LeetCode 41 First Missing Positive

      设数组大小为n,那么缺失的整数最大为n+1。证明如下,假设缺失的整数为k(k > n+1),则正数1~(n+1)在数组中均出现过至少一次,即数组大小>=(n+1),这与数组大小为n矛盾。

      因为数组下标从0开始,为了方便处理,先对数组中所有数减1。那么最终,我们可以通过交换数组中的某些数,使得最终的数组为0、1、2、3、... ... n-1,即让A[i] = i。若这其中有某个数字缺失了,则答案就是这个数字。

      因此思路就明确了,我们通过交换数组元素,使得A[i] = i,那么最终的答案就是从左边数第一个不满足A[i] = i的数。

       假设数为A[0]=4, A[1]=2, A[2]=1, A[3]=0, A[4]=3。

       首先A[0] != 0,这时我们首先想到的可能是把A[3]跟A[0]交换使得A[0]变为0,但是在实际编码过程中我们并不知道A几是0(需要再花费额外的空间去映射,这不符合题目要求)。但是我们知道A[0]是4,因此我们可以将A[0]与A[4]互换,使得A[4]=4,即swap(A[0], A[A[0]]),这样一次互换后,4这个数就到了正确的位置。

        换完后A[0]=3, A[1]=2, A[2]=1, A[3]=0, A[4]=4。

        A[0]!=0,继续swap(A[0], A[A[0]])

        得到A[0]=0 A[1]=2, A[2]=1, A[3]=3, A[4]=4。

        这时A[0]=0, 继续遍历发现A[1]!=1, 因此swap(A[1], A[A[1]])

        得到A[0]=0, A[1]=1, A[2]=2, A[3]=3。

        即每次swap操作后,我们都能保证至少一个数被换到了正确的位置,因此最多互换n次,算法就能执行完,时间复杂度为O(n)。

class Solution {
public:
    int firstMissingPositive(vector<int>& A) {
        int n = A.size();
        for(int i = 0; i < n; i++) --A[i];
        for(int i = 0; i < n; i++) {
            while(A[i] >= 0 && A[i] < n && A[A[i]] != A[i]) swap(A[i], A[A[i]]);
        }
        for(int i = 0; i < n; i++) if(A[i] != i)
            return i+1;
        return n+1;
    }
};

遗传算法优化BP神经网络(GABP)是一种结合了遗传算法(GA)和BP神经网络的优化预测方法。BP神经网络是一种多层前馈神经网络,常用于模式识别和预测问题,但其容易陷入局部最优。而遗传算法是一种模拟自然选择和遗传机制的全局优化方法,能够有效避免局部最优 。GABP算法通过遗传算法优化BP神经网络的权重和阈值,从而提高网络的学习效率和预测精度 。 种群:遗传算法中个体的集合,每个个体代表一种可能的解决方案。 编码:将解决方案转化为适合遗传操作的形式,如二进制编码。 适应度函数:用于评估个体解的质量,通常与目标函数相反,目标函数值越小,适应度越高。 选择:根据适应度保留优秀个体,常见方法有轮盘赌选择、锦标赛选择等。 交叉:两个父代个体交换部分基因生成子代。 变异:随机改变个体的部分基因,增加种群多样性。 终止条件:当迭代次数或适应度阈值达到预设值时停止算法 。 初始化种群:随机生成一组神经网络参数(权重和阈值)作为初始种群 。 计算适应度:使用神经网络模型进行训练和预测,根据预测误差计算适应度 。 选择操作:根据适应度选择优秀个体 。 交叉操作:对选择的个体进行交叉,生成新的子代个体 。 变异操作:对子代进行随机变异 。 替换操作:用新生成的子代替换掉一部分旧种群 。 重复步骤2-6,直到满足终止条件 。 适应度函数通常以预测误差为基础,误差越小,适应度越高。常用的误差指标包括均方根误差(RMSE)或平均绝对误差(MAE)等 。 GABP代码中包含了适应度函数的定义、种群的生成、选择、交叉、变异以及训练过程。代码注释详尽,便于理解每个步骤的作用 。 GABP算法适用于多种领域,如时间序列预测、经济预测、工程问题的优化等。它特别适合解决多峰优化问题,能够有效提高预测的准确性和稳定性 。
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