用java和scala代码实现快速排序、选择排序、冒泡排序

vue 获取el-table多选的选中行 <el-table :data='tableData' ref="multipleTable" v-loading='loading' border max-height='700' style='width: 100%' size="mini"> <el-table-column type="selection" width="55"></el-table-column> <el-table-column label 阅读详情

排序方法代码

java实现排序

生成随机数组

public static int[] arr;

    // 生成随机数组
    public static int[] getRandomArr(int size) {
        arr = new int[size];
        Random random = new Random();
        for (int i = 0; i < size; i++) {
            arr[i]=random.nextInt(100);
        }
        return arr;
    }

    // 打印数组
    public static void printArr(int[] arr) {
        for (int i = 0; i < arr.length; i++) {
            System.out.print(arr[i]+" ");
        }
        System.out.println();
    }

冒泡排序

// 冒泡排序
    public static void bubbleSort(int[] arr) {
        for (int i = 0; i < arr.length; i++) {
            for (int j = 0; j < arr.length-i-1; j++) {
                if (arr[j] > arr[j + 1]) {
                    int tmp = arr[j];
                    arr[j] = arr[j+1];
                    arr[j+1] = tmp;
                }
            }
        }
    }

选择排序

// 选择排序
    public static void selectSort(int[] arr) {
        for (int i = 0; i < arr.length-1; i++) {
            int min = i;
            for (int j = i+1; j < arr.length-i; j++) {
                if (arr[j] < arr[min]) {
                    min = j;
                }
            }
            if (min != i) {
                int tmp = arr[min];
                arr[min] = arr[i];
                arr[i] = tmp;
            }
        }
    }

快速排序

// 快速排序
    public static void quickSort(int[] arr,int low,int high) {
        int l = low;int h = high;
        if (l >= h) {
            return;
        }
        boolean flag = false;
        while (l < h) {
            if (arr[l] > arr[h]) {
                int tmp = arr[l];
                arr[l] = arr[h];
                arr[h] = tmp;
                flag = !flag;
            }
            if (flag) {
                l++;
            } else {
                h--;
            }
        }
        l--;
        h++;
        quickSort(arr,low,l);
        quickSort(arr,h,high);
    }

测试

public static void main(String[] args) {
        getRandomArr(6);
//        bubbleSort(arr);
//        selectSort(arr);
        quickSort(arr,0,5);
        printArr(arr);
    }

Scala排序

新建一个maven的quickstar项目,然后按ctrl+alt+shift+s,如下选上Scala SDK
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在main目录下新建文件夹scala,然后按照下图把图标变蓝
在这里插入图片描述
在scala目录下新建一个Scala Class类
在这里插入图片描述
写上对象的名称,在scala里面对象都是静态的,类都是成员的,所以一般都建一个对象
在这里插入图片描述

生成随机数组

def getRandomArr(size:Int):Array[Int]= {
    var arr = Array[Int](size)
    for(i:Int <- 0 until size) {
      arr(i) = scala.util.Random.nextInt(100)
    }
    arr
  }

冒泡排序

def bubbleSort(arr:Array[Int]):Unit = {
    for(i:Int <- 0 until arr.length) {
      for(j:Int <- 0 until arr.length-i-1) {
        if(arr(j) > arr(j+1)) {
          var tmp = arr(j)
          arr(j) = arr(j+1)
          arr(j+1) = arr(j)
        }
      }
    }
  }

选择排序

def selectSort(arr:Array[Int]):Unit = {
    for(i:Int <- 0 until arr.length-1) {
      var min =i
      for(j:Int <- i+1 until arr.length) {
        if(arr(j) < arr(min)) {
          min = j
        }
      }
      if(i != min) {
        var tmp = arr(i)
        arr(i) = arr(min)
        arr(min) = tmp
      }
    }
  }

