每日一题(55) - 最小的k个数

本文介绍了一种求解数组中最小的K个数的方法,通过构建一个容量为K的大根堆来实现。文章提供了两种实现方式:一是利用STL中的堆操作简化代码;二是完全手写堆的操作过程,包括插入、调整和排序等关键步骤,并将堆的功能封装到类中。

题目来自剑指Offer

题目


思路:求最的k个数,建立一个容量为k的根堆。插入元素时,堆不满直接插入,堆满且数小插入

使用堆的原因:适用于海量数据。使用堆不用把海量数据一次性放入内存,也不用打乱源数据的顺序。

代码:借助STL的堆

#include <iostream>
#include <algorithm>
#include <vector>
#include <assert.h>
using namespace std;

void OutPut(vector<int>& Heap)
{
	vector<int>::iterator itCur = Heap.begin();
	while(itCur != Heap.end())
	{
		cout<<*itCur<<" ";
		itCur++;
	}
}

void FindTopKMin(int nArr[],int nLen,int nTopK)
{
	assert(nLen > 0 && nLen >= nTopK);
	vector<int> Heap(nArr,nArr + nTopK);
	make_heap(Heap.begin(),Heap.end());//默认为大根堆
	//TopK比较
	for (int i = nTopK;i < nLen;i++)
	{
		if (nArr[i] < Heap[0])
		{
			Heap[0] = nArr[i];
			make_heap(Heap.begin(),Heap.end());
		}
	}
	//输出结果
	sort_heap(Heap.begin(),Heap.end());
	OutPut(Heap);
	
}


int main()
{
	int nTopK = 8;
	int nLen = 10;
	int nArr[10] = {1,3,8,5,3,20,15,9,20,18};
	FindTopKMin(nArr,nLen,nTopK);
	system("pause");
	return 1;
}
代码:自己手写堆

#include <iostream>
#include <assert.h>
using namespace std;

const int TOP_K = 8; 

int nMaxSize = TOP_K;
int nCurSize = 0;
int arrHeap[TOP_K + 1];

void Adjust(int nPos)
{
	assert(nPos > 0);
	int nData = arrHeap[nPos];
	int nParentPos = nPos;
	int nChildPos = nPos << 1;
	while(nChildPos <= nCurSize)
	{
		if (nChildPos < nCurSize && arrHeap[nChildPos] < arrHeap[nChildPos + 1])
		{
			nChildPos++;
		}

		if (nData < arrHeap[nChildPos])
		{
			arrHeap[nParentPos] = arrHeap[nChildPos];
			nParentPos = nChildPos;
			nChildPos <<= 1;
		}
		else
		{
			break;
		}
	}
	assert(nParentPos > 0 && nParentPos <= nCurSize);
	arrHeap[nParentPos] = nData;
}

void Insert(int nPos,int nData)
{
	arrHeap[0] = nData;
	int nChildPos = nCurSize;
	int nParentPos = nChildPos >> 1;
	while(arrHeap[nParentPos] < nData)
	{
		arrHeap[nChildPos] = arrHeap[nParentPos];
		nChildPos = nParentPos;
		nParentPos = nParentPos >> 1;
	}
	arrHeap[nChildPos] = nData;
}

void Insert(int nData)
{
	assert(nCurSize >= 0);
	
	if (nCurSize < nMaxSize)
	{
		++nCurSize;
		Insert(nCurSize,nData);
	}
	else
	{
		assert(nCurSize == nMaxSize);
		if (arrHeap[1] > nData) //比最大值小,则插入堆
		{
			arrHeap[1] = nData;
			Adjust(1);
		}
	}
}

void Sort()
{
	assert(nCurSize > 0);
	while(nCurSize > 0)
	{
		cout<<arrHeap[1]<<" ";
		
		arrHeap[1] = arrHeap[nCurSize];
		Adjust(1);
		nCurSize--;
	}
}


int main()
{
	int nArr[10] = {1,3,8,5,3,20,15,9,20,18};
	for (int nCur = 0;nCur < 10;nCur++)
	{
		Insert(nArr[nCur]);
	}
	cout<<"元素输出:"<<endl;
	Sort();
	cout<<endl;

	system("pause");
	return 1;
}

把堆封装成类:

