分治法--快速排序

分治法之快速排序算法 本次试验的目的是随机生成9个正整数,然后使用快速排序算法对这9个正整数从小到大进行排序,并输出排序结果。 阅读详情
	对于快速排序法的思想是用分治法解决问题,将一个大的问题分化成多个小问题进行解决。
	每次以最左边的元素为中心,将比其小的元素放在其左边,比其大的元素放在其右边,然后对其左边和右边的元素分别如此进行递归操作,如此便可以将元素进行从小到大的排序。
	若要进行从大到小的排序,则将比其大的放在其左边,比其小的放在右边,如此递归则可以得到从大到小的排序。

import java.util.Arrays;

public class QuickSort {
	
	public static void main(String[]args){
		int []arr = {9,5,8,15,3,12,7,1,24,14,4,6};		//定义数组,对数组元素进行排序
		int left=0;
		int right=arr.length-1;
		Quick(arr,left,right);				//对数组进行排序
		System.out.println(Arrays.toString(arr));
	}
	
	/**
	 * 分治,划分为小的问题
	 * 每次以最左边元素为中心,将小于该元素的元素放在其左边,大于该元素的元素放在其右边
	 * @param arr
	 * @param left
	 * @param right
	 */
	public static void Quick(int []arr, int left, int right){
		System.out.println(Arrays.toString(arr));
		if(left<right){
			int q = partition(arr,left,right);	//计算排序后最左边元素所在位置
			Quick(arr, left, q-1);		//左分治
			Quick(arr, q+1, right);		//右分治
		}
	}
	
	public static int partition(int []arr, int left, int right){
		int q=left,s;
		int t = arr[left];
		for(int i=left+1;i<=right;i++){
			if(arr[i]<t){	//判断选中元素是否小于最左边元素
				s=arr[i];	//将选中元素进行备份
				for(int j=i;j>left;j--){	//从left位置开始到i-1位置整体右移
					arr[j]=arr[j-1];
				}
				arr[left]=s;		//将选中元素移动到left位置
				q=q+1;		//对t元素进行定位
			}
		}
		return q;
	}
	
}



分治法 | 快速排序 1、什么是快速排序? 快速排序是通过一组排序将要排序的数据分割成独立的两个部分,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,然后再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实现,以此使所有数据变成有序序列。 2、算法设计 (1)分解:先从数列中取出一个元素作为基准元素。将问题分解为两个子序列,小于或等于基准元素的子序列在左侧,大于基准元素的子序列在右侧。 (2)治理:对两个子序列进行快速排序 (3)合并:将排好序的有序子序列进行合并,得到最终的有序序列 快速排序与合并排序的区 阅读详情

相关推荐

保姆级教程:在Windows 10/11上安装配置KNIME 5.8.0(含中文文本库更新)

本文提供在Windows 10/11系统上安装配置KNIME 5.8.0的详细指南,包括中文文本库更新和性能优化方案。从环境准备、安装流程到中文文本处理能力强化,逐步指导用户搭建高效的数据分析环境,特别针对国内网络环境和中文用户需求提供实用解决方案。

weixin_29081101的博客 671

分治法_快速排序

分治法的思想:将大的问题化为小问题;问题性质不变   快速排序是在比较排序中相对较快,所以称为快速排序。对于一个数组a[n]快速排序中分界值需要取n次也就是说,每一个下标对应的值都需要取一次。   对于Partition()函数,最好的情况,每次划分所取的基准(也就是分界值)都恰为中值,即每次划分都产生两个大小为n/2的区域,此时,Partition的计算时间:T(n)=O(nlogn)。

是什么都不是的博客 2139

嵌入式开发避坑指南:用DWT做延时函数,这几个细节不注意代码会跑飞

本文深入探讨了在Cortex-M嵌入式开发中使用DWT实现精确延时函数的关键技巧与常见陷阱。针对DWT_CYCCNT计数器应用中的内核兼容性、溢出处理、编译器优化等五大核心问题,提供了工业级稳健解决方案,帮助开发者避免代码跑飞风险,实现微秒级高精度延时控制。

weixin_42653691的博客 163

【分治算法】典型实例--快速排序&&排序算法:插入排序和二分归并排序

典型实例--快速排序,插入排序快速排序算法伪码描述Quicksort()排序查找首元素的位置Partition()真实代码实现时间复杂度分析O(nlogn)O(nlogn)O(nlogn)和O(n2)O(n^2)O(n2)插入排序算法算法描述动画演示真实代码实现二分归并排序算法伪码描述MergeSoet()二分归并完整代码实现选择问题 快速排序算法 设被排序的数组是A,快速排序算法的基本思想是用数组的首元素作为标准将A划分成前,后两部分,比首元素小的元素构成数组前部分,比首元素大的元素构成数组的后部分,两

