寻找局部最小

寻找无序数组中的局部最小值算法

一、定义

局部最小:

arr长度为1时,arr[0]是局部最小。

arr的长度为N(N>1)时,

        如果arr[0]<arr[1],那么arr[0]是局部最小;

        如果 arr[N-1]<arr[N-2],那么arr[N-1]是局部最小;

        如果0<i<N-1,既有arr[i]<arr[i-1],又有arr[i]<arr[i+1],那么arr[i]是局部最小。

二、题目

        给定无序数组arr,已知arr中任意两个相邻的数都不相等。写一个方法,返回数组中其中一个局部最小位置,若不存在返回-1。

三、上代码

package find;

/**
 * 寻找局部最小
 *
 * @author codelmh
 * @data 2021/12/7
 */
public class OneMindIndex {
    public static void main(String[] args) {
        // 对数器
        int maxLen = 100;
        int maxValue = 200;
        int testTime = 1000000;
        for (int i = 0; i < testTime; i++) {
            int[] arr = randomArray(maxLen, maxValue);
            int ans = oneMindIndex(arr);
            if (!check(arr, ans)) {
                System.out.println("出错数组:");
                printArray(arr);
                System.out.println("出错局部最小:" + ans);
                break;
            }
        }
    }

    /**
     * 思路:
     *   如果数组长度为1 则 0是局部最小
     *   如果长度 N > 1
     *      arr[0] < arr[1] 下标 0是局部最小
     *      arr[N - 1] < arr[N - 2] 则 N-1 是局部最小
     *   若以上都没有得到局部最小
     *      则现在可以确定 下标 0  1 是递减趋势
     *                   下标N-2 N-1 是递增趋势
     *      递减 又 递增  则可以假设  0 ~ N-1 必有 局部最小
     *   那么我们使用二分法 L = 0  R = N - 1;
     *          得到 mid = L + (L + R)/2;
     *          若:  arr[mid] < arr[mid + 1] && arr[mid] < arr[mid - 1] 则mid就是局部最小        位置
     *           判断:arr[mid - 1] < arr[mid] 是   则 mid - 1 mid   是递增
     *                                   又分:就得到 L = 0 R = mid - 1
     *                                        否   则 mid  mid + 1  是递增
     *                                   又分:就得到 L = mid+1 R = N -1
     *    若这种情况 mid 没有找到局部最小
     *    则还有一个种可能 arr = {5, 1, 6, 2, 3}
     *    这时 L = 1 R = 3 可以看到 mid =(R+L) /2 不是局部最小
     *    那么 L = 1  R = 2 就不能用 mid =(R + L) / 2 了就会越界
     *    所以 当出现这种情况时 若 arr[L] < arr[R] 则  L就是局部最小
     *                       否则  R就是局部最小
     * @param arr
     * @return
     */
    public static int oneMindIndex(int[] arr) {
        if (arr == null || arr.length == 0) {
            return -1;
        }
        int N = arr.length;
        // 如果 数组长度为1 或者 arr[0] < arr[1] 下标 0是局部最小
        if (N == 1 || arr[0] < arr[1]) {
            return 0;
        }
        // 如果数组 arr[N - 1] < arr[N - 2] 则 N-1 是局部最小
        if (arr[N - 1] < arr[N - 2]) {
            return N - 1;
        }
        int L = 0;
        int R = N - 1;
        while (L < R - 1) {
            int mid = (L + R) / 2;
            // 若 arr[mid] < arr[mid + 1] && arr[mid]<arr[mid - 1] 则 mid是局部最小
            if (arr[mid] < arr[mid + 1] && arr[mid] < arr[mid - 1]) {
                return mid;
            }
            if (arr[mid] > arr[mid - 1]) {
                R = mid - 1;
            } else {
                L = mid + 1;
            }
        }
        return arr[L] < arr[R] ? L : R;
    }

    public static boolean check(int[] arr, int midIndex) {
        if (arr.length == 0) {
            return midIndex == -1;
        }
        int left = midIndex - 1;
        int right = midIndex + 1;
        boolean leftBigger = left <= 0 || arr[left] > arr[midIndex];
        boolean rightBigger = right >= arr.length || arr[right] > arr[midIndex];
        return leftBigger && rightBigger;
    }

    public static void printArray(int[] arr) {
        for (int a : arr) {
            System.out.print(a + " ");
        }
        System.out.println();
    }

