LeetCode Search in Rotated Sorted Array II

本文介绍了一种改进的在旋转排序数组中搜索特定值的方法,并详细解释了算法背后的逻辑。此外,还对比了此方法与剑指Offer上寻找旋转数组最小数字问题的不同之处。

Search in Rotated Sorted Array I

  基础上改的,仔细分析发现 

和剑指offer上的寻找旋转数组的最小数字还不一样。那题因为不用另引进一个target,所以判断时更好判断,这题还要考虑target更复杂一点。有一点要注意的是  if (A[i]==A[mid])为什么i = mid + 1; 因为A[i]不等于A[j],所以A[mid]不等于A[j],而所有取值为 非A[i]的值 只能在A[mid+1]到A[j](因为A[i]到A[mid]全相等,这样才能保证数组是旋转的,说白了,就是数组只能有一处上升起或下降,在后面就不能在前面了)

。整个时间复杂度最坏是还是O(N)。平均是O(log(N))。程序如下:

bool bisearch(int *arr,int start,int end,int value)  
{  
	int mid;
	while(start<=end)  
	{  
		if (arr[start]==arr[end])
		{
			if(arr[start]==value)
				return true;
			else
				return false;
		}
		mid = (start + end)>>1;  
		if (arr[mid]==value)  
		{  
			return true;  
		}  
		else  
		{  
			if (arr[mid]>value)  
				end = mid -1;  
			else  
				start = mid + 1;  
		}  
	}  
	return false;  
}  
bool gensearch(int *arr,int start,int end,int value)
{
	for (int i=start;i<=end;i++)
	{
		if(arr[i]==value)
			return true;
	}
	return false;
}
bool search(int A[], int n, int target) {  
	if (A[0]<A[n-1])  
		return bisearch(A,0,n-1,target); 
	if (n==1&&A[0]==target)   
		return true;  
	int i=0,j=n-1;  
	while(i<j)  
	{  
		if(A[i]==target||A[j]==target)  
			return true;
		if (A[i]==A[j])
		{
			return gensearch(A,i+1,j-1,target);
		}
		int mid = (i+j)>>1;  
		if(A[mid]==target)  
			return true;  
		if (A[i]==A[mid])//因为A[i]不等于A[j],所以A[mid]不等于A[j],而所有取值为 非A[i]的值 只能在A[mid+1]到A[j](因为A[i]到A[mid]全相等,这样才能保证数组是旋转的,说白了,就是数组只能有一处上升起或下降,在后面就不能在前面了)
		{
			i = mid + 1;
		}
		else
		{
			if (A[i]<A[mid])  
			{  
				if (target>A[i]&&target<A[mid])  
				{  
					return bisearch(A,i+1,mid-1,target);  
				}  
				else  
					i = mid + 1;  
			}  
			else  
			{  
				if (target>A[mid]&&target<A[i])  
				{  
					i = mid + 1;//  
				}  
				else  
					j = mid - 1;
			}  
		}
		
	}  
	return false;  
}  
剑指offer的旋转数组中的最小数字程序如下:

int MinInOrder(int* numbers, int index1, int index2);

int Min(int* numbers, int length)
{
	if(numbers == NULL || length <= 0)
		throw new std::exception("Invalid parameters");

	int index1 = 0;
	int index2 = length - 1;
	int indexMid = index1;
	while(numbers[index1] >= numbers[index2])
	{
		// 如果index1和index2指向相邻的两个数,
		// 则index1指向第一个递增子数组的最后一个数字,
		// index2指向第二个子数组的第一个数字,也就是数组中的最小数字
		if(index2 - index1 == 1)
		{
			indexMid = index2;
			break;
		}

		// 如果下标为index1、index2和indexMid指向的三个数字相等,
		// 则只能顺序查找
		indexMid = (index1 + index2) / 2;
		if(numbers[index1] == numbers[index2] && numbers[indexMid] == numbers[index1])
			return MinInOrder(numbers, index1, index2);

		// 缩小查找范围
		if(numbers[indexMid] >= numbers[index1])
			index1 = indexMid;
		else if(numbers[indexMid] <= numbers[index2])
			index2 = indexMid;
	}

	return numbers[indexMid];
}

int MinInOrder(int* numbers, int index1, int index2)
{
	int result = numbers[index1];
	for(int i = index1 + 1; i <= index2; ++i)
	{
		if(result > numbers[i])
			result = numbers[i];
	}

	return result;
}

MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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