share something here 764

从零搭建uniapp+vue3+ts+tailwindcss多端兼容开发环境

本文详细介绍了如何从零搭建uniapp+vue3+ts+tailwindcss多端兼容开发环境,包括环境准备、TailwindCSS集成、小程序兼容性解决方案以及样式优化技巧。通过实战步骤和常见问题解答,帮助开发者快速掌握这套技术栈,提升开发效率。

weixin_28693309的博客 325

Qwen3-Embedding选型指南:0.6B/4B/8B三版本性能对比与场景匹配建议

本文深入解析阿里开源的Qwen3-Embedding系列模型(0.6B/4B/8B)的性能差异与适用场景,提供从边缘计算到云端部署的实战选型建议。通过实测数据对比响应延迟、内存占用和多语言精度等核心指标,帮助技术团队根据业务需求选择最优模型版本,并分享边缘设备优化与云端成本测算策略。

qsc901234567的博客 895

分治算法----快速排序

一.算法思想: 假设要对某数组进行由小->大排序 (1) 分解: 对于乱序数组a[R](存取范围[0->R],有R+1个数),取一个基准元素a[P](一般以第一个数即a[0]为基准),确定某个Partition(位置)Q ,使a[Q]右边的数都大于等于a[P],a[Q]左边的数都小于等于a[P]. (2)递归分治:分解之后,数组变成3部分 a[0]-a[Q],a[Q],a[Q+1]-a[R]

Pixel_pig 616

深度学习模型设计的方法和技巧

设计神经网络模型是一个迭代的过程,需要不断试验和调整各个组成部分,以达到最佳性能。同时,遵循良好的工程实践,如模块化设计、版本控制、文档记录等,也是成功的关键。

xw555666的博客 4027

【数据结构】数组排序

已知数组A[n]中元素为整型,设计算法将其调整为左右两部分,左边所有元素为奇数,右边所有元素为偶数。

小兮的皮卡丘 1128

ArcGIS基于DEM提取微流域单元(附练习数据下载)

流域作为一个相对独立的地理单元,与行政区的划分有着本质上的区别。流域的划分更注重自然因素,流域作为一个综合的自然整体,在其内部形成了一个天然的物质与能量流动的场所,并通过水流的作用,与周围的区域进行物质和能量的交换。流域的精确划分作为一个研究的基础工作,那么接下来给大家说一下利用DEM提取小流域的案例教程——以贵州省遵义市正安县为例。 1 数据获取 地理空间数据云(http://www.gscloud.cn/),数据分辨率为30m。也可直接点击这篇直接下载→全国30m90mDEM下载。 若想要获得更高精度.

qq_43173805的博客 4838

自动驾驶感知新方案:YOLOv13多模态(RGB+LiDAR+热成像)融合实战

YOLOv13的RGB+LiDAR+热成像多模态融合方案,解决了自动驾驶感知的鲁棒性问题,通过跨模态特征互补和注意力融合,实现了复杂场景下的高精度检测。本文从架构设计、数据预处理、核心模块实现到车载部署,完成了全流程实战。动态模态权重:根据场景自动调整各模态的权重(如黑夜场景提升热成像权重);端到端3D检测:直接从原始点云与图像进行3D检测,减少预处理步骤;轻量化优化:针对车载设备进一步剪枝量化,提升推理速度。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 536

C++整型数组排序

整型数组排序#include &lt;iostream&gt; using namespace std; void sort(int array[],int len) { int i = 0, j = 0; int temp = 0; for (i = 0; i &lt; len-1; i++) { for (j = i+1; j &lt; le...