快速排序

def quickSort(arr:Array[Int],low:Int,high:Int): Unit = {
    var l = low
    var h = high
    if(l >= h) {
      return 
    }
    var flag = false
    while(l < h) {
      if(arr(l) > arr(h)) {
        var tmp = arr(l)
        arr(l) = arr(h)
        arr(h) = tmp
        flag = !flag
      }
      if(flag) l+=1
      else h-=1
    }
    l-=1
    h+=1
    quickSort(arr,low,l)
    quickSort(arr,h,high)
  } 
【Python基础】01 如何安装Python及集成环境 本文详细介绍了Python 3.13开发环境的完整搭建流程,涵盖三大操作系统(Windows/macOS/Linux)的Python安装方法、PyCharm专业IDE的配置使用,以及pip包管理工具的应用技巧。内容包括:Python 3.13各系统安装指南、PyCharm社区版与专业版的安装配置、环境验证方法、pip的基本命令与镜像源优化、虚拟环境管理,以及常见问题的解决方案。通过本教程,读者可获得一个高效完备的Python开发环境,为后续编程学习打下坚实基础。 阅读详情

相关推荐

Windows11 下 Detectron2 的安装与配置全攻略

本文提供了在Windows11系统下安装和配置Detectron2的完整教程。详细介绍了从环境准备、创建虚拟环境、安装PyTorch与CUDA,到修改源码、编译安装以及运行验证Demo的全过程,帮助开发者克服Windows平台上的常见问题,成功部署这一强大的计算机视觉库。

weixin_29081703的博客 247

用scala实现冒泡和选择排序

scala实现冒泡排序和选择排序 class sort{ def BubbleSort(arr: Array[Int]): Unit = { for (i <- 0 until arr.length-1) //总共运行n-1趟 { for (j <- 0 until arr.length-1-i) //一趟的比较次数,每轮减少一次 { if(arr(j+1)<arr(j)) {

stan1111的博客 852

深入解析PCIe Retimer:工作原理与典型应用场景

本文深入解析了PCIe Retimer的工作原理与核心价值。作为高速信号的中继再生器,Retimer通过时钟数据恢复和信号再生技术,有效解决长距离或复杂通道中的信号衰减与完整性问题,从而极大地扩展了PCIe链路的有效传输距离。文章详细阐述了其内部架构、自动与手动两种工作模式,并重点介绍了在长距离板间互连、复杂背板设计等典型应用场景中的关键作用。

weixin_29195615的博客 506

【scala 数据结构和算法】Scala实现:冒泡排序

算法原理:1、比较相邻的元素。如果第一个比第二个大,就交换他们两个。 2、对每一对相邻元素作同样的工作,从开始第一对到结尾的最后一对。在这一点,最后的元素应该会是最大的数。 3、针对所有的元素重复以上的步骤,除了最后一个。 4、持续每次对越来越少的元素重复上面的步骤,直到没有任何一对数字需要比较scala实现:/** * Created by Administrator on 2017/1

赖德发的博客 1975

《哥谭神话-工程篇》02.Palantir的Ontology层(语义层) -企业操作系统的大脑

Ontology(语义层) 是Foundry 的核心层。Ontology 位于集成到 Foundry 中的数字资产(数据集和模型)之上,并将其连接到现实世界的对应物,从工厂、设备和产品等物理资产到客户订单或金融交易等概念。本篇将详细拆解Ontology(语义层)。

888

ADS高级技巧:用DAC控件实现多变量参数扫描(以S参数和阻抗匹配为例)

本文深入解析了ADS软件中DAC控件的高级应用,指导用户如何利用其实现多变量参数扫描。通过构建支持多变量的MDF文件,并将其与原理图变量动态映射,可以高效完成如S参数和阻抗匹配等复杂场景的联合仿真与可视化分析,显著提升射频电路设计的效率和深度。

3a9bq4r8t2y的博客 254

scala实现冒泡排序、插入排序、选择排序、快速排序、归并排序

冒泡排序 def bubbleSort(array: Array[Int]):Unit={ var swap = true//设置swap值,如果没有发生交换则证明已经有序,不必再继续循环 var temp = 0 for(i <- 0 until array.length if swap == true){ swap = false for(j<- 0 until array.length-i-1){//注意这里的判断条件 i.

