算法学习之--堆排序

堆排序主要是堆性质的维护

1.push可看成update(假设最尾部有一个key异常小的元素,该元素更新为需要push的值);

2.update复杂度可用空间换时间成O(lgN)(添加一个arrayIndex数组,记录维护堆形式的位置变换关系);

3.update由于只变大,因此只需与父节点比较即可;

4.pop出的肯定是第一个,然后将最末尾的放到第一个位置,重新建堆即可;

5./使用堆排序之前需要将输入建立成最大堆;

6.堆形式维护,父子间找最大的,交换位置,默认子树已满足堆形式;

7.建堆时只需要从中间往前建即可。


//---------------------------------------------华丽的分割线----------------------------------------------------------------------------------------------------------------------------------------------------------------------

// BinaryHeap.cpp : Defines the entry point for the console application.

//


#include "stdafx.h"
#include <stdio.h>
#include <vector>




class BinaryHeap
{
public:
BinaryHeap()
{
m_HeapSize = 1;
m_Container.push_back(0xffffffff);
}


BinaryHeap(int* a, int len)
{
m_HeapSize = 1 + len;
m_Container.push_back(0xffffffff);
m_Container.insert(m_Container.end(), a, a+len);
for (int idx=len/2; idx>=1; --idx)
{
heapify(idx);
}
}


// pop出的肯定是第一个,然后将最末尾的放到第一个位置,重新建堆即可
int Pop()
{
int max = m_Container[1];
m_Container[1] = m_Container[m_HeapSize-1];
m_HeapSize--;
heapify(1);
return max;
}


void Push(int value)
{
m_Container.push_back(value);
m_HeapSize++;
increse(m_HeapSize-1);
}


void Update(int idx, int value)
{
int realIdx = 1;
for ( realIdx=1; realIdx<m_HeapSize; ++realIdx)
{
if (m_Container[realIdx] == idx)
{
break;
}
}
m_Container[realIdx] = value;
increse(realIdx);
}


// 使用堆排序之前需要将输入建立成最大堆
void Sort()
{
while (1)
{
printf("%d,", Pop());
if (m_HeapSize-1==0)
{
break;
}
}
}


void Print()
{
printf("heap size:%d;\t", m_HeapSize-1);
for (int i=1; i<m_HeapSize; ++i)
{
printf("%d,", m_Container[i]);
}
printf("\r\n");
}


protected:
// 建堆
// 父子间找最大的,交换位置
// 默认子树已满足堆形式
void heapify(int idx)
{
int left = idx<<1;
int right = left + 1;

int max = idx;
while (1)
{
if (left<m_HeapSize && m_Container[left]>m_Container[idx])
{
max = left;
}
if (right<m_HeapSize && m_Container[right]>m_Container[max])
{
max = right;
}


if (max==idx)
{
break;
}


int temp = m_Container[idx];
m_Container[idx] = m_Container[max];
m_Container[max] = temp;


idx = max;
left = idx<<1;
right = left + 1;
}
}


// idx处key值增加后重新建堆
// 只需和父节点比较即可
void increse(int idx)
{
int parent = idx>>1;
while (idx>1 && m_Container[parent]<m_Container[idx])
{
int temp = m_Container[parent];
m_Container[parent] = m_Container[idx];
m_Container[idx] = temp;
idx = parent;
parent = idx>>1;
}
}


private:
std::vector<int> m_Container;
int m_HeapSize;
};




int _tmain(int argc, _TCHAR* argv[])
{
int test[] = { 0, 1, 2, 3, 4, 5, 6, 7, 8, 9};
BinaryHeap heap(test, sizeof(test)/sizeof(int));
heap.Print();
/*BinaryHeap heap;
for (int i=0; i<sizeof(test)/sizeof(int); ++i)
{
heap.Push(test[i]);
heap.Print();
}*/


heap.Sort();


//heap.Update(7, 17);
//heap.Print();


for (int i=0; i<sizeof(test)/sizeof(int); ++i)
{
heap.Pop();
heap.Print();
}


return 0;
}

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)在特征提取方面的优势与长短期记忆网络(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与泛化能力,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、参数优化机制及实际预测效果分析,突出其在科研与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与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、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数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与混合神经网络结构的设计逻辑,通过调整数据集和参数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
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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