STL源码剖析之next_permutation,prev_permutation

next_permutation()会取得 [ first,last ) 所标示之系列的下一个排列组合。如果没有下一个排列组合,返回false,否则返回true。

算法过程:

首先从最尾端开始往前寻找两个相邻元素,令第一元素为 *i, 第二元素为 *ii ,且满足 *i < *ii 。找到这样一组相邻的元素后,再从最尾端开始往前检验,找出第一个大于 *i的元素,令为 *j, 将i,j元素对调,再将 ii 之后的所有元素颠倒排列。即求得下一个排列。


与next_permutation相反的函数是prev_permutation,算法过程:

首先从最尾端开始往前寻找两个相邻元素,令第一元素为 *i, 第二元素为 *ii ,且满足 *i > *ii 。找到这样一组相邻的元素后,再从最尾端开始往前检验,找出第一个小于 *i的元素,令为 *j, 将i,j元素对调,再将 ii 之后的所有元素颠倒排列。即求得下一个排列。


实例略。

 

next_permutation源码:

#include <cstdio>
#include <cstring>

template<class T> void reverse(T *l, T *r){
    --r;
    while( l<r ){
        swap( *l++, *r-- );
    }
}

/*
template<class T> bool next_permutation(T l, T r){
    T p= r-1, q;
    while( p!=l ){
        q= p--;
        if( *p < *q ){
            T find= r-1;
            while( *find <= *p ) --find;
            swap( *find, *p );
            reverse(q, r);
            return 1;
        }
    }
    reverse(l, r);
    return 0;
}*/

template<class T>
bool next_permutation(T first, T last){
    if( first == last ) return 0;  // 特殊情况的处理,STL就是这样谨慎!
    T i= first;
    if( ++i==last ) return 0;
    i= last;
    --i;

    while(1){
        T ii= i;
        --i;   // i,ii锁定两个相邻的元素;
        if( *i < *ii ){   // 如果前一个元素小于后一个元素;
            T j= last;
            while( ! ( *i < *--j ) ); // 由尾往前找,直到遇上比*i大的元素;
            swap( *i, *j );          // 交换i,j位置上的两个元素;
            reverse( ii, last );     // 将ii之后的元素全部逆向重排;
            return 1;
        }
        if( i==first ){
            reverse( first, last );  // 全部逆向重排,此时是最小字典序排列;
            return 0;
        }
    }
}

template<class T> void swap(T &a, T &b){ T c=a; a=b; b=c; }
template<class T> int partition(T *a, int l, int r){
    int index= l;
    T key= a[index];
    swap( a[index], a[r] );
    for(int i=l; i<r; ++i){
        if( a[i]<key )
            swap( a[index++], a[i] );
    }
    swap( a[index], a[r] );
    return index;
}

// a: [ l, r ];
template<class T> void Qsort(T *a, int l, int r){
    if( l>=r ) return;
    int index= partition(a, l, r);
    Qsort(a, l, index-1);
    Qsort(a, index+1, r);
}

int main(){
    //char a[] = "cbad";
    //char *l= a, *r= a+strlen(a);
    int a[]= {3,3,3,2};
    int *l= a, *r= a+4;
    Qsort(a, l-a, r-a-1);

    do{
        //for(char *i=l; i<r; ++i) printf("%c", *i );
        for(int *i=l; i<r; ++i) printf("%d ", *i);
        puts("");
    }while( next_permutation(l, r) );
}


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