[Leetcode] Next Permutation

本文介绍了一个C++实现的下一个排列算法,该算法用于找出整数序列中字典序上比当前序列更大的下一个排列。如果不存在这样的排列,则将序列重新排列成最小的字典序排列(即升序)。代码通过寻找第一个违反升序排序的元素,然后交换它与右侧大于它的最小元素来实现这一目标,并对剩余部分进行反转。
class Solution {
public:
    void nextPermutation(vector<int> &num) {
        // Start typing your C/C++ solution below
        // DO NOT write int main() function
        if (num.size() <= 1)
            return;
        
        int idx = num.size() - 2;
        while (idx >= 0 && num[idx] >= num[idx + 1])
            --idx;
        
        if (idx >= 0)
        {
            int i = num.size() - 1;
            
            while (num[i] <= num[idx])
                --i;
                
            swap(num[i], num[idx]);
            
            reverse(num.begin() + idx + 1, num.end());
        }
        else
        {
            reverse(num.begin(), num.end());
        }
    }
    
};

Kriging_NSGA3_Topsis克里金预测模型做代理模型多目标遗传3代结合熵权法反求最佳因变量及自变量(Matlab代码实现)内容概要:本文介绍了基于克里金(Kriging)代理模型、多目标遗传算法NSGA-III和TOPSIS决策方法相结合的技术路线,用于反求最优的因变量及对应的自变量组合。该方法首先利用克里金模型对复杂系统进行近似建模,降低计算成本;随后通过NSGA-III算法进行三代多目标优化,获得帕累托前沿解集;最后结合熵权法确定各目标权重,并使用TOPSIS方法从解集中筛选出最接近理想解的最佳方案。整个流程在Matlab平台上实现,适用于工程优化中高耗时仿真模型的替代与多目标折衷分析。; 适合人群:具备一定数学建模基础和Matlab编程能力的研究生、科研人员及从事工程优化设计的工程师;熟悉代理模型、遗传算法与多属性决策方法的学习者优先。; 使用场景及目标:①解决计算昂贵的多目标优化问题,如结构设计、能源系统参数优化等;②掌握克里金代理模型构建、NSGA-III算法应用及熵权-TOPSIS集成决策的全流程实现;③复现高水平学术论文中的优化方法,提升科研创新能力。; 阅读建议:建议读者结合提供的Matlab代码逐步调试运行,理解每一步的数据流向与算法逻辑,重点关注代理模型精度验证、NSGA-III参数设置及熵权法权重计算过程,以实现对整体方法的深入掌握与灵活应用。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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