#include<iostream.h>
void ChoiceSort(int list[], int len);
void Swap(int&, int&);
int BinarySearch(int list[],int key, int len);
int Comp(int, int);
void main()
{
const int SIZE=15;
int list[SIZE]={10,15,20,30,3,
16,18,500,21,25,
32,56,47,56,90 };
ChoiceSort(list, SIZE);
cout<<"list : ";
for (int idx=0; idx<SIZE; idx++ )
cout<<list[idx]<<" ";
cout<<endl;
int key;
cout<<"enter the search key : ";
cin>>key;
int index=BinarySearch(list, key,SIZE);
if (index != -1)
cout<<key<<" the index in list is :: "<<index+1<<endl;
else
cout << "can't found it "<<endl;
//上面cin>>key,在输入搜索数字后的回车会被第一个cin.get()读取,当读取后就直接退出了
//所以最好再加上一个cin.get()
cin.get();
cin.get();
}
void ChoiceSort(int list[], int len)
{
int out_recy, in_recy; //min_v ;
for(out_recy=0; out_recy<len-1;out_recy++)
{
//min_v=out_recy;
for (in_recy=out_recy+1; in_recy<len; in_recy++)
// if (list[in_recy]<list[min_v])
// {
// min_v=in_recy;
// }
if (list[out_recy]>list[in_recy])
Swap(list[in_recy], list[out_recy]);
}
}
int BinarySearch(int list[],int key, int len)
{
int left=0,right=len-1,mid ;
//int mid=(left+right)/2;
if (key == list[0])
return 0;
if (key == list[len-1])
return len-1;
while(left<=right)
{
mid=(left+right)/2;
switch( Comp(list[mid], key) )
{
case 2:
right=mid-1;
break;
case 1:
left=mid+1;
break;
case 0 :
return mid ;
}
}
return -1;
}
int Comp(int mid_v, int key_v)
{
if (mid_v>key_v)
return 2 ;
else if (mid_v<key_v)
return 1;
else
return 0 ;
}
void Swap(int& small, int& big)
{
int temp=small;
small=big;
big=temp;
}相关推荐
禁忌搜索算法解决二元连续函数问题
禁忌搜索算法解决二元连续函数问题,二元变量均有自己的范围约束,在此条件下求极值
c++ 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
二元查找树转变为双向链表C语言实现
输入一棵二元查找树,将该二元查找树转换成一个排序的双向链表 要求不能创建任何新的节点,只调整指针的指向 微软面试题
java二元_浅析java 循序与二元搜索算法
循序搜索法就是一个一个去比较,找到时返回;二元搜索法二元搜索算法是在排好序的数组中找到特定的元素.首先, 比较数组中间的元素,如果相同,则返回此元素的指针,表示找到了. 如果不相同, 此函数就会继续搜索其中大小相符的一半,然后继续下去. 如果剩下的数组长度为0,则表示找不到,那么函数就会结束.实现代码:package com.zc.manythread;import java.util.Rando...
查询索引对应的表和列
查询索引对应的表和列,介绍了两种方法,可供使用。
大数据面试 逻辑题
逻辑题大致分为比较逻辑题、分析逻辑题、综合逻辑题、抽象逻辑题、概括逻辑题、推理逻辑题、论证逻辑题等,由于这类题比较考验综合素质,因此也一直是各大企业笔试、面试时经常喜欢考察的题目类型之一。很多童鞋认为逻辑题很难,其实不然。多做练习,打开思路,这类题还是可以轻易化解的。 下面为大家整理了网络上最全的75道逻辑判断测试题。在每道题目下方有答案,是用白色显示的,反选就可以看到啦~ 【1】假设有一个池...
算法篇---循序与二元搜索算法
循序搜索法 就是一个一个去比较,找到时返回; 二元搜索法 二元搜索算法是在排好序的数组中找到特定的元素. 首先, 比较数组中间的元素,如果相同,则返回此元素的指针,表示找到了. 如果不相同, 此函数就会继续搜索其中大小相符的一半,然后继续下去. 如果剩下的数组长度为0, 则表示找不到,那么函数就会结束. 实现代码: package com.zc.manythrea...
Dify平台+Excel批量分析实战:5分钟搞定大模型数据处理(附完整代码)
本文详细介绍了如何利用Dify平台的数据集功能,结合Excel和Python脚本,快速构建大模型批量数据处理流水线。通过实战案例演示,读者可在5分钟内完成客户反馈情感分析、产品文案生成等任务,实现从原始数据到结构化洞察的高效转化,极大提升工作效率。
c# 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
【计算机视觉40例】案例08:石头剪刀布手势识别
计算机视觉40例——从入门到深度学习(OpenCV-Python)》在介绍Python基础、OpenCV基础、计算机视觉理论基础、深度学习理论的基础上,介绍了计算机视觉领域内具有代表性的40个典型案例。这些案例中,既有传统的案例(数字识别、答题卡识别、物体计数、缺陷检测、手势识别、隐身术、以图搜图、车牌识别、图像加密、指纹识别等),也有深度学习案例(图像分类、风格迁移、姿势识别、实例分割等),还有人脸识别方面的案例(表情识别、驾驶员疲劳监测、识别性别与年龄等)。......
