高效的交换函数

public class ArrayRowSwap {
	public static void main(String[] args) {
		int arr[][] = new int[][]{{1,2,3},{4,5,6},{7,8,9}};
		System.out.println("the old array is :");
		printArray(arr);
		System.out.println("it's changing-----");
		for(int i=0;i<arr.length;i++){
			for(int j=i;j<arr.length;j++)   //这个是非常好的算法,遍历次数少,并且空间复杂度为1 。需记忆。以后会是亮点的!
			{								//同时这个算法就是调换两个数字,按照以前的话,就是得用temp,还得开辟新的空间。
											//而这样利用异或的关系就可以完成!
				if(i!=j)
				{
						arr[i][j]=arr[i][j]^arr[j][i];
						arr[j][i]=arr[j][i]^arr[i][j];
						arr[i][j]=arr[i][j]^arr[j][i];
				}
			}
		}
		printArray(arr);
	}

	private static void printArray(int[][] arr) {
		// TODO Auto-generated method stub
		for(int i=0;i<arr.length;i++){
			for(int j=0;j<arr.length;j++)
			{
				System.out.print(arr[i][j]+" ");
			}
			System.out.println();
		}
	}

}

 

这个程序是互换二维数组的行与列。

按照以前的算法,需要借助temp空间去完成元素的互换,或者说需要另外开辟一个同样大小的二维数组,对应位置互相赋值。

经典的互换位置的算法:

private static void Swap(int i, int j) {
		// TODO Auto-generated method stub
		int temp;
		temp=i;
		i=j;
		j=temp;
		System.out.println("The a is " + i+"\nAnd b is "+j);
	}


比如 i = 9 , j = 10;

i : 1001 ; j : 1010

那么使 i=i^j=1001^1010=0011

            j=j^i=1010^0011=1001

            i=i^j=0011^1001=1010

这样就已经实现了互换!

更加高效!

 

反映到最开始那个行列的互换中,我们只需要遍历对角线上半部分即可,并且也不需要构造其余的空间!


 

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