归并排序

划分问题:把序列分成元素个数尽量相等的两半

递归求解:把元素两半分别排序

合并问题:把两个有序表合并成一个。每次只需要把两个序列的最小元素加以比较,删除其中的较小元素并加入合并后的新表,我们需要一个附加空间t来进行新表的储存。

#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>

using namespace std;

const int N = 5000;
int a[N << 1],t[N << 1],n;

void merge_sort(int x, int y){
    if(y - x > 1){
        int mid = x + (y -x)/2;
        int p = x, q = mid, i = x;
        merge_sort(x, mid);
        merge_sort(mid, y);
        while(p < mid || q < y){///左右有一个非空就继续合并
            if(q >= y || (p < mid && a[p] <= a[q]))///从左半数组复制到临时空间(右半数组为空,那么左半数组必不为空)
                t[i++] = a[p++];
            else
                t[i++] = a[q++];
        }
        for(int i=x; i<y; i++)  a[i] = t[i];
    }
}

int main(){
//    freopen("in.txt", "r", stdin);
    while(scanf("%d",&n) == 1){
        for(int i=1; i<=n; i++) scanf("%d",&a[i]);
        merge_sort(1,n+1);
        for(int i=1; i<=n; i++) printf("%d ",a[i]);
        printf("\n");
    }
    return 0;
}



内容概要:该论文聚焦于6G通信中20-100GHz频段的电磁场(EMF)暴露评估问题,提出了一种基于自适应可重构架构神经网络(RAWA-NN)的预测框架。该框架通过集成权重分析模块和优化模块,能够自动优化网络超参数,显著减少训练时间。模型使用70%的前臂数据进行训练,其余数据用于测试,并用腹部和股四头肌数据验证模型泛化能力。结果显示,该模型在不同参数下的相对差异(RD)在前臂低于2.6%,其他身体部位低于9.5%,可有效预测皮肤表面的温升和吸收功率密度(APD)。此外,论文还提供了详细的代码实现,涵盖数据预处理、权重分析模块、自适应优化模块、RAWA-NN模型构建及训练评估等内容。 适合人群:从事电磁兼容性研究、6G通信技术研发以及对神经网络优化感兴趣的科研人员和工程师。 使用场景及目标:①研究6G通信中高频段电磁暴露对人体的影响;②开发更高效的电磁暴露评估工具;③优化神经网络架构以提高模型训练效率和预测精度。 其他说明:论文不仅提出了理论框架,还提供了完整的代码实现,方便读者复现实验结果。此外,论文还讨论了未来的研究方向,包括扩展到更高频段(如300GHz)的数据处理、引入强化学习优化超参数、以及实现多物理场耦合的智能电磁暴露评估系统。建议读者在实际应用中根据具体需求调整模型架构和参数,并结合真实数据进行验证。
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