100天iOS数据结构与算法实战 Day09 – iOS中数组的算法分析

iOS中数组的优化与高效使用

前言

由于我们之前的栈以及后面的队列都是用数组实现的。所以我们了解下数组对于了解数据结构很有帮助。

C语言的世界里由于数组内存是连续的所以,所以删除和添加元素的时候会memmove内存的元素,如下所示。交流群昵称:ios-Swift/Object C开发上架
交流群号: 869685378   找ios马甲包开发者合作,有兴趣请添加Q 51259559

添加

删除

总结:如果元素很多,移动效率会很低。

iOS中数组是怎么优化的呢?

iOS数组中为了优化上述问题采用了,circular buffer的数据结构来解决。

在头部删除

在头部添加

总结:在两端插入和删除都很快

在中间删除

总结:在中间插入或者删除尝试移动最小的内存量,因此它将最多移动一半的元素。

访问数组中的元素第一种情况

offset是2,size是5。我们获取数组index 0 的元素,所以要获取元素的offset等于2+0。由于size 5 ,大于获取元素的offset 2 。所以这时候数组index 0 的元素就是list[2],也就是如图offset所指的元素。

访问数组中的元素第二种情况

获取数组index 0 的元素,这时候获取的元素的offset等于4+0,则就是如图所示offset指向的元素。如果获取数组index 2 的元素,这时候获取的元素的offset等于4+2=6,但是6>size(5),所以需要减去size也就是(4+2)- 5=1,也就是如图offset1指向的元素。

总结所以获取数组元素的效率也是很高的。

数组的容量问题

  •  

    我们尽量在刚开始能预估容量大小,以防止频繁的扩容造成的效率问题。

     

  •  

    一旦有大量元素存在,然后你又删除的所剩无几,数组空间不会自动减小,需要你自己清除空间,这个技巧我们在栈中使用过。

     

结合数组API来分析

addObject

如果当前容量很充足,我们添加元素到数组是O(1)的操作。如果此时正好容量用完,需要扩充容量,这时候需要创建新的容器并copy过去,这时候是O(n)。

insertObject

如果在头尾两处插入,在容量充足情况下效率最高O(1)的操作。但是如果在中间插入则需要移动最多一半的元素,这时候是O(n)的操作。

removeLastObject

在尾部或者头部删除是O(1)操作。

removeObjectAtIndex

但是如果在中间删除则需要移动最多一半的元素,这时候是O(n)的操作。

initWithCapacity

上面已经介绍如果能提前预估容量可以有效避免扩容造成的性能问题。

这个扩容的过程是创建一个新的容器分配更大的空间,然后把旧的容器的元素们copy进来。这个扩容发生是恒定的时间,随着容量的变大,发生的次数会越来越少。

推荐阅读

 

 

GitHubDemo地址

 

  • 100天iOS数据结构与算法实战 Day01

  • 100天iOS数据结构与算法实战 Day02 – 栈

  • 100天iOS数据结构与算法实战 Day03 – 栈的算法实战 Valid Parentheses

  • 100天iOS数据结构与算法实战 Day04 – 栈的算法实战 逆波兰表示法

  • 100天iOS数据结构与算法实战 Day05 – 栈的算法实战 Evaluate Reverse Polish Nota

  • 100天iOS数据结构与算法实战 Day06 – 栈的算法实战 Simplify Path

  • 100天iOS数据结构与算法实战 Day07 – 栈的算法实战 Min Stack

100天iOS数据结构与算法实战 Day08 – 栈的算法实战 TrappingRainWater

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)在特征提方面的优势长短期记忆网络(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、参优化机制及实际预测效果分析,突出其在科研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、环境据预测等;②学习如何将CNN-LSTM模型贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建超参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混合神经网络结构的设计逻辑,通过调整据集和参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