整理排序算法 java

谷歌学术用publish-or-perish来对引用量排序 用谷歌学术搜索文献的时候发现不能按照引用量高低进行排序,网上提供了这个软件。 下载地址如下:Publish or Perish (harzing.com)https://harzing.com/resources/publish-or-perish 关于软件界面页面和各种指标的介绍,可以参考中科大的这个PPT: 文献分析软件——publish or perish(精品·公开课件).ppt (book118.com)https://max.book118.com/html/2018/1124/813 阅读详情

这里写图片描述
这是之前不知道什么时候从网上截图下来的,找不到出处了,超级棒的笔记

冒泡排序

//冒泡
    public void bubleSort(int[] nums) {
        for (int i = 0; i < nums.length - 1; i++) {//循环n-1次,每循环完一次,冒泡得一个最大值
            for (int j = 0; j < nums.length - i - 1; j++) {
                if (nums[j] > nums[j + 1]) {
                    int temp = nums[j];
                    nums[j] = nums[j + 1];
                    nums[j + 1] = temp;
                }

            }
        }
    }

冒泡的思维是很简单的,第i次比较,若nums[j]>nums[j+1],交换位置,总共有N-1趟排序,每趟排序次数是N-i次
时间复杂度:最好情况下是已排好序的情况,时间复杂度为O(n),最坏情况是O(n^2),平均时间复杂度为O(n^2)
空间复杂度:O(1)


归并排序

归并排序的基本思想是:将待排序元素分成大小大致相同的2个子集合,分别2个集合进行排序,最终将排序好的子集合合并成为所要求的有序的集合。总时间为:分解时间+排序时间+合并时间

合并算法可递归的描述如下

//合并排序
    public void mergeSort(Comparable a[], int left, int right) {
        Comparable b[] = new Comparable[a.length];
        if (left < right) {
            int i = (left + right) / 2;
            mergeSort(a, left, i);
            mergeSort(a, i + 1, right);
            merge(a, b, left, i, right);//合并到数组b
            copy(a, b, left, right);//复制回数组a
        }
    }

    //合并c[l:m]和c[m+1:r]到d[l:r]
    public void merge(Comparable c[], Comparable d[], int l, int m, int r) {
        int i = 1, j = m + 1, k = l;
        while ((i <= m) && (j <= r)) {
            if (c[i].compareTo(c[j]) <= 0) {
                d[k++] = c[i++];
            } else {
                d[k++] = c[j++];
            }
        }
        if (i > m) {
            for (int q = j; q <= r; q++) {
                d[k++] = c[q];
            }
        } else {
            for (int q = i; q <= m; q++) {
                d[k++] = c[q];
            }
        }

    }

时间复杂度最好最坏平均情况下均为O(nlogn),空间复杂度为O(n),此排序算法稳定
详见算法设计与分析第三版


快速排序

快速排序算法是基于分治策略的另一个排序算法
以a[p]为基准元素将a[p:r]划分为3段:a[p:q-1]、a[q]和a[q+1:r],使得a[p:q-1]中任何元素小于等于a[q],a[q+1:r]中任何元素大于等于a[q]。

//快速排序
    private static void quickSort(int a[], int p, int r) {
        if (p < r) {
            int q = partition(a, p, r);
            quickSort(a, p, q - 1);
            quickSort(a, q + 1, r);
        }
    }

    private static int partition(int a[], int p, int r) {
        int i = p, j = r;
        int x = a[p];
        while (i < j) {
            //从右往左找比x小的数,填充a[i]
            while (i < j && a[j] >= x) j--;
            if (i < j) {
                a[i] = a[j];
            }

            //从左往右找比x大的数,填充a[j]
            while (i < j && a[i] < x) i++;
            if (i < j) {
                a[j] = a[i];
            }
        }
        a[i] = x;
        return i;

