#大O时间010

Python列表pop性能分析
本文通过Python timeit模块,对比了列表从头部和尾部pop元素的效率,展示了随着列表长度增加,两种操作时间复杂度的差异,前者为O(n),后者为O(1)。

这是一个关于list中pop函数分别从末尾和从中间弹出的大O时间的python示例

import timeit
popzero = timeit.Timer("x.pop(0)",
                "from __main__ import x")
popend = timeit.Timer("x.pop()",
               "from __main__ import x")
print("pop(0)   pop()")
for i in range(1000000,100000001,1000000):
    x = list(range(i))
    pt = popend.timeit(number=1000)
    x = list(range(i))
    pz = popzero.timeit(number=1000)
    print("%.5f, %.5f" %(pz,pt))

这个code中用了几点会有用:

  1. from main import用法:前期并没有定义main函数,应该是一个临时占位的通用函数【有待验证】,通过顺序执行后把x代入前面
  2. 把from main import放在Timer()中是为了让这个计数器不受别的因素的影响
  3. 关于timeit计数器的使用
  4. 通过range(1000000,100000001,1000000),以每100万的增量进行增幅,观察所消耗的时间,这个想法我觉得很有用
  5. pop(0) pop()
    0.99836, 0.00010
    3.52336, 0.00014
    5.32537, 0.00015
    7.09457, 0.00014
    8.82645, 0.00014
    10.60060, 0.00016
    12.42650, 0.00014
    14.17681, 0.00015

    打印后是一个在列表开头和结尾分别弹出元素所需要的时间,分别是O(n),O(1)
    这里写图片描述
【电动汽车充电站有序充电调度的分散式优化】基于蒙特卡诺和拉格朗日的电动汽车优化调度(分时电价调度)(Matlab代码实现)内容概要:本文介绍了基于蒙特卡洛和拉格朗日方法的电动汽车充电站有序充电调度优化方案,重点在于采用分散式优化策略应对分时电价机制下的充电需求管理。通过构建数学模型,结合不确定性因素如用户充电行为和电网负荷波动,利用蒙特卡洛模拟生成量场景,并运用拉格朗日松弛法对复杂问题进行分解求解,从而实现全局最优或近似最优的充电调度计划。该方法有效降低了电网峰值负荷压力,提升了充电站运营效率与经济效益,同时兼顾用户充电便利性。 适合人群:具备一定电力系统、优化算法和Matlab编程基础的高校研究生、科研人员及从事智能电网、电动汽车相关领域的工程技术人员。 使用场景及目标:①应用于电动汽车充电站的日常运营管理,优化充电负荷分布;②服务于城市智能交通系统规划,提升电网与交通系统的协同水平;③作为学术研究案例,用于验证分散式优化算法在复杂能源系统中的有效性。 阅读建议:建议读者结合Matlab代码实现部分,深入理解蒙特卡洛模拟与拉格朗日松弛法的具体实施步骤,重点关注场景生成、约束处理与迭代收敛过程,以便在实际项目中灵活应用与改进。
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