数据结构排序算法_选择排序算法学习

【数据结构排序算法篇】----选择排序【实战演练】 前面我们已经学习了较为简单的冒泡排序,相信大家对排序也有了新的认识,今天我们就来谈谈选择排序,通过对选择排序的讲解,搭配各种实战题目,来加强大家对排序算法新的认识,也希望同学们可以看完讲解后先将题目做一做。选择排序是一种简单直观的比较排序算法。它的基本思想是:首先通过比较找出最小(或最大)元素,然后将它和数组的第一个元素交换。接下来,再从剩下的元素中找出最小(或最大)的元素,再与数组的第二个元素交换。如此继续,直到整个数组排序完成。 阅读详情
class SortDemo
{
    /*
    选择排序
    每一趟从待排序的数据元素中选出最小(或最大)的一个元素,
    顺序放在已排好序的数列的最后,直到全部待排序的数据元素
    排完。 选择排序是不稳定的排序方法。
    */


    public static void main(String[] args)
    {
        System.out.println("Hello World!");

        int [] a=new int[]{1,2,33,22,111,123,23,12,21};
        select_sort(a,9);
        for(int i=0;i< 9;i++){
            System.out.print(a[i]+"\t");
        }
    }

    /*
    通俗的解释:
        对比数组中前一个元素跟后一个元素的大小,如果后面的元素比
    前面的元素小则用一个变量j来记住他的位置,接着第二次比较,
    前面“后一个元素”现变成了“前一个元素”,继续跟他的“后
    一个元素”进行比较如果后面的元素比他要小则用变量j记住它
    在数组中的位置(下标),等到循环结束的时候,我们应该找到了
    最小的那个数的下标了,然后进行判断,如果这个元素的下标不
    是第一个元素的下标,就让第一个元素跟他交换一下值,这样就
    找到整个数组中最小的数了。然后找到数组中第二小的数,让他
    跟数组中第二个元素交换一下值,以此类推。*/
    //选择排序
    public static void select_sort(int[] a,int n){
        int j=0;
        for(int i=0;i< n-1;i++){
            j=i;//临时变量 不能改变i i确保指针访问每一数据元素
            for(int k=j;k< n ;k++){//循环选择比较 选择出最小或者最大的数
                if(a[k]<a[j]){j=k;}//记录下标
            }
            if(j!=i){
                int temp = a[j];
                    a[j] = a[i];
                    a[i] = temp;
            }
        }
    }

    
}

实战指南 | 利用TSMaster的C小程序实时监控DBC报文发送周期 本文提供了一份利用TSMaster的C小程序实时监控DBC报文发送周期的实战指南。通过创建用户变量、编写C小程序核心逻辑并关联图形模块,工程师可以直观地可视化关键报文(如ID 0x64)的发送间隔,从而快速发现周期异常,提升汽车电子开发和测试中总线问题定位的效率与实时性。 阅读详情

相关推荐

Halcon深度学习实战:基于异常值检测的工业缺陷精准识别方案

本文详细介绍了Halcon深度学习中的异常值检测技术在工业缺陷识别中的应用。该方法仅需少量正常样本即可训练,能有效应对未知、多变的缺陷类型,显著降低项目启动门槛。文章提供了从数据准备、模型训练、参数调优到产线部署的完整实战指南,并分享了关键的性能优化与避坑经验。

weixin_29042035的博客 243

数据结构-排序基础代码

数据结构-排序基础代码

IT1995的博客 5655

Windows 10错误代码解析与系统故障排除指南

操作系统错误代码是系统运行状态的直接反馈,Windows系统通过特定编码机制将故障信息转化为可识别的错误代码。从技术原理看,这些代码通常对应特定的异常处理流程,包括内存管理、驱动兼容性、文件系统等核心模块。理解错误代码对于系统维护具有重要价值,能快速定位问题根源,提高故障排除效率。在实际应用场景中,蓝屏错误(如0x0000007B)、系统升级失败(如0x80070002)和启动故障是最常见的三类问题。通过分析dump文件、使用WinDbg工具和系统内置诊断功能,可以有效解决大部分系统异常。特别是对于蓝屏错误

weixin_30516429的博客 299

【数据结构】排序算法总结及代码实现

我们通常说的排序算法指的是内部排序算法,即数据在内存中进行排序。 首先先来看一下我们学过的排序都有什么? 排序可以大的方面分为比较排序和非比较排序? 比较排序有: 1、冒泡排序 2、选择排序 3、插入排序 (1)二分插入排序 (2)希尔排序 4、归并排序 5、堆排序 6、快速排序 非比较排序有: 1、计数排序 2、基数排序 3、桶排序 我们先对各种排序进行对比: ...

