239. 滑动窗口最大值 --19/11/13

题目:
在这里插入图片描述

方法一:

利用大顶堆,每次把k个数放进堆里,往右移,就把第一个数移出,后面的数加入,数组里面加入堆顶元素。

class Solution {
    public int[] maxSlidingWindow(int[] nums, int k) {
        PriorityQueue<Integer> maxHeap = new PriorityQueue<Integer>(new Comparator<Integer>() {
            public int compare(Integer i1,Integer i2){
                return i2-i1;
            }
        });
        //初始化堆
        if(nums.length==0){
            int[] arr = new int[0];
            return arr;
        }
        if(maxHeap.size()==0){
            for(int i=0;i<k;i++){
                maxHeap.add(nums[i]);
            }
        }
        int[] array = new int[nums.length-k+1];
        for(int i=0;i<nums.length-k;i++){
            array[i] = maxHeap.peek();
            maxHeap.remove(nums[i]);
            maxHeap.add(nums[i+k]);
        }
        if(maxHeap.size()!=0){
            array[nums.length-k] = maxHeap.peek();
        }
        return array;
    }
}

在这里插入图片描述

方法二:

利用双向队列,双向队列存储最大元素的下标,每一次在滑动窗体中,如果新加元素比前面的元素大,就把前面元素清除,最终保证最左边元素是最大的

class Solution {
    ArrayDeque<Integer> deq = new ArrayDeque<Integer>();
    int[] nums;
    public int[] maxSlidingWindow(int[] nums, int k) {
        if(nums.length*k == 0)  return new int[0];
        if(k==1) return nums;

        this.nums = nums;
        int max_index=0;
        for(int i =0;i<k;i++){
            clean(i,k);
            deq.addLast(i);
            if(nums[i]>nums[max_index]){
                max_index = i;
            }
        }
        int[] output = new int[nums.length-k+1];
        output[0] = nums[max_index];
        for(int i=k;i<nums.length;i++){
            clean(i,k);
            deq.addLast(i);
            output[i-k+1] = nums[deq.getFirst()];
        }
    return output;
    }
    public void clean(int i,int k){
        if (!deq.isEmpty() && deq.getFirst() == i - k)
            deq.removeFirst();
        while(!deq.isEmpty() && nums[i] > nums[deq.getLast()]){
            deq.removeLast();
        }
    }
}

在这里插入图片描述

  • 时间复杂度:O(N),每个元素被处理两次- 其索引被添加到双向队列中和被双向队列删除。

  • 空间复杂度:O(N),输出数组使用了 O(N−k+1) 空间,双向队列使用了O(k)。

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