快速排序之c++实现

本文介绍了一种高效的排序算法——快速排序,并提供了详细的实现代码。该算法采用分治策略,在最坏情况下的时间复杂度为O(n^2),但在期望情况下能达到O(n log n)。文章通过C++代码展示了如何进行元素交换、分区操作以及递归调用,最终实现了数组的排序。

此算法的时间复杂度为最坏情况下O(n2),期望时间复杂度为O(nlgn)。

#include<iostream>

#include<vector>
using namespace std;
void swap(int &i,int &k)
{
    int temp=i;
    i=k;
    k=temp;
}
int Partition(vector<int> &vec,int q,int r)
{
    int x=vec[r];
    int i=q-1;
    for(int j=q;j<r;j++)
    {
        if(vec[j]<=x)
        {
            i++;
            swap(vec[j],vec[i]);
        }
    }
    swap(vec[i+1],vec[r]);
    return i+1;
}
void QuickSort(vector<int> &vec,int q,int r)
{
    if(q<r)
    {
        int    p=Partition(vec,q,r);
        QuickSort(vec,q,p-1);
        QuickSort(vec,p+1,r);
    }
}
int main()
{
    vector<int> vec;
    int num;
    while(cin>>num)
    {
        vec.push_back(num);
    }
    int size=vec.size();
    QuickSort(vec,0,size-1);
    for(auto iter=vec.begin();iter<vec.end();iter++)
    {
        cout<<*iter<<" ";
    }
    cout<<endl;
}
内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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