几个简单排序demo

几个简单排序demo

package com.myapp.test.sort;

public class SortTest {

public static void main(String[] args) {

    int arr[] = { 9, 5, 2, 4, 1, 3, 8, 7 };

    maopaoSort(arr);// 冒泡
    simpleChioce(arr);// 简单选择
    insertSort(arr);// 插入排序
    shellSort(arr);// 希尔排序
    heapSort(arr);// 二叉堆排序

    for (int i = 0; i < arr.length; i++) {
        System.out.print(arr[i] + ",");
    }
}

/**
 * 冒泡
 * 平方阶圈复杂
 * 
 * 1.迭代数组长度的次数<br>
 * 2.选择每次迭代的记录对应,与数组中其它每一个记录进行大小对比<br>
 *   如果前面的大于后面的则交换位置
 * 
 * @param array
 */
public static void maopaoSort(int[] arr) {
    for (int i = 0; i < arr.length; i++) {
        for (int j = 0; j < arr.length - i - 1; j++) {
            if (arr[j] > arr[j + 1]) {
                swap(arr, j, j + 1);
            }
        }
    }
}

/**
 * 交换位置
 * 
 * @param arr
 * @param x
 * @param y
 */
private static void swap(int[] arr, int x, int y) {
    int temp = arr[x];
    arr[x] = arr[y];
    arr[y] = temp;
}

/**
 * 简单选择排序
 * 
 * @param arr
 */
private static void simpleChioce(int[] arr) {
    int temp = 0;
    int min = 0;
    for (int i = 0; i < arr.length - 1; i++) {
        min = i;

        // 寻找最小数值的下标
        for (int j = i + 1; j < arr.length; j++) {
            if (arr[min] > arr[j])
                min = j;
        }

        // 将arr[i]与最小数值交换,如果最小数值就是arr[i]则不操作
        if (min != i) {
            temp = arr[min];
            arr[min] = arr[i];
            arr[i] = temp;
        }
    }
}

/**
 * 插入排序
 * 
 * @param arr
 */
public static void insertSort(int[] arr) {
    int temp;
    int j = 0;
    for (int i = 1; i < arr.length; i++) {
        // 此处的判断很重要,这里体现了插入排序比冒泡排序和选择排序快的原因。
        if (arr[i] < arr[i - 1]) {
            temp = arr[i];
            // 如果后面一位小于前面一位数字,则交换位置
            for (j = i - 1; j >= 0 && temp < arr[j]; j--) {
                arr[j + 1] = arr[j];
            }
            // 将数据插入到j+1位置
            arr[j + 1] = temp;
            // System.out.print("第" + (i) + "次:");
            // for (int k = 0; k < arr.length; k++) {
            // System.out.print(arr[k] + ",");
            // }
            // System.out.println("");
        }
    }
}

/**
 * 希尔排序
 * 
 * @param arr
 */
private static void shellSort(int[] arr) {
    double d1 = arr.length;
    int temp = 0;
    while (true) {

        d1 = Math.ceil(d1 / 2);

        int d = (int) d1;

        for (int x = 0; x < d; x++) {

            for (int i = x + d; i < arr.length; i += d) {
                int j = i - d;
                temp = arr[i];
                for (; j >= 0 && temp < arr[j]; j -= d) {
                    arr[j + d] = arr[j];
                }

                arr[j + d] = temp;
            }

        }
        if (d == 1) {
            break;
        }
        // for (int i = 0; i < arr.length; i++) {
        // System.out.print(arr[i] +" ");
        // }
    }
}

/**
 * 二叉堆排序
 * 
 * @param arr  
 * [9, 5, 2, 4, 1, 3, 8, 7] 
 * 
 */
public static void heapSort(int[] arr) {
    buildHeap(arr);// 构建堆 
    int n = arr.length;
    int i = 0;
    for (i = n - 1; i >= 1; i--) {
        swap(arr, 0, i);
        heapify(arr, 0, i);
    }
}

public static void buildHeap(int[] arr) {
    int n = arr.length;// 数组中元素的个数
    for (int i = n / 2 - 1; i >= 0; i--)
        heapify(arr, i, n);

}

public static void heapify(int[] A, int idx, int max) {
    int left = 2 * idx + 1;// 左孩子的下标(如果存在的话)
    int right = 2 * idx + 2;// 右孩子的下标(如果存在的话)
    int largest = 0;// 寻找3个节点中最大值节点的下标
    if (left < max && A[left] > A[idx])
        largest = left;
    else
        largest = idx;
    if (right < max && A[right] > A[largest])
        largest = right;
    if (largest != idx) {
        swap(A, largest, idx);
        heapify(A, largest, max);
    }

}

}
(Kriging_NSGA2)克里金模型结合多目标遗传算法求最优因变量及对应的最佳自变量组合研究(Matlab代码实现)内容概要:本文介绍了克里金模型(Kriging)与多目标遗传算法NSGA-II相结合的方法,用于求解最优因变量及其对应的最佳自变量组合,并提供了完整的Matlab代码实现。该方法首先利用克里金模型构建高精度的代理模型,逼近复杂的非线性系统响应,减少计算成本;随后结合NSGA-II算法进行多目标优化,搜索帕累托前沿解集,从而获得多个最优折衷方案。文中详细阐述了代理模型构建、算法集成流程及参数设置,适用于工程设计、参数反演等复杂优化问题。此外,文档还展示了该方法在SCI一区论文中的复现应用,体现了其科学性与实用性。; 适合人群:具备一定Matlab编程基础,熟悉优化算法和数值建模的研究生、科研人员及工程技术人员,尤其适合从事仿真优化、实验设计、代理模型研究的相关领域工作者。; 使用场景及目标:①解决高计算成本的多目标优化问题,通过代理模型降低仿真次数;②在无法解析求导或函数高度非线性的情况下寻找最优变量组合;③复现SCI高水平论文中的优化方法,提升科研可信度与效率;④应用于工程设计、能源系统调度、智能制造等需参数优化的实际场景。; 阅读建议:建议读者结合提供的Matlab代码逐段理解算法实现过程,重点关注克里金模型的构建步骤与NSGA-II的集成方式,建议自行调整测试函数或实际案例验证算法性能,并配合YALMIP等工具包扩展优化求解能力。
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