qq_38748148的博客 494

永磁同步电机自抗扰控制ADRC(位置环/速度环控制器)Matlab/Simulink仿真(S-Function)

ESO是ADRC的核心,其作用是跟踪被控对象的输出,同时给出受控对象的各阶状态变量以及系统总扰动的实时估计,将其补偿到控制器中,实现动态补偿线性化。NLSEF采用非线性函数把TD产生的跟踪及微分信号与ESO给出的状态变量估计值之间的误差进行非线性组合得到初级控制量,然后同总扰动的补偿量一起生成最终的控制信号。自抗扰控制(ADRC)技术的核心思想是将简单的积分串联型视为标准模型,把系统模型中不同于标准型的部分和外部干扰之和视为总扰动,并将其扩张为一个新的状态。看作系统内外部扰动之和。令一个高阶状态变量为。

m0_66341377的博客 7615

java和scala版本的冒泡排序、快速排序、归并排序、选择排序、插入排序

1.冒泡排序 ① java版本的冒泡排序 import java.util.Arrays; //冒泡排序 public class BubbleSort { /** * 冒泡排序 * @param arr 要排序的数组 */ public static void bubbleSort(int[] arr) { int tmp;/...

程序猿丶HLK 432

基于Q-learning的无人机三维路径规划(含完整C++代码)

基于Q-learning的无人机三维路径规划(含完整C++代码)

weixin_54186646的博客 1万+

Open3D 读取、保存、显示点云【2025最新版】

paint_uniform_color给所有的点上一个统一的颜色。博客长期更新,本文最近更新时间为:2025年1月1日。

点云侠的博客 37万+

冒泡排序--基于scala实现

冒泡排序详解 原理 冒泡排序(Bubble Sort)也是一种简单直观的排序算法。它重复地走访过要排序的数列,一次比较两个元素,如果他们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢"浮"到数列的顶端。 算法步骤 从第一个元素开始比较相邻的元素,如果第一个比第二个大,就交换. 对每一对相邻的元...

菜鸡的博客 1031

利用baostock获取上市公司财务指标

利用baostock获取上市公司的财务指标 1、导入模块,登录baostock import baostock as bs import pandas as pd import time # 登陆系统 lg = bs.login() # 显示登陆返回信息 print('login respond error_code:'+lg.error_code) print('login respond error_msg:'+lg.error_msg) 2、查询股票代码、行业板块 # 查询股票代码 rs=.

firefox_yau的博客 2099

算法学习:一、排序算法

参考:https://blog.youkuaiyun.com/weixin_37818081/article/details/79202115 https://blog.youkuaiyun.com/qq_28081081/article/details/80598960 https://www.cnblogs.com/chengxiao/p/6194356.html https://www.cnblogs.com...

Walker_zmc的博客 620

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

java手写冒泡和快速排序_java相关:Scala实现冒泡排序、归并排序和快速排序的示例代码...

java相关:Scala实现冒泡排序、归并排序和快速排序的示例代码发布于 2020-3-12|复制链接摘记: 1、冒泡排序```javadef sort(list: List[Int]): List[Int] = list match {case List() => List()case head :: tail => compute(head, sort(tail))}def com...

weixin_28820113的博客 110

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');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

十大基础排序算法-scala编写

十大基础排序算法-scala编写1、前言2、排序2.1、排序分类2.2、影响因素3、冒泡排序4、选择排序5、插入排序6、希尔排序7、归并排序8、快速排序9、堆排序10、计数排序11、桶排序12、基数排序 1、前言 最近补了一下《数据结构与算法》的相关知识,这里记录一下常见的十大排序算法。因为最近自己在学习scala,所以下面都是使用的scala进行编程,其与java语法有很多类似,保留了java的...

dh12313012的博客 845

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

Java(Scala)排序总结(选择|冒泡|插入|快速|归并)

Java版本 package sort; import java.util.Arrays; /** * @ClassName: Sort * @Description: * @Author: xuezhouyi * @Version: V1.0 **/ public class Sort { public static void main(String[] args) { ...