如风逝去 1万+

Coze智能体网页集成实战:从零搭建免登录AI助手

本文详细介绍了如何利用Coze Chat SDK从零开始为网站集成免登录AI助手。通过获取访问令牌和智能体ID,仅需几行JavaScript代码即可将功能完整的对话窗口嵌入网页,实现开箱即用的智能交互。文章重点讲解了核心部署步骤、会话隔离方案以及UI深度定制方法,帮助开发者快速打造贴合品牌、提升用户体验的网页AI助手。

gold8的专栏 558

上下文理解的AI增强方案:AI应用架构师的架构洞察

本文将从AI应用架构师的视角,深入探讨“上下文理解”的技术本质、核心挑战,以及一套可落地的上下文增强架构方案。我们会拆解上下文理解的底层需求,分析架构设计中的关键决策,并通过具体案例展示如何构建一个能“记住过去、理解现在、预测未来”的AI系统。三个维度:上下文的内容范围(短期/中期/长期)、数据类型(文本/结构化/多模态)、技术挑战(窗口限制/信息过载/跨会话一致性);三种架构模式:分层上下文存储(热/冷数据分离)、上下文路由(按需筛选)、动态压缩(适配模型窗口);四个关键组件。

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 220

数据结构学习——07—排序算法(递归、冒泡、选择排序)

分析排序算法的考虑因素: 1、排序算法的执行效率 时间复杂度 比较次数和交换(或移动)次数 2、排序算法的内存消耗 原地排序算法,就是特指空间复杂度是 O(1) 的排序算法 3、排序算法的稳定性 待排序的序列中存在值相等的元素,经过排序之后,相等元素之间原有的先后顺序不变。 一、递归 使用递归算法解决问题需要满足以下的条件 一个问题的解可以分解为几个子问题的解 这个问题分解之后的子问题,除了...

weixin_42118531的博客 474

手把手教你用OpenClaw+飞书打造论文写作AI助手(附踩坑实录)

面对几十篇文献,逐一阅读摘要都费时。我:“请提取桌面‘论文参考文献’文件夹中所有PDF的摘要,整理成表格,包含:论文标题、作者、发表年份、核心方法、主要结论。AI助手:“正在处理...已提取18篇论文摘要,汇总表格已保存到桌面‘文献摘要汇总.xlsx’。这比我自己一个个打开PDF复制粘贴快了不止100倍。OpenClaw+飞书的组合,让AI真正成为了我的“数字员工”。虽然配置过程有些曲折,但看到它在飞书里回应指令、帮我处理繁琐工作时,那种成就感无可替代。如果你也在准备论文,不妨试试这套方案。记住,

AcademicIdeas的博客 1042

数据结构与算法学习笔记——排序算法(二):选择排序

1、介绍 选择排序(select sorting)属于内部排序法,是从欲排序的数据中,按指定的规则选出某一元素,再依规定交换位置后达到排序的目的。 2、算法分析 第一次从 arr[0]~arr[n-1]中选取最小值, arr[0]交换; 第二次从 arr[1]~arr[n-1]中选取最小值,与 arr[1]交换; 第三次从 arr[2]~arr[n-1]中选取最小值,与 arr[2] 交换; 第 i 次从 arr[i-1]~arr[n-1]中选取最小值,与 arr[i-1]交换; 第 n-1