    /**
     * 生成随机数组 且相邻 不相等
     *
     * @param maxLen
     * @param maxValue
     * @return
     */
    public static int[] randomArray(int maxLen, int maxValue) {
        int len = (int) (Math.random() * maxLen);
        int[] arr = new int[len];
        if (len > 0) {
            arr[0] = (int) (Math.random() * maxValue);
            for (int i = 1; i < len; i++) {
                do {
                    arr[i] = (int) (Math.random() * maxValue);
                } while (arr[i] == arr[i - 1]);
            }
        }
        return arr;
    }
}

### 全局最小值与局部最小区别的概念及其实现方法 #### 定义区别 全局最小值是指在整个定义域范围内,目标函数取得的最低值。而局部最小值则是指在一个特定区域内的最低值,在此区域内其邻近点的目标函数值均大于等于它自身的值[^1]。 #### 寻找方法的区别 为了找到全局最小值而非仅仅局限于某个局部最小值,通常采用以下几种策略: 1. **多起点随机化搜索** 当存在多个局部最小值时,可以通过多次选取不同初始点的方式进行参数优化。每一轮优化结束后比较各轮次的结果,最终选择误差最小的那个解作为可能接近全局最小值的最佳候选者。 2. **调整优化终止条件** 控制优化过程中的精度要求,比如设置`TolFun`(即目标函数变化容忍度)。当目标函数的变化幅度低于设定阈值时结束运算;或者限定最大评估次数(MaxFunctionEvaluations),从而避免陷入过早停滞的状态[^2]。 3. **基于梯度的方法及其局限性** 使用梯度下降法等基于导数的技术可以快速定位到某一点附近的极小值位置。然而一旦到达某一平坦区段(即梯度趋近于零处),即使尚未抵达真正的全域最优解也可能被迫停下脚步。这是因为这些技术本质上依赖于当前状态下的斜率指引方向前进,所以容易被误导至非理想终点——也就是所谓的“局部陷阱”之中[^3]。 4. **进化算法的应用实例** - 遗传算法是一种模拟自然选择机制的过程来进行探索空间遍历的技术手段。例如对于给定测试用例 `two_min` 函数来说,尽管拥有两个明显分离出来的凹陷部分分别对应各自独立的小规模谷底坐标 `(0,-1)` 和另一个更深层次却远离原点的位置 `(101,–1–1/e)` ,但借助 GA 的强大能力依然能够成功发现后者代表的整体最佳选项[^4]。 ```matlab function y = two_min(x) if x <= 100 y = -exp(-(x/100)^2); else y = -exp(-1) + (x-100)*(x-102); end end rng default % For reproducibility options = optimoptions('ga','PlotFcn',@gaplot1drange); [x,fval] = ga(@two_min,1,[],[],[],[],[],[],[],options) ``` - 另外还有像人工蜂群这样的群体智能模型同样适用于复杂环境下的寻优任务。它们通过模仿生物行为模式完成信息交换共享并不断改进解决方案直至满足预设标准为止。下面展示了一个利用 Python 编写的简单例子来演示如何运用 ABC 方法处理经典的 Rastrigin 多维非线性方程组求解问题[^5]: ```python import numpy as np def rastrigin(X): A = 10 dim = X.shape[0] return A * dim + sum([(xi**2 - A * np.cos(2 * np.pi * xi)) for xi in X]) class Bee: def __init__(self, dimension, lower_bound=-5.12, upper_bound=5.12): self.position = np.random.uniform(lower_bound, upper_bound, dimension) self.fitness = None def evaluate(self, func): self.fitness = func(self.position) # Define parameters here... bees_population_size = ... dimensions = ... best_solution = abc_algorithm(bees_population_size, dimensions, max_iterations,... ,rastrigin ) print(best_solution) ``` #### 总结 综上所述,无论是理论层面还是实际应用当中,区分以及有效获取全局最小值相较于单纯识别局部最小值而言都显得更为困难也更重要。前者往往需要综合考虑更多因素并通过反复试验验证才能达成目的。
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