swap cake

public class cake {

	/**
	 * @param args
	 */
	public static void main(String[] args) {
		// TODO Auto-generated method stub
		int array[] = { 4, 1, 5, 2, 3,9,7,34,12,23,12 };
		int start=0;
		int end=array.length-1;
		cakeSort(array,start,end);
		for(int i=0;i<=end;i++)
			System.out.print(array[i]+" ");
	}

	public static void cakeSort(int[] array,int start,int end) {
		int i = end;
		int maxIndex=findMax(array,start,i);
		reverseOrder(array,start,maxIndex,i);
		i--;
		if(i<0)
			return;
		cakeSort(array,start,i);
	}

	public static int findMax(int[] array, int start, int end) {
		int maxIndex=0;
		int max = Integer.MIN_VALUE;
		for (int i = start; i <= end; i++) {
			if (array[i] > max) {
				max = array[i];
				maxIndex = i;
			}
		}
		return maxIndex;
	}
	// 每两次交换就把最大的放到最下面,len每次递减
	public static void reverseOrder(int[] array,int s,int e,int len)
	{
		int tmp[] =new int[array.length];
		for(int i=0;i<array.length;i++)
			tmp[i]=0;
		
		//第一次交换
		for(int i=s;i<=e;i++)
		{
			tmp[i]=array[i];
		}
		for(int i=e;i>=s;i--)
		{
			array[e-i]=tmp[i];
		}
		
		//第二次交换
		for(int i=0;i<=len;i++)
		{
			tmp[i]=array[i];
		}
		for(int i=len;i>=0;i--)
		{
			array[len-i]=tmp[i];
		}
	}

}

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统机器学习相关技术,从事推荐系统、隐私全栈开发方向的研发员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设出来的算法: 类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
12-10
### swap 函数的基本概念 在编程中,`swap` 通常指的是交换两个变量的值。在许多编程语言中,并没有内置的 `swap` 函数,但可以自定义实现。例如在 C++ 中,标准库提供了 `std::swap` 函数,在 Python 中可以通过简单的语法实现交换。 ### 不同语言中 swap 的实现 - **Python**: ```python a = 1 b = 2 a, b = b, a print(f"a = {a}, b = {b}") ``` - **C++**: ```cpp #include <iostream> #include <algorithm> int main() { int a = 1; int b = 2; std::swap(a, b); std::cout << "a = " << a << ", b = " << b << std::endl; return 0; } ``` - **Java**: ```java class SwapExample { public static void main(String[] args) { int a = 1; int b = 2; int temp = a; a = b; b = temp; System.out.println("a = " + a + ", b = " + b); } } ``` ### 数学建模编程中 swap 的应用 在数学建模编程里,`swap` 有多种应用场景。在提供的代码示例中,`swap` 用于控制数据量小的集合往大的集合合并,确保合并操作更高效,代码如下 [^1]: ```cpp void Union(int x1, int x2) { int root1 = FindRoot(x1); int root2 = FindRoot(x2); // 如果本身就在一个集合就没必要合并了 if (root1 == root2) return; // 控制数据量小的往大的集合合并 if (abs(_ufs[root1]) < abs(_ufs[root2])) swap(root1, root2); _ufs[root1] += _ufs[root2]; _ufs[root2] = root1; } ``` 此外,在排序算法中,`swap` 也经常被使用。例如冒泡排序,通过不断交换相邻元素的位置,将最大(最小)的元素逐步“冒泡”到数组的末尾。以下是冒泡排序的 Python 实现: ```python def bubble_sort(arr): n = len(arr) for i in range(n): for j in range(0, n - i - 1): if arr[j] > arr[j + 1]: arr[j], arr[j + 1] = arr[j + 1], arr[j] return arr arr = [64, 34, 25, 12, 22, 11, 90] sorted_arr = bubble_sort(arr) print(sorted_arr) ```
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