最初的模样 308

UFS软件分区介绍

本文主要介绍了ufs软件分区管理的概况,能够使大家对软件分区有个大体的认识

肥匪斐's blogs 1万+

2025年新发表的语音大模型全双工模型/框架/技术

参考该论文,给出2025年新发表的全双工模型或框架或技术下面这份清单专挑、且与“全双工语音对话/同步对话(边听边说、可打断、回馈/相槌、重叠语音)”直接相关的。我也结合你提到的的四大维度(暂停处理、相槌、顺滑换手、打断管理)来点出它们各自的贡献点,便于后续评测与对比。

u013250861的博客 631

数据结构和算法学习第七节 排序算法 二 冒泡与排序选择排序

冒泡与排序选择排序冒泡排序概述冒泡排序思路分析代码实现选择排序概述思路分析代码实现 冒泡排序 概述     冒泡排序(Bubble Sort):是一种较简单的排序算法。通过对需要排序的序列,从前到后(从下标较小的元素开始),一次比较相邻元素的值,如果发现逆序则进行交换,比如升序排序:使较大的元素逐渐向后排序。     也可以进行优化->因为排序的过程中,各个元素不断的接近自己的位置,如果一趟比较下来没有进行过交换,就说明序列是有序的,因此要在排序过程中设置一个标志(比如flag)判断元素是否进行过交换

瑾年的博客 231

高通GAIA V3命令参考手册的研读学习(15):自定制命令的详细工作描述

里的示例一样,手机APP发出这个GetManuFacturer的命令发0x0000,那么耳机回复:0x8000, 同时在回复的playload部分,用最多15个字节的ACSII码来表达制造商信息(因此最多15个字母)。那么这个APP在通过GAIA协议控制这个耳机时,不仅可以通过前面讲过的vendor ID来识别,也可以更进一步通过这个命令来识别这个耳机,到底是不是本公司的。通过这个可变长度的playload,真的是可以传达极多的事先约定的信息,相当的灵活,真是不错!这个命令用来得到设备的制造商信息。

qq_37191547的博客 399

数据结构与算法学习笔记六 --- 选择排序算法

选择排序算法(select sort) 选择排序算法原理:首先在未排序的序列中找到最大或最小值,将它存放在起始位置,然后再从剩余未排序序列元素中继续寻找最大或最小值,将找的最大或最小值存放在已排序的序列尾部。以此类推,直到所有的元素均排序完毕。 选择排序算法的python实现 代码如下: def select_sort(alist): """选择排序""" # 外循环总轮数 ...

Hajo 185

TMS_WebGMaps_1.9.8.0_Full_Source

TMS_WebGMaps_1.9.8.0_Full_Source 全源码 delphi cbuilder

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

Scratch排序算法资源包:开启算法学习的新篇章

Scratch排序算法资源包:开启算法学习的新篇章 去发现同类优质开源项目:https://gitcode.com/ Scratch排序算法资源包介绍 本项目为初学者提供了两个经典排序算法——冒泡排序和选择排序的Scratch实现。它不仅易于上手,还包含详尽的教程,是学习数据结构和排序算法的理想起点。 项目介绍 在编程和算法学习的领域中,排序算法始终是一个重要话题。Scratch排序算法资源包正是...

gitblog_06793的博客 885

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

数据结构与算法学习⑩(排序算法 冒泡,插入,选择,归并,快速,堆排序,桶排序,计数排序)

数据结构与算法学习⑩(排序算法数据结构与算法学习⑩排序算法(重要性)评判排序算法好坏的标准1:时间复杂度2:空间复杂度3:算法稳定性冒泡排序 数据结构与算法学习⑩ 排序算法(重要性) 在这一章节中我们要来学习排序算法,这对绝大部分从事软件行业的人来说都不陌生,可能你接触的第一个跟算法相关的东西就是排序,在很多的编程语言中都提供了排序的API可直接使用,在日常的软 件研发过程中我们也经常使用到排序,当然了排序的算法有很多,甚至有些排序算法我们都没听过,在 我们本章节的课程中只讲其中最经典最常用的排序算法:冒泡

m0_46690280的博客 719

个人数据结构与算法学习总结-排序算法(冒泡、选择、插入、希尔、快速、归并、基数、堆排序)

