数据结构与算法笔记2

本文深入探讨了数组这一数据结构的特性,包括其线性表性质、连续内存存储方式及随机访问能力。同时,详细分析了数组在插入、删除操作上的时间复杂度,以及与容器如vector在空间申请、占用和访问效率上的区别。

数组

数组是一种线性表的数据结构,他用的是一组连续的内存空间来存储一组具有相同类型的数据。
定义中的线性表就是数据排列的像是一条线一样的结构每个线性表上的数据就最多有前和后两个方向,链表、队列、栈等也是线性表结构。而非线性结构常见的有二叉树,堆、图等他们里边存储的数据之间的关系不是简单的前后关系
连续的内存空间和相同类型的数据就使得数组可以实现随机访问,但是相对的对数组进行插入和删除操作就比较低效,有时候需要进行大量的平移数据。数组进行查找时,如果是根据下标进行查找的话,那他的时间复杂度是O(1),如果是根据元素值查找的话,就一般的没有排序的数组,通过二分法查找的时间复杂度是O(logn)。
向已有数组插入给定元素(无序数组)
这种情况的平均时间复杂度是O(n),在每个位置上插入数据的概率相同,在不同位置需要移动元素的次数为1,2…n
删除数组中的某个元素
删除操作的平均时间复杂度也是O(n)
在特殊情况下:在使用数组的过程中,并不是非要追求数据的连续性,这个时候就可以将删除操作集中在一起进行,删除的效率就会提高在删除的时候并不是真正的把数据删除了,而是把此数据记录为被删除,在数组没有更多的储存空间的时候再一次性的把需要删除的元素删除(JVM).
数组访问越界问题
就是指在使用数组元素的时候下标的大小不能够大于等于数组的长度,虽然编译器可以通过,但是里边存的数并不会是想要的数,这样查错就很困难。
容器与数组
定义时:
数组必须要指定大小,
容器不必指定大小,可以动态的改变大小
存储方式:
数组的内存地址是连续的,申请的内存地址必须是连在一起的,数组为每个元素申请的空间大小是相同的、
vector的存储空间也是连续的
空间利用率:
数组在定义的时候指定了空间的大小,不能够改变,除非申请一个更大的内存空间把之前所有元素拿过来再复制一遍然后就有了比原来多了的存储位置,一般在数组定义、初始化之后是完全利用起来的;
vector的长度是可以改变的,用户可以根据自己的需求进行插入或者删除操作,标准库会为vector提供备用的空间,空间利用率不是很高。
空间申请和占用:
数组的空间大小是元素个数乘数据类型长度
vector在确定元素个数的时候,其实还是有一部分的备用空间来保证容器能够动态增长的。在备用空间不够的情况下会重新申请内存,这个内存是原来空间大小的二倍,然后会把之前的数据复制过来,然后再释放掉原来的内存。
访问效率:
访问数组元素时,可以根据下标直接访问相应位置的元素
访问vector中的元素可以用at函数at(4)就是访问第5个元素。

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念分析方法;②掌握利用Simulink进行电力系统建模仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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