排序 链表c语言程序,[原创]桶排序 链表 hash C语言实现

思路:将数放到桶内,先将桶内排序,再整体排序。用链表数组表示桶,

然后用(元素值 + k)/(k+1)来定位插入哪个桶里

k 个桶,最后一个桶用来放最大值,只有 k - 1 个跨度,这 k - 1 个跨度对应 k - 1 个桶。

数对应的桶的下标为 (元素值 + k)/(k+1)

1.遍历原始数组 arr 找到最大值和最小值,确定桶数 k

2.对桶内的数做排序

3.遍历所有的桶,输出结果

#include

#include

#include

/* run this program using the console pauser or add your own getch, system("pause") or input loop */

typedef struct no

{

int data; //链表定义

no *pnext;

}node;

typedef struct

{

node head;

node tail; //构造头尾

}lht;

void link_init(lht larr[],int size)

{

int i=0;

while(i

{

larr[i].head.pnext=&larr[i].tail;//连接头尾

larr[i].tail.pnext=NULL;

i++;

}

}

void link_order(lht larr[],int l,int i)//链表排序

{

node *pt,*pf=NULL,*pm=NULL,*pl=NULL,*pn=NULL;

pn=(node *)malloc(sizeof(node));

if(pn==NULL)

exit(0);

pf=&larr[l].head;

pt=pf;

pm=pf->pnext;

pl=pm->pnext;

while( pm!=&larr[l].tail )

{

if(pm->data >i) //排序

{

pn->pnext=pm;

pf->pnext=pn;

pn->data=i;

printf("%d %d... ",l,i);

return ;

}

pt=pt->pnext;

pf=pt;

pm=pf->pnext;

pl=pm->pnext;

}

pf->pnext=pn;//*****当插入元素的值大于或小于链表里的任何元素时

pn->pnext=&larr[l].tail;//**********

pn->data=i;

return ;

}

void link_show(const lht larr[],int size)

{

int i=0;

node *pn=larr[i].head.pnext;

while(i

{

pn=larr[i].head.pnext;

while(pn!=&larr[i].tail)

{

printf("\n%d %d ",i,pn->data);

pn=pn->pnext;

}

i++;

}

}

int main(int argc, char *argv[])

{

int arr[13]={0,1,99,11,12,4,3,8,77,67,58,69,33};

lht larr[10]={0};//链表数组

link_init(larr,sizeof(arr)/sizeof(arr[0]));

int i=0;

while(i

{

link_order(larr,(arr[i]*sizeof(arr)/sizeof(arr[0])))/(99+1),arr[i]);

i++;

}

link_show(larr,sizeof(arr)/sizeof(arr[0]));

return 0;

}

b794db802a85e0ba82b92668845ddfed.png

033bb1e2534f9e835a201032133a74c9.png

上传的附件:

链表数组 hash.png

(66.77kb,1次下载)

链表数组.png

(315.79kb,0次下载)

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