    }

基本思路是挖坑填坑,从右往左,找出比基准数小的数填充至a[i],从左往右,找出比基准数大的数填充至a[j],再递归地进行下去
时间复杂度:最坏情况发生在划分过程产生的两个区域分别包含n-1和1个元素的时候,此时的算法复杂度为O(n^2),最好情况是每次划分所取的基准数恰好都为中值,即每次划分都产生两个大小为n/2的区域,此时的时间算法复杂度为O(nlogn),平均时间复杂度为O(nlogn)。
其性能取决于划分的对称性,不稳定
空间复杂度:O(logn)

【1.2】Costas环的基本原理概述 Costas环是一种用于载波恢复的相干解调技术,可直接从BPSK等抑制载波信号中恢复本地载波并完成解调。其核心结构包含同相/正交双支路处理,通过混频、低通滤波后,利用I/Q支路信号乘积进行相位误差检测,经环路滤波器调节VCO输出频率,实现载波同步。课程将重点讲解Costas环的MATLAB仿真实现、系统性能分析及FPGA开发,包括信号产生、频偏模拟、滤波器设计等模块,并通过AWGN信道和不同频偏条件下的测试验证系统性能。该技术无需单独提取载波,在数字通信系统中具有重要应用价值。 阅读详情

相关推荐

Xilinx Vivado vitis IDE launch Failed \ Web installer client Obsolete 怎么办

Xilinx vitis_IDE failed Web installer client Obsolete

weixin_44820962的博客 8643

常见排序算法整理(Java实现)

Java语言实现常见排序算法及基本原理

2402_84949062的博客 929

液态神经网络系列(四) | 一条 PyTorch 从零搭建 LTC 细胞

本文详细介绍了如何从零开始用PyTorch实现Liquid Time-constant Networks(LTC)神经元模型。首先将LTC的核心微分方程拆解为输入电导、系统时间常数和数值积分器三个模块,然后逐步构建LTCCell类,包括物理参数初始化、突触参数设置和前向演化过程。文章还展示了如何封装LTCModel处理不规则时间序列,并通过正弦波抗干扰实验验证了LTC模型的优越性。最后讨论了数值稳定性、计算代价等实现细节,并预告了下一篇将探讨使用伴随灵敏度算法优化显存占用的方法。

wyj333333的博客 2062

8种Java排序算法整理

package org.hbz.test; import java.util.ArrayList; import java.util.Arrays; import java.util.List; public class SortMethod { /* * 1.直接插入排序 基本思想:在要排序的一组数中,假设前面(n-1)[n>=2] 个数已经是排好顺序的, * 现在要把第n个数插

放心飞吧 487

将运算放大器(运放)用作比较器

我们研究了一些经典的运算放大器电路。这些电路中运用了负反馈,因此通常就可以使运算放大器工作在线性区域内。 但是,也可以将运算放大器用作比较器,从而使其以非线性方式工作。由于其输入受到硬驱动,因此其输出电压会对电源轨产生猛烈的冲击。如下文所示,这可能并不总是一种好的设计方法。 变为非线性 在线性应用中,可以对运算放大器做如下理想假设:无限增益和带宽、零输出阻抗、无限输入阻抗,以及输入之间为零伏。也可以将运算放大器以非线性方式使用,但有一些地方要特别注意和处理。 一种常见的配置是仅使用开环运算放大器(无反馈),

ltqdxl的博客 3万+

避开这些坑!Kaggle数据集下载常见问题及解决方案(含Header Editor插件配置)

本文针对Kaggle数据集下载过程中的常见难题,提供了系统性的解决方案。重点解决了验证码无法显示、API安装失败、密钥文件配置错误及下载命令执行问题,并详细介绍了使用Header Editor插件配置请求头以绕过验证码障碍的实战方法,帮助用户高效获取数据。

weixin_29043895的博客 300

Java排序算法整理

1. 冒泡排序 public static void bubbleSort(int[] arr) { int temp; for (int i = 0; i < arr.length - 1; i++) { //优化:如果某次排序未发生位置交换,说明数组已有序。 boolean flag = true; for (int j = 0; j < arr.length - 1 - i; j++)

AmorFati1996的博客 176

【多模态融合】TransFusion学习笔记(1)

