为O(nlogn),是目前比较快的排序算法之一。

快速排序是一种基于分治思想的排序算法,通过递归将问题分解成小问题,然后将小问题的解合并得到原问题的解,其基本思想如下:

  1. 选取一个基准元素(pivot),通常选取第一个或者最后一个元素作为基准元素;
  2. 将序列中比基准元素小的元素移到基准元素的左边,比基准元素大的元素移到基准元素的右边;
  3. 对基准元素左右两部分分别递归进行快速排序。

具体实现可以采用双指针法,初始时low指针指向序列的第一个元素,high指针指向序列的最后一个元素,以low指针指向的元素作为基准元素,从high指针向左扫描,找到第一个小于等于基准元素的元素A,然后从low指针向右扫描,找到第一个大于等于基准元素的元素B,将A和B交换位置,重复上述过程直到low指针和high指针重合,最后将基准元素和重合点的元素交换位置即可完成一次快速排序。

以下是一个使用快速排序算法解决生活中的例子:

假设你有一组考试成绩,需要对其进行排序,找出最高分和最低分。

首先,我们需要定义一个基准数,可以随便选择一组成绩中的某个数作为基准数。以第一个成绩为基准数,将其与其他成绩进行比较,将小于基准数的成绩放在左边,大于基准数的成绩放在右边。然后,对左边和右边的成绩分别进行同样的排序操作,最终得到成绩的有序序列。

下面是使用Python实现的快速排序算法:

def quick_sort(scores):
    if len(scores) <= 1:
        return scores
    else:
        pivot = scores[0]  # 选择第一个成绩作为基准数
        left = []
        right = []
        for score in scores[1:]:
            if score < pivot:
                left.append(score)
            else:
                right.append(score)
        return quick_sort(left) + [pivot] + quick_sort(right)

scores = [85, 92, 78, 89, 96, 80, 82]
sorted_scores = quick_sort(scores)
print(sorted_scores)
print("最高分:", sorted_scores[-1])
print("最低分:", sorted_scores[0])

输出结果:

[78, 80, 82, 85, 89, 92, 96]
最高分: 96
最低分: 78

在上面的代码中,我们首先定义了一个quick_sort函数,它接受一个成绩列表作为参数。如果成绩列表长度为1或0,直接返回该列表。否则,选择第一个成绩作为基准数,将小于基准数的成绩放在左边,大于基准数的成绩放在右边,然后对左边和右边的成绩分别进行递归排序,最终将左边、基准数、右边合并成一个有序序列。最后,我们输出最高分和最低分。

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Python中实现NSGA-II算法,可以使用一些开源的多目标优化库,例如pymoo、deap等。下面以pymoo库为例,介绍如何实现NSGA-II算法。 首先,我们需要定义优化问题的目标函数和约束条件(如果有的话)。这里以一个简单的二元优化问题为例: ```python import numpy as np def obj_func(x): f1 = x[0]**2 + x[1]**2 f2 = (x[0]-1)**2 + x[1]**2 return [f1, f2] # 定义变量的上下限 xl, xu = np.array([-5, -5]), np.array([5, 5]) ``` 接下来,我们可以使用pymoo库中的NSGA-II算法来解决该问题。具体代码如下: ```python from pymoo.algorithms.nsga2 import NSGA2 from pymoo.factory import get_crossover, get_mutation, get_sampling from pymoo.model.problem import Problem from pymoo.optimize import minimize class MyProblem(Problem): def __init__(self): super().__init__(n_var=2, n_obj=2, n_constr=0, xl=xl, xu=xu) def _evaluate(self, x, out, *args, **kwargs): out["F"] = obj_func(x) # 定义NSGA-II算法的参数 algorithm = NSGA2(pop_size=100, n_offsprings=50, sampling=get_sampling("real_random"), crossover=get_crossover("real_sbx", prob=0.9, eta=15), mutation=get_mutation("real_pm", prob=0.1, eta=20), eliminate_duplicates=True) # 定义优化问题 problem = MyProblem() # 运行NSGA-II算法,得到最优解 res = minimize(problem, algorithm, ('n_gen', 100), verbose=True) ``` 以上代码中,我们首先定义了一个继承自pymoo库中Problem类的自定义问题类MyProblem,其中重写了_evaluate方法来计算目标函数值。然后,我们使用NSGA2类来创建一个NSGA-II算法实例,并设置一些参数,例如种群大小、交叉和变异算子等。最后,我们将问题和算法实例传入minimize函数中,得到最优解。 需要注意的是,pymoo库还提供了许多其他优化算法和问题,具体使用方法可以参考官方文档。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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