#include <iostream>
#include <assert.h>
using namespace std;

const int TOP_K = 8; 

class CTopKMin
{
public:
	CTopKMin(int nMaxSize = TOP_K);
	void Init();
	void Insert(int nData);
	bool IsMax();
	void Sort();
	void Output();
private:
	void Adjust(int nPos);
	void Insert(int nPos,int nData);
private:
	int* m_pHeap;
	int m_nCurSize;
	int m_nMaxSize;
};

CTopKMin::CTopKMin(int nMaxSize)
{
	m_nCurSize = 0;
	m_nMaxSize = nMaxSize;
	m_pHeap = new int[m_nMaxSize + 1];
	assert(m_nMaxSize > 0);
}

void CTopKMin::Init()
{
	m_nCurSize = 0;
}

void CTopKMin::Insert(int nData)
{
	assert(m_nCurSize >= 0);
	
	if (m_nCurSize < m_nMaxSize)
	{
		++m_nCurSize;
		Insert(m_nCurSize,nData);
	}
	else
	{
		assert(m_nCurSize == m_nMaxSize);
		if (m_pHeap[1] > nData) //比最大值小,则插入堆
		{
			m_pHeap[1] = nData;
			Adjust(1);
		}
	}
}

void CTopKMin::Insert(int nPos,int nData)
{
	m_pHeap[0] = nData;
	int nChildPos = m_nCurSize;
	int nParentPos = nChildPos >> 1;
	while(m_pHeap[nParentPos] < nData)
	{
		m_pHeap[nChildPos] = m_pHeap[nParentPos];
		nChildPos = nParentPos;
		nParentPos = nParentPos >> 1;
	}
	m_pHeap[nChildPos] = nData;
}

void CTopKMin::Adjust(int nPos)
{
	assert(nPos > 0);
	int nData = m_pHeap[nPos];
	int nParentPos = nPos;
	int nChildPos = nPos << 1;
	while(nChildPos <= m_nCurSize)
	{
		if (nChildPos < m_nCurSize && m_pHeap[nChildPos] < m_pHeap[nChildPos + 1])
		{
			nChildPos++;
		}

		if (nData < m_pHeap[nChildPos])
		{
			m_pHeap[nParentPos] = m_pHeap[nChildPos];
			nParentPos = nChildPos;
			nChildPos <<= 1;
		}
		else
		{
			break;
		}
	}
	assert(nParentPos > 0 && nParentPos <= m_nCurSize);
	m_pHeap[nParentPos] = nData;
}

bool CTopKMin::IsMax()
{
	assert(m_nCurSize > 0);
	int nChildPos = m_nCurSize;
	int nParentPos = m_nCurSize >> 1;
	while(nChildPos > 1 && m_pHeap[nChildPos] <= m_pHeap[nParentPos])
	{
		nChildPos--;
		nParentPos = nChildPos >> 1;
	}
	if (nChildPos == 1)
	{
		return true;
	}
	else
	{
		return false;
	}

};

void CTopKMin::Sort()
{
	assert(m_nCurSize > 0);
	while(m_nCurSize > 0)
	{
		cout<<m_pHeap[1]<<" ";
		
		m_pHeap[1] = m_pHeap[m_nCurSize];
		Adjust(1);
		m_nCurSize--;
	}
}

void CTopKMin::Output()
{
	for (int nCur = 1;nCur <= m_nCurSize;nCur++)
	{
		cout<<m_pHeap[nCur]<<" ";
	}
	cout<<endl;
}

int main()
{
	int nArr[10] = {1,3,8,5,3,20,15,9,20,18};
	CTopKMin topKMin;
	for (int nCur = 0;nCur < 10;nCur++)
	{
		topKMin.Insert(nArr[nCur]);
		topKMin.Output();
	}


