快速排序

本文详细介绍了快速排序的基本思想、步骤和代码实现。通过一趟排序将数据分为两部分,然后递归地对这两部分进行排序,最终达到整个序列有序。在最佳情况下,时间复杂度为O(nlog2n),最坏情况下为O(n2),平均时间复杂度仍为O(nlog2n)。此外,还展示了如何以中间元素为基准值进行排序的代码实现。

基本思想

该方法的基本思想是:

通过一趟排序将要排序的数据分割成独立的两部分,其中一部分的所有数据都比另外一部分的所有数据都要小,然后再按此方法对这两部分数据分别进行快速排序,整个排序过程可以递归进行,以此达到整个数据变成有序序列。

可以归纳成下列步骤:

  1. 先从数列中取出一个数作为基准数。
  2. 分区过程,将比这个数大的数全放到它的右边,小于或等于它的数全放到它的左边。
  3. 再对左右区间重复第二步,直到各区间只有一个数。

举例

以一个数组[5、7、1、8、4]为例,以区间的第一个数为基数

初始化i=0,j=4,X=a[i]=5;

在这里插入图片描述

由于已经将 a[0] 中的数保存到 X 中,可以理解成在数组 a[0] 上挖了个坑,可以将其它数据填充到这来。

从j开始向前找一个比X小的数。当j=4,符合条件,将a[4]挖出再填到上一个坑a[0]中。a[0]=a[4]; i++;

这样一个坑a[0]就被搞定了,但又形成了一个新坑a[4],这怎么办了?简单,再找数字来填a[4]这个坑。

这次从i开始向后找一个大于X的数,当i=1,符合条件,将a[1]挖出再填到上一个坑a[4]中.a[4]=a[1]; j–;

在这里插入图片描述

再重复上面的步骤,先从后向前找,再从前向后找。

从j开始向前找,当j=2,符合条件,将a[2]挖出填到上一个坑中,a[1] = a[2]; i++;

从i开始向后找,由于i==j退出。

最后,把一开始的X填进a[i]的坑


这样,一开始基准数5的左边都比5小,右边都比5大。再递归5的左区间和右区间,重复上面的过程,就能让整个数组有序了。

对挖坑填数进行总结:

  1. i =L; j = R; 以区间第一个数为基准数,将基准数挖出形成第 一个坑a[i]。
  2. j–由后向前找比它小的数,找到后挖出此数填前一个坑a[i]中。
  3. i++由前向后找比它大的数,找到后也挖出此数填到前一个坑a[j]中。
  4. 再重复执行2,3二步,直到i==j,将基准数填入a[i]中。

代码

	public static void quickSort(int []arr,int l,int r){

		if(l<r){

			int i=l,j=r,x=arr[i];

			while (i<j){

				while(i<j && arr[j]>=x)
					j--;
				if(i<j)
					arr[i++]=arr[j];

				while(i<j && arr[i]<=x)
					i++;
				if(i<j)
					arr[j--]=arr[i];
			}

			arr[i]=x;
			quickSort(arr, l, i-1);
			quickSort(arr, i+1, r);
		}

	}

或者是分成两个方法

public static void quickSort(int []arr,int l,int r){


	if(l<r){

		int i=partition(arr, l, r);
		quickSort(arr, l, i-1);
		quickSort(arr, i+1, r);
	}

}

public static int partition(int []arr,int l,int r){
	int i=l,j=r,x=arr[i];

	while (i<j){

		while(i<j && arr[j]>=x)
			j--;
		if(i<j)
			arr[i++]=arr[j];

		while(i<j && arr[i]<=x)
			i++;
		if(i<j)
			arr[j--]=arr[i];
	}

	arr[i]=x;

	return i;
}

实际上,快速排序可以以任意一个元素为基准值(更好的选择方法是从数序中随机选择一个数为基准数),下面代码是以当前区间的中间位置元素为基准值。下面代码以当前区间的中间位置元素为基准,同样可以达到快速排序的目的

public static void quickSort(int []arr,int l,int r){

    int pivot=(l+r)/2;
	if(l<r){
        if(pivot!=l){
        	int temp=arr[l];
        	arr[l]=arr[pivot];
        	arr[pivot]=temp;
		}
		int i=partition(arr, l, r);
		quickSort(arr, l, i-1);
		quickSort(arr, i+1, r);
	}

}

public static int partition(int []arr,int l,int r){
	int i=l,j=r,x=arr[i];

	while (i<j){

		while(i<j && arr[j]>=x)
			j--;
		if(i<j)
			arr[i++]=arr[j];

		while(i<j && arr[i]<=x)
			i++;
		if(i<j)
			arr[j--]=arr[i];
	}

	arr[i]=x;

	return i;
}

复杂度

快速排序,最好的情况下,每次排序选取的基准值都为区间中间值,这样的时间复杂度为O(nlog2n),空间复杂度为O(log2n)。
最坏情况下,每次排序选取的基准值为区间的最大值或最小值,这样的时间复杂度为O(n2),空间复杂度都为O(n)

快速排序最好的时间复杂度为O(nlog2n),最坏的时间复杂度为O(n2),平均时间复杂度为O(nlog2n)。



参考:https://www.runoob.com/w3cnote/quick-sort.html
内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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