排序算法 本总结主要是以“尚硅谷Java算法教程”的学习教程为主,加上一些个人的理解 目录排序算法算法的时间复杂度说明冒泡排序 排序算法(Sort Algorithm),是将一组数据,依指定的顺序进行排列 的过程。 排序的分类: 1) 内部排序: 指将需要处理的所有数据都加载到内部存储器中进行排序。 2) 外部排序法: 数据量过大,无法全部加载到内存中,需要借助外部存储进行 排序。 3) 常见的排序算法分类(见下图): 4)常见的算法时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nl

qq_39084191的博客 583

OC学习之道:数据结构中几种常见的排序算法:选择排序,插入排序.快速排序

// Copyright (c) 2015年 童星. All rights reserved. #import @interface SortArray : NSObject{ } #pragma mark---选择排序 -(void)selectSortWithArray:(NSArray *)aData; #pragma mark---插入排序 -

朝夕 1059

【数据结构】八大排序之简单选择排序算法

数据结构基本选择排序算法之简单选择排序详解.内容包括:简单选择排序的简介及实现思路,代码实现,优化,算法的时间复杂度分析.

C/C++领域,数据结构,linux,MySQl学习者 3087

7月12日Python数据结构与算法学习笔记——排序算法的稳定性、冒泡排序、选择排序、插入排序

本文为7月12日Python数据结构与算法学习笔记,分为四个章节: - 排序算法的稳定性; - 冒泡排序(Bubble Sort); - 选择排序(Selection Sort); - 插入排序(Insertion Sort)。

Ashen_0nee的博客 425

选择排序算法实现(C语言)

从新开始学习算法和数据结构,写个选择排序算法,水文一篇。 #include <stdlib.h> #include <stdio.h> void select_sort(int a[], int n) { for(int i=0; i < n-1; i++) { int j = i; int min = a[...

weixin_30508241的博客 69

C#算法(二)选择排序

本人用了C#开发出选择排序算法。希望能为C#语言的学习者带来一些益处。不要忘了,学语言要花大力气学数据结构和算法。

biyusr的专栏 380

来看看!是不是你小学二年级就学过的排序算法!

结尾有福利!!扫码进群领会员付费课程免费学数据结构与算法之经典排序算法准备好了吗?一起来学习吧!冒泡排序冒泡排序(Bubble Sort)是基于交换的排序,它重复走过需要排序的元素,依...

实验楼 331

JAVA 数据结构之排序算法(一)

最近在补习数据结构方面的内容,作为一个计算机专业人士,我们还是很有必要把数据结构学习好,特别是当自己很迷茫时,都不知道自己的提升空间在哪里,总是止步不前。还有就是作为web开发人员,感觉自己老是在html/css/js/ajax/struts等等徘徊时,做来做去总是这些重复性的东西。这个时候我们要提升自己的话,可以从多个方面去探讨。 一:项目管理 二:高级程序员 三:系统架构师 对于刚...

技术在于积累 135

学习数据结构笔记(6)====>八大排序算法(Sort Algorithm)[冒泡,选择,插入,快速,希尔,基数,归并,堆排序]

学习来源–>传送门–>尚硅谷Java数据结构与java算法(Java数据结构与算法) 排序: 把一组数据,依指定顺序进行排列的过程. ml1.时间复杂度概述时间频度时间复杂度 1.时间复杂度概述 时间频度 时间频度(T(n)) 算法中语句的执行次数 案例 时间频度为 (n+1); 这里的n就是100; 加1是因为最后在循环时还要再判断一次; public class Demo01 { public static void main(String[] args) {

从零开始的异世界JAVA学习 242

【数据结构基础整理】排序--01:三种简单排序算法

选择排序,冒泡排序,插入排序 0x01.排序所用到的顺序表和交换函数 #define MAXSIZE 50 typedef struct { int r[MAXSIZE + 1];//0号下标一般不存储真实数据 int length;//表长 }SqList; void swap(SqList* L, int i, int j) { int temp = L->r[i];...

ATFWUS的博客 720

备战考研时对于排序算法规律和考点的总结,复习数据结构又扒了出来

下面的整理时我自己觉得这样记成口诀比较容易记,整理不易,希望对您有用,如果转发请注明出处。

qq_35293120的博客 256
上一篇: 数据结构_数据结构与算法01
下一篇: 数据结构_数据结构与算法02
linuxMinx
博客等级 码龄15年 195粉丝 79原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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