工作上主要还是以纯lidar的算法开发,部署以及系统架构设计为主。对于多模态融合(这里主要是只指Lidar和Camer的融合)这方面研究甚少。最近借助和朋友们讨论论文的契机接触了一下这方面的知识,起步是晚了一点,但好歹是开了个头。下面就借助TransFusion论文及其开源代码来串一串这方面的知识。这个很好理解,参考FPointNet网络图示。就是利用现有的2D检测器在图像上提取2D初始框,根据Camera成像原理,捕获2D框视锥内的点云,再利用点云分类模型(如:PointNet)做进一步分类。

4961

java排序算法整理

java排序算法整理 前言 程序的本质就是数据结构加算法加设计模式,趁着这段时间工作不忙又复习了下java中的排序算法,排序是应用软件设计中经常遇到的问题之一,这里总结下常用的算法,有冒泡、选择、插入、归并、希尔等。 1、冒泡排序 所谓冒泡排序就是数组中的数据,从第一个开始向它相邻后面的数作比较,如果大于他相邻的数就交换下位置,否则顺序不变,然后第二个数开始和第三个比较,依次类推 直到倒数第二个数。算走完一趟冒泡,冒泡的趟数等于数组长度。 下面请看代码实现: private static void

随影无痕的博客 236

Opencv项目实战:20 单手识别数字0到5

今天要做的是单手识别数字0到5,通过在窗口展示,实时的展示相应的图片以及文字。在这里,我提供一下识别更多数字的方法(0-10)。首先最简便的是双手识别,完全不用更改代码,把图片处理好就行了;其次,就是按照最上面的那张图片,参数figureup是一个长度为5的列表[0,0,0,0,0],你可以参照着手势将其打印出来,然后将其用if条件判断。当然,在我们这边最常见的还是华北手势表示数字,大家按照自己的习惯来就行。

m0_62919535的博客 2876

dolphinscheduler-3.4.0

dolphinscheduler集群部署

docsz的博客 660

Java 常用排序算法整理-纯代码

import java.lang.reflect.InvocationTargetException; import java.lang.reflect.Method; import java.util.ArrayList; import java.util.List; import java.util.Random; /** * Java常用排序算法 * 排序法 平均时间 最...

Jinks的专栏 227

英飞凌TC3xx之一起认识GTM(八)如何使用DTM实现死区时间配置

本文简要介绍英飞凌TC3xx系列芯片的DTM模块结构,以及有哪些相关寄存器可用于实现相关配置。

无所适从的我的博客 4646

排序算法吐血整理-附java实现

排序算法吐血整理标签(空格分隔): java 排序 算法排序算法吐血整理 啰里八嗦 插入排序 直接插入排序 二分法插入排序 希尔排序 选择排序 简单选择排序 堆排序 交换排序 冒泡排序 快速排序 归并排序 基数排序 总结啰里八嗦 在实习的过程中,学习到了很多课本上没有的东西,框架呀,系统呀等等,很多很多,但是最近智商下线,很多东西有点遗忘,就想要整理一下经典算法方面的东西,算是在闲暇中慢慢找回状

你不该把世界让给你所鄙视的人。 2394

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

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")

java各种排序算法整理

陆续更新每一个的实现,先列一个目录,简单描述下 排序算法有很多,所以在特定情景中使用哪一种算法很重要。为了选择合适的算法,可以按照建议的顺序考虑以下标准: (1)执行时间 (2)存储空间 (3)编码实现和维护性 对于数据量较小的情形,(1)(2)差别不大,主要考虑(3);而对于数据量大的,(1)为首要。 主要排序算法有: 1. 冒泡排序——相邻交换, 点击查...

lsblsb的专栏 744

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

java排序算法PDF_8种Java排序算法整理

package org.hbz.test;import java.util.ArrayList;import java.util.Arrays;import java.util.List;import org.junit.Test;/** Desc:八种排序算法** 优快云:dream361** QQ:2388991230(放心'飞吧)** Email:gloryzheng@126.com** ...

