数据结构-线性表

本文详细介绍了线性表的概念及其实现方式,包括数组和链表的不同形式,如单链表、双链表、循环单链表等,并比较了顺序实现与链式实现的区别。

线性表

有限元素组成的序列,这里的元素可以是一个数字,字母,一句话,或者一个对象等等。

实现方式

连续空间顺序实现

数组
ABCD
  • 优点
    1. 支持随机访问,即下标访问
  • 缺点
    1. 存储的数据必须是一种类型

改进:由于存储的数据类型必须相同,为了能够存储不同类型的数据,这里可以将不同类型元素地址取出,任何类型的地址在本质上都是一样类型(32位机器则是4字节整数,64位机器是8字节整数)的数据,所以只要我们标记好这个指针到底是什么类型的指针,后面取出数据时就能正确转换成原来的指针类型即可。
T存储指针类型,P存储数据指针

T1P1T2P2
  • 优点
    1. 能存储任何类型
  • 缺点
    • 多占用2个指针空间(T+P)
    • 取数据时每次都要繁琐的判断类型

压缩列表。可存储不同类型元素
Len 标识数据长度 Data表示存储的实际数据

len1data1len2data2len3data3
  • 优点
    1. 数据紧凑,省内存
    2. 能存储不同类型的数据
  • 缺点
    • 不支持随机访问,通过封装确实能达到同样的效果,但是不是真正的随机访问

非连续空间的链式实现

单链表

data表示数据 PNext表示下一个数据的地址

DataPNext
A
B
C
双链表

data表示数据 PNext表示下一个数据的地址,PPre表示前一个数据的地址

PPreDataPNext
A
B
C
循环单链表
A
B
C
单链表双链表循环单链表
遍历方式单向双向单向
插入/删除修改前驱指针域以及插入节点各1个指针域,需要遍历到插入位置的前一个元素修改前驱节点1个指针域,插入节点两个指针域,后继节点1个指针域修改前驱节点以及插入节点各1个指针域
判空--头尾指针相等
判满--尾指针+1等于头指针

顺序实现跟链式实现对比

顺序实现链式实现
遍历方式可下标遍历,顺序遍历只能顺序遍历
插入/删除需要挪动数据只需要对局部节点指针域进行修改即可
扩容/缩容需要重新分配空间,挪动数据天然支持动态扩容/缩容

特殊线性表

栈(后进先出)

只能对栈顶元素进行操作的线性表,跟汉诺塔每个塔的规则一样,每次只能操作最上面的元素。
栈的实现跟当然也有顺序栈跟链栈。实现方式就是数组跟单链表。

栈

队列(先进先出)

插入数据只能在头部,删除数据只能在尾部操作的一种线性表。跟管道一样,一头写数据,一头读数据。实现方式当然也有顺序队列和链队
队列

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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