AI新手程序员 4026

RK3568笔记六十一:MIPI摄像头应用程序编写

V4L2设备驱动框架向应用层提供了一套统一、标准的接口规范,应用程序按照该接口规范来进行应用编程,从而使用摄像头。对于摄像头设备来说,其编程模式如下所示:1.首先是打开摄像头设备;2.查询设备的属性或功能;3.设置设备的参数,譬如像素格式、帧大小、帧率;4.申请帧缓冲、内存映射;5.帧缓冲入队;6.开启视频采集;7.帧缓冲出队、对采集的数据进行处理;8.处理完后,再次将帧缓冲入队,往复;9.结束采集。

1005

分治法以及快速排序

分治法   分治法(divide and conquer,D&C):将原问题划分成若干个规模较小而结构与原问题一致的子问题 ;递归地解决这些子问题,然后再合并其结果,就得到原问题的解。   容易确定运行时间,是分治算法的优点之一。   分支模式在每一层递归上都有三个步骤:     --分解(Divide):将原问题分解为一系列子问题;     --解决(Con...

weixin_30583563的博客 224

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

分治法之快速排序

1.分治法快排 1.1 介绍 1.2 代码 /* 快速排序分治版本 */ /* https://blog.youkuaiyun.com/u013948010/article/details/78690467 */ /*选取最右那个为主元,每轮排序时,小与主元的通过交换往前放,大于主元的通过交换放后边,最后for循环结束时通过最后一次交换将主元放过来*/ #include <iostream&...

随笔 393

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。

快速排序(分治法)C++

将一个难以直接解决的大问题,分解成一些规模较小的相同子问题,各子问题相互独立;递归地解决各子问题,将子问题的解归并成原问题的解。

2201_75343710的博客 1147

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")

分治法——快速排序

书上还介绍了一种随机从数组中选择一个数字作为基准的快速排序算法,其实就是生成随机数i,然后交换a[i],a[p]的位置,就变成了 a[i]在首部了,本质上还是以每组第一个元素为基准的快速排序,不过随机选取的基准使得期望更加对称。快速排序都是以每段数组的第一个元素p作为基准的。快速排序是一种基于分治法的排序算法,简单来说。

milu_ELK的博客 1832

分治法实现快速排序。(C++)(分治法)

算法经典题型9 分治法实现快速排序。 用到的思想—分治法 博主用到的环境:Win7, CodeBlocks等。 一、代码 #include <iostream> #include <cmath> #include <cstring> using namespace std; int a[101]; int Quicksort(int left, int right) { int i,j,t,temp; if(left>right) {

weixin_45797533的博客 885

c语言的快速排序,C语言实现快速排序法(分治法)

title: 快速排序法(quick sort)tags: 分治法(divide and conquer method)grammar_cjkRuby: true算法原理分治法的基本思想:将原问题分解为若干个更小的与原问题相似的问题,然后递归解决各个子问题,最后再将各个子问题的解组合成原问题的解。利用分治法可以将解决办法分为 “三步走” 战略:(1) 在数据集中选定一个元素作为“基准”(pivot...

weixin_39844481的博客 2017

递归与分治法实现快速排序算法

递归与分治法实现快速排序算法,输入一串以英文字符逗号隔开的数字,按升序排列法实现快速排序算法。主要是要了解明白递归快速排序,然后进行代码的缝合编写。请耐心!!!

qq_62512411的博客 1638

快速排序,分治法,基准元素

快速排序,分治法,基准元素

EGeek 609

快速排序——分治法

用分治法解决快速排序问题 基本思想:侧重分解,简化合并 分解:数组划分 选定一个元素作为数组的主元,作为数组的分界线 主元左边的数小于主元右边的数 主元为固定位置的元素 ''' 1. 选取固定位置的元素作为主元,一般为首元素或者尾元素 2. 定义i和j两个元素分别作为划分的两个部分的右端元素 3. 比较主元和arr[j], 如果A[j]<=x:则交换A[j]和A[i+1],i和j同时右移 如果A[j]>x:则j右移 4. 把主元放在两部分中间做分界线 ''' List item

qq_46591394的博客 466

快速排序 分治法

快速排序快速排序采用了分治法,由于快排效率在同为o(N*logN)的几种排序方法中效率较高,因此经常被采用。快速排序是C.R.A.Hoare于1962年提出的一种划分交换排序。它采用了一种分治的策略,通常称其为分治法(Divide-and-ConquerMethod)。实现思想: 1. 先从数列中取出一个数作为标记。 2. 然后进行分区,将比这个数大的全放在右边,小于或等于它的全放在它的左边。

南风古 895

快速排序,分治法

平均时间复杂度是O(nlogn);在传入的数组为倒序时,将出现最坏的情况,时间复杂度为O(n^2) private static void myQuickSort(int[] arr, int start, int end) { if(start>=end){ return; } int divideInd...

BigBug_500的博客 972
上一篇: 众数问题
下一篇: 响应式网页
半归枫
博客等级 码龄9年 5粉丝 41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