合并两个排序的链表

本文介绍了一种将两个已排序的链表合并成一个有序链表的方法。提供了递归和非递归两种实现方式,并附带了详细的代码示例。

题目描述
输入两个单调递增的链表,输出两个链表合成后的链表,当然我们需要合成后的链表满足单调不减规则。

解题思路
两种解法:递归和非递归

//递归
	public ListNode merge(ListNode list1,ListNode list2){
		if(list1 == null)
			return list2;
		else if(list2 == null)
			return list1;
		
		ListNode mergeHead = null;
		if(list1.val <= list2.val){
			mergeHead = list1;
			mergeHead.next = merge(list1.next, list2);
		}else{
			mergeHead = list2;
			mergeHead.next = merge(list1, list2.next);
		}
		return mergeHead;
		
	}
	
	//非递归
	public ListNode merge2(ListNode list1,ListNode list2){
		if(list1 == null)
			return list2;
		else if(list2 == null)
			return list1;
		
		ListNode mergeHead = null;
		if(list1.val <= list2.val){
			mergeHead = list1;
			list1 = list1.next;
		}else{
			mergeHead = list2;
			list2 = list2.next;
		}
		
		ListNode cur = mergeHead;
		while(list1 != null && list2 != null){
			if(list1.val <= list2.val){
				cur.next = list1;
				list1 = list1.next;
			}else{
				cur.next = list2;
				list2 = list2.next;
			}
			cur = cur.next;
		}
		
		if(list1 == null)
			cur.next = list2;
		else if(list2 == null)
			cur.next = list1;
		return mergeHead;
	}

参考尾尾部落

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