O(n^2)的排序算法--希尔,插排,选排,冒泡

选择排序法

public class SelectionSort{


    private SelectionSort(){}

    public static void sort(Comparable[] arr){
        int n = arr.length;

        for(int i = 0 ;i < n; i++){
            int minIndex = i;

            for(int j = i+1 ; j < n; j++){
                if(arr[minIndex].compareTo(arr[j])>0){
                    minIndex = j;//只是为了得出数组中最小值的索引
                }
            }
              //交换值
            swap(arr,minIndex,j);
        }
    }
    //交换
    private static void swap(Object[] arr,int index1,int index2){
        Object o = arr[index1];
        arr[index1] = arr[index2];
        arr[index2] = o;
    }
}

冒泡排序

写法1

public class BubbleSort {

    private BubbleSort(){}

    public static void sort(Comparable[] arr){

        int n = arr.length;
        boolean swapped = false;

        do{
            swapped = false;
            for( int i = 1 ; i < n ; i ++ )
                if( arr[i-1].compareTo(arr[i]) > 0 ){
                    swap( arr , i-1 , i );
                    swapped = true;
                }

            // 优化, 每一趟Bubble Sort都将最大的元素放在了最后的位置
            // 所以下一次排序, 最后的元素可以不再考虑
            n --;
        }while(swapped);
    }

    private static void swap(Object[] arr, int i, int j) {
        Object t = arr[i];
        arr[i] = arr[j];
        arr[j] = t;
    }
}

改进写法

public class BubbleSort2 {


    private BubbleSort2(){}

    public static void sort(Comparable[] arr){

        int n = arr.length;
        int newn; // 使用newn进行优化

        do{
            newn = 0;
            for( int i = 1 ; i < n ; i ++ )
                if( arr[i-1].compareTo(arr[i]) > 0 ){
                    swap( arr , i-1 , i );

                    // 记录最后一次的交换位置,在此之后的元素在下一轮扫描中均不考虑
                    newn = i;
                }
            n = newn;
        }while(newn > 0);
    }

    private static void swap(Object[] arr, int i, int j) {
        Object t = arr[i];
        arr[i] = arr[j];
        arr[j] = t;
    }
}

插入排序法 Insertion Sort

public class InsertionSort{
    private InsertionSort(){}

    public static void sort(Comparable[] arr){
        int n = arr.length;
        for(int i = 0; i < n ; i++){

            //写法 1,易懂,但是不简洁,可以改进
            /*
            for(int j = i;j > 0 ; j--){
                if(arr[j].compareTo(arr[j-1]) < 0 ){
                    swap(arr,j,j-1);
                }else{
                    break;
                }
            }
            */

            //写法2 ,只是在1的基础上改进了写法,但是没有优化算法
            /*
            for(int j = i; j > 0 && arr[j].compareTo(arr[j-1])<0;j--){
                swap(arr,j,j-1);
            }
            */

            //写法3,上面的写法,交换swap次数太多,所以会消耗太多性能,改进
            Comparable comparable = arr[i];
            int j = i;
            for(;j > 0 && arr[j-1].compareTo(comparable)>0 ;j--){
                arr[j] = arr[j-1];
            }
            arr[j] = comparable;//甚至可以不用写swap
        }
    }

    private static void swap(Object[] arr,int index1, int index2){
        Object object = arr[index1];
        arr[index1] = arr[index2];
        arr[index2] = object;
    }

}

希尔排序 ShellSort

  • 希尔排序就是在InsertionSort改进而来的。只是设置了交换步长,当步长逐渐缩小唯一的时候,就InsertionSort,只是此时,该数列基本有序,此时插入排序的性能十分优异。
  • 时间复杂度O(n^1.5)
public class ShellSort{
    private ShellSort() {
    }

    public static void sort(Comparable[] arr){
        int n = arr.lenght;
        //设置变化步长
        // 计算 increment sequence: 1, 4, 13, 40, 121, 364, 1093...

        int h = 1;
        while(h < n/3) h = h*3+1while(h >= 1){
            for(int i = h ; i < n ; i++){
                Comparable comparable = arr[i];

                int j = i;
                for(;j>=h && comparable.compareTo(arr[j-h])<0;j -= h){
                     arr[j] = arr[j - h];
                }
                arr[j] = comparable;
            }
            h /= 3;
        }
    }
}
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。
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