一名假的程序猿 323

算法01——二分查找、冒泡排序、插入排序、快速排序、归并排序

一、二分查找 package SuanFa.MySearch; public class binSearch { public static void main(String[] args) { int[] a={1,2,3,4,5,6,7}; System.out.println(myBinSerch(a,2)); } pub...

zgm12的博客 227

scala 九大排序算法

基于scala语言的插入排序,堆排序,冒泡排序,快速排序,选择排序,归并排序,计数排序,桶排序,基数排序等排序方法

码农的无聊日常 3680

go python java scala_python javascript java golang scala shell

俩 j 语言 加分号是比较好的写法golang编码规范scala编码规范python Utils.pyclass Utils(object):def __init__(self, arr):self.arr = arrself.arr_len = len(self.arr)def bubbleSort(self):for i in range(0, self.arr_len, 1):for j i...

weixin_39631519的博客 105

排序-4.快速排序

快速排序是对冒泡排序法的一种改进。基本思想是:通过一趟排序将要排序的数据分割成独立的两部分,其中一部分的所有数据都比另外一部分的所有数据都要小,然后按此方法对这两部分数据分别进行快速排序,整个排序过程可以递归进行,以此达到整个数据变成有序序列。 实例: 要求:对[11, 10, 9, 1, -1]进行从小到大的排序,要求使用快速排序法。 代码实现 package chapter18.sort import java.text.SimpleDateFormat import java.util

qq_30657195的博客 180

scala实现十大排序算法

文章目录swap冒泡选择插入希尔归并快排计数桶基数堆 swap def swap(array: Array[Int], i: Int, j:Int): Unit ={ val tmp = array(i) array(i) = array(j) array(j) = tmp } 冒泡 def bubblingSort(array: Array[Int]): Array[Int] ={ val arr = array for(i <- 1 until a

WGS. 818

Scala语言的算法

Scala 的全名是“scalable language”,意为可扩展的语言,能够支持不同的编程风格。Scala 被设计为运行在 Java 虚拟机(JVM)上,能够与 Java 无缝集成,因此在许多 Java 项目中,开发者选择 Scala 作为开发语言。静态类型系统:Scala 强大的类型推导系统让开发者能够在编译时捕获错误。函数式编程:Scala 支持高阶函数和陌生函数(匿名函数)等特性,使得函数式编程变得更为简洁。集成式开发。

2501_91226561的博客 915

Scala函数式编程实现排序算法

  记得《Function Thinking》这本书中提到,现在的编程范式有两类,一类是“命令式编程”,另一类是“函数式编程”,现在我们最常使用的许多语言像c、c++、java都是命令式的,但其中c++和java也都有一些函数式的类库,可见函数式特性还是受一些程序员的青睐的。还有一些纯函数式的语言如 clojure、haskell则完全是纯函数式的。像python、scala则是混合型的...

weixin_30596735的博客 340

九大排序算法之scala实现

直接插入排序 堆排序 冒泡排序 快速排序 选择排序 归并排序 计数排序 桶排序 基数排序 import java.io.PrintWriter import scala.collection.mutable.ArrayBuffer import scala.io.Source import scala.util.Random import scala.util.control.Breaks._...

尬聊码农 181

冒泡排序

冒泡排序应该算是最简单的排序算法了,其过程如下: 1. 比较相邻的元素。如果第一个比第二个大,就交换他们两个。 2. 对每一对相邻元素作同样的工作,从开始第一对到结尾的最后一对。在这一点,最后的元素应该会是最大的数。 3. 针对所有的元素重复以上的步骤,除了最后一个。 4. 持续每次对越来越少的元素重复上面的步骤,直到没有任何一对数字需要比较。Java版本实现:public class So

给永远比拿愉快 812
上一篇: Scala基础
下一篇: hadoop、zookeeper完全分布式、高可用环境搭建
GodXuzzZ
博客等级 码龄7年 12粉丝 49原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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