JAVA排序算法

public class Sort {

    public static void main(String[] args) {

        int[] arr = new int[10];
        for (int i = 0; i < 10; i++)
            arr[i] = (int) (Math.random() * 100);

        bubbleSort(arr);

        for (int i = 0; i < arr.length; i++)
            System.out.print(arr[i] + " ");

    }

    /**
     * 堆排序
     * 时间复杂度:O(nlogn)
     * 空间复杂度:O(1)
     * 稳定性:NO
     *
     * @param arr
     */
    private static void heapSort(int[] arr) {

        int n = arr.length;
        if (n == 0)
            return;

        for (int i = (n - 2) >> 1; i >= 0; i--)
            sink(i, n - 1, arr);

        for (int i = n - 1; i > 0; i--) {
            swap(i, 0, arr);
            sink(0, i - 1, arr);
        }

    }

    private static void sink(int pos, int end, int[] arr) {

        if (end < pos * 2 + 1)
            return;

        int swapPos = -1;
        if (end == pos * 2 + 1 && arr[pos] < arr[pos * 2 + 1])
            swapPos = pos * 2 + 1;
        else if (end >= pos * 2 + 2 && arr[pos] < arr[pos * 2 + 1] && arr[pos * 2 + 1] > arr[pos * 2 + 2])
            swapPos = pos * 2 + 1;
        else if (end >= pos * 2 + 2 && arr[pos] < arr[pos * 2 + 2] && arr[pos * 2 + 1] <= arr[pos * 2 + 2])
            swapPos = pos * 2 + 2;

        if (swapPos != -1) {
            swap(pos, swapPos, arr);
            sink(swapPos, end, arr);
        }

    }


    /**
     * 快速排序
     * 时间复杂度:O(nlogn)
     * 空间复杂度:O(logn)
     * 稳定性:NO
     *
     * @param arr
     */
    private static void quickSort(int[] arr) {

        quickSort(0, arr.length - 1, arr);

    }

    private static void quickSort(int begin, int end, int[] arr) {

        if (begin >= end)
            return;

        int pos = begin;

        int beginPos = begin;
        int endPos = end;
        while (beginPos < endPos) {
            while (arr[beginPos] <= arr[pos] && beginPos < end) beginPos++;
            while (arr[endPos] > arr[pos] && endPos > begin) endPos--;
            if (beginPos < endPos)
                swap(beginPos, endPos, arr);
        }

        swap(pos, endPos, arr);
        pos = endPos;
        quickSort(begin, pos - 1, arr);
        quickSort(pos + 1, end, arr);

    }


    /**
     * 归并排序
     * 时间复杂度:O(nlogn)
     * 空间复杂度:O(n)
     * 空间复杂度在全局定义辅助数组mergeArr的时候为n,本例子中实际空间复杂度为nlogn
     * 稳定性:YES
     *
     * @param arr
     */
    private static void mergeSort(int[] arr) {

        int[] mergeArr = new int[arr.length];
        mergeSort(0, arr.length - 1, arr, mergeArr);

    }

    private static void mergeSort(int begin, int end, int[] arr, int[] mergeArr) {

        if (begin >= end)
            return;

        int middle = (end + begin) >> 1;
        mergeSort(begin, middle, arr, mergeArr);
        mergeSort(middle + 1, end, arr, mergeArr);

        int left = begin;
        int right = middle + 1;

        for (int i = begin; i <= end; i++)
            if (left >= middle + 1) mergeArr[i] = arr[right++];
            else if (right >= end + 1) mergeArr[i] = arr[left++];
            else if (arr[left] <= arr[right]) mergeArr[i] = arr[left++];
            else mergeArr[i] = arr[right++];

        for (int i = begin; i <= end; i++)
            arr[i] = mergeArr[i];

    }

    /**
     * 希尔排序
     * 时间复杂度:O(n1.3)
     * 空间复杂度:O(1)
     * 稳定性:NO
     *
     * @param arr
     */
    private static void shellSort(int[] arr) {

        int n = arr.length;
        if (n == 0)
            return;

        for (int k = 15; k >= 1; k = (k - 1) >> 1)
            for (int i = k; i < n; i += k)
                for (int j = i; j > 0; j -= k)
                    if (arr[j] < arr[j - k])
                        swap(j, j - k, arr);

    }


    /**
     * 插入排序
     * 时间复杂度:O(n2)
     * 空间复杂度:O(1)
     * 稳定性:YES
     *
     * @param arr
     */
    private static void insertSort(int[] arr) {

        int n = arr.length;
        if (n == 0)
            return;

        for (int i = 1; i < n; i++)
            for (int j = i; j > 0; j--)
                if (arr[j] < arr[j - 1])
                    swap(j, j - 1, arr);

    }

    /**
     * 选择排序
     * 时间复杂度:O(n2)
     * 空间复杂度:O(1)
     * 稳定性:NO
     *
     * @param arr
     */
    private static void selectSort(int[] arr) {

        int n = arr.length;
        if (n == 0)
            return;

        for (int i = 0; i < n; i++) {
            int lower = i;
            for (int j = i; j < n; j++)
                lower = arr[j] < arr[lower] ? j : lower;
            swap(lower, i, arr);
        }
    }

    /**
     * 冒泡排序
     * 时间复杂度:O(n2)
     * 空间复杂度:O(1)
     * 稳定性:YES
     *
     * @param arr
     */
    private static void bubbleSort(int[] arr) {

        int n = arr.length;
        if (n == 0)
            return;

        for (int i = 0; i < n; i++)
            for (int j = 0; j < n - 1 - i; j++)
                if (arr[j] > arr[j + 1])
                    swap(j, j + 1, arr);

    }


    /**
     * 交换
     *
     * @param i1
     * @param i2
     * @param arr
     */
    private static void swap(int i1, int i2, int[] arr) {

        if (i1 == i2)
            return;

        arr[i1] = arr[i2] ^ arr[i1];
        arr[i2] = arr[i1] ^ arr[i2];
        arr[i1] = arr[i1] ^ arr[i2];

    }

}

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。
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。
【5层】公司办公楼全套设计+++(3156平,含计算书、建筑图,结构图、实习报告,PKPM,答辩PPT) 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。
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