weixin_30934229的博客 151

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Java:排序算法整理

JAVA排序算法 按平均时间将排序分为四类: (1)平方阶(O(n^2))排序  一般称为简单排序,例如直接插入、直接选择和冒泡排序; (2)线性对数阶(O(nlgn))排序  如快速、堆和归并排序; (3)O(n1+£)阶排序  £是介于0和1之间的常数,即0<£<1,如希尔排序; (4)线性阶(O(n))排序  如桶、箱和基数排序。 各种排序方法

wowtous 773

java排序算法整理(一)

排序是应用软件设计中经常遇到的问题之一,也是在面试过程中最常考察的算法。排序是对数据元素序列简历某种有序排列的过程。这里总结一下常用的排序算法,主要有插入排序、交换排序、选择排序、归并排序和基数排序等,并附上Java代码的实现(本文主要讨论非递减有序排序)。1. 插入排序插入排序的基本思想是:从初始有序的子集合开始,不断地把新的数据元素按其值的大小插入到已排序数据元素子集合的适当位置,使子集合中数据

以梦为马,不负韶华 638

常见排序算法整理(附Java代码)

此文章主要用于回顾常见的几种排序算法,对算法的原理并没有很详细的说明。 冒泡排序 原理:每次两两进行比较交换次序,以便每次将最大值将“沉”到已排好序的最后一个位置。 //冒泡排序 public class BubbleSort { public static int[] sort(int[] arr){ int len = arr.length; for...

suelta_th的博客 278

JAVA常见排序算法整理-速记

常见排序算法对比: 相关术语解释: (1)内排序:所有排序操作都在内存中完成; (2)外排序:由于数据太大,因此把数据放在磁盘中,而排序通过磁盘和内存的数据传输才能进行; (3)n: 数据规模 (4)k: “桶”的个数 (5)In-place: 不占用额外内存 (6)Out-place: 占用额外内存 1.冒泡排序 冒泡排序(Bubble Sorting)的基本思想是:通过对待排序序...

weixin_43838446的博客 244

prms+java_java排序算法整理

排序算法整理:冒泡排序、堆排序、插入排序、归并操作、快速排序、希尔排序、选择排序。SortUtils.javapackage prms.utils.sort;import java.util.Arrays;/*** @ClassName: SortUtils* @Description: 排序算法 工具类 * @author edgar* @email 【edga...

weixin_28760183的博客 128

JAVA十大排序算法分析与整理

排序算法 概念: 稳定性(Stability):排序前a元素在b元素前,排序后顺序不变,反之,不稳定 内排序(In-place):所有排序操作都在已有内存中操作,不占用额外内存。 外排序(Out-place):由于数据太大,因此把数据放在磁盘中,而排序通过磁盘和内存的数据传输才能进行,占用额外内存。 时间复杂度(Time Complexity):算法在程序执行时所耗费的时间。 空间复杂度(Space Complexity):运行一个程序所需要的内存大小。 比较排序和非比较排序: 比较排序:常见

weixin_50077376的博客 85

java 排序算法 折半 堆 希尔 快速 整理

试题1:折半查找 折半查找是在有序表中,把待查找数据值与查找范围的中间元素值进行比较,会有三种情况出现:        1)待查找数据值与中间元素值正好相等,则放回中间元素值的索引。        2)待查找数据值比中间元素值小,则以整个查找范围的前半部分作为新的查找范围,执行1),直到找到相等的值。        3)待查找数据值比中间元素值大,则以整个查找范围的后半部分作为新的查找范围

小夥的博客 1939

java的排序算法自己整理

以下内容是自己编写并整理,转载请标明来处:http://www.cnblogs.com/pony1223/ 简单选择排序: packagecn.mdj.test; publicclassSelectSort{ publicstaticvoidsort(intarray[]){ intlen=array.length; inttemp;//...

weixin_30825199的博客 115

java的各种排序算法代码整理

排序过程中用到的一些公用方法 public static void swap(int[] data, int i, int j){//交换 if (i == j) { return; } data[i] = data[i] + data[j]; data[j] = data[i] - data[j]; data[i] = data[i] - data[j]; } publ

杨发强(数据库) 682
上一篇: Notification加上Intent的练习
下一篇: 直接插入排序
IncludeLayout
博客等级 码龄10年 0粉丝 13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