	if (topKMin.IsMax())
	{
		cout<<"大顶堆!"<<endl;
	}
	else
	{
		cout<<"不是大顶堆!"<<endl;
	}
	cout<<"元素输出:"<<endl;
	topKMin.Sort();
	cout<<endl;

	system("pause");
	return 1;
}


【直流微电网】径向直流微电网的状态空间建模与线性化:一种耦合DC-DC变换器状态空间平均模型的方法 (Matlab代码实现)内容概要:本文介绍了径向直流微电网的状态空间建模与线性化方法,重点提出了一种基于耦合DC-DC变换器状态空间平均模型的建模策略。该方法通过对系统中多个相互耦合的DC-DC变换器进行统一建模,构建出整个微电网的集中状态空间模型,并在此基础上实施线性化处理,便于后续的小信号分析与稳定性研究。文中详细阐述了建模过程中的关键步骤,包括电路拓扑分析、状态变量选取、平均化处理以及雅可比矩阵的推导,最终通过Matlab代码实现模型仿真验证,展示了该方法在动态响应分析控制器设计中的有效性。; 适合人群:具备电力电子、自动控制理论基础,熟悉Matlab/Simulink仿真工具,从事微电网、新能源系统建模与控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握直流微电网中多变换器系统的统一建模方法;②理解状态空间平均法在非线性电力电子系统中的应用;③实现系统线性化并用于稳定性分析与控制器设计;④通过Matlab代码复现扩展模型,服务于科研仿真与教学实践。; 阅读建议:建议读者结合Matlab代码逐步理解建模流程,重点关注状态变量的选择与平均化处理的数学推导,同时可尝试修改系统参数或拓扑结构以加深对模型通用性适应性的理解。
```python import pulp import numpy as np # 从第一问得到的各城市各类车辆加购后的数量 a = np.array([ [15, 125, 130, 1], [84, 240, 121, 1], [0, 29, 73, 0], [42, 65, 27, 0], [19, 220, 126, 0], [18, 90, 40, 0], [53, 267, 90, 0], [18, 25, 22, 1], [23, 60, 18, 1], [17, 10, 3, 0] ]) # 车辆载客量 capacity = [9, 19, 45, 55] # 每类车的每日最大运行次数 runs = [6, 5, 4, 4] # 客流需求矩阵(来自第一问的结果,这里假设你已经通过第一问得到了 max_x) # 示例数据(替换为你的实际数据) max_x = np.random.rand(10, 10) # 替换为你的实际客流需求矩阵 # 定义城市数量车辆类型数量 n = 10 # 城市数量 m = 4 # 车辆类型数量 # 构建线性规划模型 prob = pulp.LpProblem("Optimal_Bus_Scheduling", pulp.LpMinimize) # 定义决策变量:v[i][j][k] 表示从城市i到城市j的k类车调度数量 v = pulp.LpVariable.dicts("v", (range(n), range(n), range(m)), lowBound=0, cat=pulp.LpInteger) # 定义目标函数:最小化总运行车辆数量(或总成本) prob += pulp.lpSum(v[i][j][k] for i in range(n) for j in range(n) for k in range(m)) # 添加约束条件 # 1. 每条线路的总运输能力必须满足客流需求 for i in range(n): for j in range(n): if max_x[i][j] > 0: prob += pulp.lpSum(v[i][j][k] * capacity[k] * runs[k] for k in range(m)) >= max_x[i][j] # 2. 每个城市调度出去的车辆不能超过其拥有的数量 for i in range(n): for k in range(m): prob += pulp.lpSum(v[i][j][k] + v[j][i][k] for j in range(n)) <= a[i][k] # 3. 自身城市不调度(可选) for i in range(n): for k in range(m): prob += v[i][i][k] == 0 # 求解模型 solver = pulp.PULP_CBC_CMD(msg=False) prob.solve(solver) # 输出调度方案 print("最优调度方案:") for i in range(n): for j in range(n): for k in range(m): count = pulp.value(v[i][j][k]) if count > 0: print(f"从城市{i+1}到城市{j+1} 的{k}类车调度数量: {int(count)}") ```
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