python基本算法

这篇博客介绍了三种常见的排序算法:冒泡排序、选择排序和斐波那契数列生成器。冒泡排序通过不断交换相邻元素实现排序,选择排序则寻找最小元素并放到正确位置。二分查找是一种高效的查找算法,适用于已排序的列表。此外,还展示了如何生成斐波那契数列的生成器函数。这些基础知识对于理解和优化算法效率至关重要。

冒泡排序
data = [32,25,95,68,12,73,65]
for i in range(len(data)-1):
    for j in range(len(data)-i-1):
        if data[j]>data[j+1]:
            data[j],data[j+1] = data[j+1],data[j]
print(data)

选择排序
data = [32,25,95,68,12,73,65,65]
for i in range(0,len(data)-1):
    min = i
    for j in range(i+1,len(data)):
        if data[j] < data[min]:
         min = j
    if min!= i:
         data[i], data[min] = data[min], data[i]
print(data)

二分查找
def erfen(list,item):
    if len(list) == 0:
     return False
    else:
        mid = len(list) // 2
        if list[mid] == item:
            return True
        else:
            if item < list[mid]:
                return erfen(list[:mid],item)
            else:
                return erfen(list[mid + 1:],item)
data = [1,2,3,4,5,6,7]
print(erfen(data,3))

斐波那契数列生成器

def Feb(n):
    a = 1
    b = 1
    for i in range(n):
        yield a
        a, b = b, a + b
f = Feb(10)
print(list(f))
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
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