爬虫小例--爬药监局(上)
”明月如霜,好风如水,清景无限 “ 文远最近也算是爬虫入门吧,相信后面会慢慢熟悉。 壹 直接上例子,爬取药监局的数据。目的是得到每家公司的详情数据,例: 具体网址:http://scxk.nmpa.gov.cn:81/xk/ 这是主页,下面详情信息: 贰 分析,通过网页检查发现,主网页上没有公司相关数据,观察XHR中的Ajax请求发现,公司信息都是动态数据(方便更新),点击发现每个公司 的详情信息通过ID号这个参数区别,那么可以确定思路是先得到每个公司的ID号,然后在通过ID对应每一个详细网站,同样右键
PHP 为什么二元搜索优于三元搜索
函数接受四个参数:数组$arr、目标值$target、搜索范围的低边界$low和搜索范围的高边界$high。在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。// 在右半部分继续搜索。
光模块基础知识【快速入门】02
光模块是用于交换机与设备之间传输的载体,是光纤通信系统中的核心器件。主要作用是发射端将设备的电信号转换成光信号。 光纤通道光模块和以太网光模块 光纤通道光模块 光纤通道(FC, Fiber Channel)是一种高速网络数据传输协议。光纤通道协议可以有序无损地传输原始数据,它主要用于在数据中心、电脑服务器、交换机与存储网络中进行数据传输。 FC光模块遵循FC协议,充当着光纤通道系统之间的接口,也是光纤存储网络设备间的接口。它们主要用于数据中心的光纤通道存储网络链接中。 FC光模块具有小型化和低.
c 语言 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
高并发网络爬虫实践(欧赔、亚盘、大小指数数据爬取)
本文通过对一个实战化的高并发网络爬虫脚本进行深度模块化剖析,展示了如何构建一个兼具性能、健壮性和易用性的数据采集工具。核心设计思想总结模块化与单一职责: 每个函数都专注于解决一个特定问题,无论是网络请求、数据解析还是文件操作。并发与效率: 通过ThreadPoolExecutor实现了高效的并发抓取,极大缩短了总耗时。健壮性与容错: 强大的重试机制、细致的异常处理和线程安全的文件写入,保证了程序在复杂网络环境下的稳定运行。断点续传: 精心设计了进度记录与恢复机制,使得大规模抓取任务变得轻松可控。
【WorkBuddy专栏27】WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆
WorkBuddy 和 CodeBuddy 到底什么关系——一篇文章终结所有混淆
java 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
YOLO26创新改进 | 全网独家创新篇、小目标检测专属 | AAAI 2025 | 引入HS-FPN中的HFP和SDP创新点,从频域增强小目标特征,淘汰FPN进行升级,助力YOLO26有效涨点
本文提出HS-FPN特征金字塔网络,通过高频感知模块(HFP)和空间依赖感知模块(SDP)优化YOLO26模型。HFP利用高通滤波器增强小目标的高频特征,SDP捕获相邻像素的空间依赖关系。在AI-TOD等小目标检测数据集上,HS-FPN相比传统FPN显著提升性能。文章详细介绍了HFP和SDP的模块结构、核心代码实现,以及如何在YOLO26中集成这两个模块的配置方法,提供了多个版本的yaml文件配置方案。实验结果表明该方法能有效改善微小目标检测效果。
python 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
大中型超市收银系统(可直接运行)
光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Javascript 为什么二元搜索优于三元搜索
在每一步中,算法将目标值与数组中间元素进行比较,如果中间元素等于目标值,则找到目标,如果中间元素大于目标值,则在左半部分继续搜索,如果中间元素小于目标值,则在右半部分继续搜索。因此,三元搜索和二元搜索的比较归结为表达式 2Log 3 n 和 Log 2 n的比较。由于 (2 / Log 2 3)的值大于 1,因此在最坏情况下,三元搜索比二元搜索进行更多的比较。根据上面的定义,二元搜索是将搜索范围划分为两部分,而三元搜索是将搜索范围划分为三部分。在三元搜索中,最坏情况下有 4Log 3 n + 1 次比较。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具
bsearch(二元搜索)
bsearch(二元搜索) 相关函数 qsort 表头文件 #include 定义函数 void *bsearch(const void *key,const void *base,size_t nmemb,size_tsize,int (*compar) (const void*,const void*));
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料,已经经过了本人的筛选和整理,希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助!
lucene涉及到的算法----二元搜索算法
<br />转贴。。<br /> <br />二元搜索算法是在排好序的数组中找到特定的元素.<br /> 首先, 比较数组中间的元素,如果相同,则返回此元素的指针,表示找到了. 如果不相同, 此函数就会继续搜索其中大小相符的一半,然后继续下去. 如果剩下的数组长度为0, 则表示找不到,那么函数就会结束.<br /> 此算法函数如下:int *binarySearch(int val, int array[], int n) { int m = n/2; if(n <= 0)
C++:对一组二元决策进行回溯搜索(附带源码)
回溯搜索(Backtracking)是一种暴力穷举算法,用于解决组合优化、排列组合、约束满足问题等一类问题。在这种方法中,我们从一个初始状态出发,逐步做出决策,并在每个步骤后检查当前解是否满足约束。如果满足约束,继续做下一步决策;如果不满足约束,则回退到上一步,尝试另一种选择。
如何判断是否为标准二元搜索数(binary search tree)?
如何判断是否为二元搜索树(binary search tree)?
688



被折叠的 条评论
为什么被折叠?



