经典排序算法

1、冒泡排序:

      算法描述:

  • 比较相邻元素,如果前序元素大于(或小于,看需求而定)后序元素,就交换两个元素的位置
  • 对每对相邻元素重复上面工作,从第一对到最后一对,这样,在经过一轮比较厚,最后一个元素就是最大(或最小)
  • 对所有元素重复以上工作,除了已经确定了的前n大(或小)的元素,直到完成排序
def bubbleSort(arr):
    for i in range(len(arr):
        for j in range(len(arr) - 1 - i):
            if arr[j] > arr[j+1]:
                tmpValue = arr[j]
                arr[j] = arr[j+1]
                arr[j+1] = tmpValue
    return arr
        

2、选择排序

     算法描述:

  • 初始状态:有序区为空,无序区为待排序所有元素
  • 遍历无序区,找出最大(或最小)元素,将其和无序区第一个元素交换,有序区元素个数增加,无序区减少 
  • 重复上面工作n-1次,排序完成
def selectionSort(arr):
    for i in range(len(arr)):
        tagIndex = i
        for j in range(i,len(arr)):
            if arr[j] < tag:
                tagIndex = j
        tmpValue = arr[i]
        arr[i] = arr[tagIndex]
        arr[j] = tmpValue
    return arr

3、插入排序

     算法描述:

  • 从第一个元素开始,初始认为第一个元素已经排好序
  • 取出下一个元素,在已排序的序列中从后向前扫描,如果扫描到的元素大于新元素,继续向前扫描,直到扫描元素小于或等于新元素,将新元素插入扫描元素后,否则,将新元素插入最前端
  • 重复上述工作,直至所有元素排序完成 
def insertionSort(arr):
    for i in range(1,len(arr)):
        preIndex = i-1
        curValue = arr[i]
        while preIndex >= 0 and arr[preIndex] > curValue:
            arr[preIndex+1] = arr[preIndex]
            preIndex -= 1
        arr[preIndex+1] = curValue
    return arr

4、快速排序

     算法描述:

  • 从所有元素中挑出一个元素作为基准,一般情况选取第一个元素
  • 访问序列中所有元素,比较元素跟基准元素的大小,比基准元素大则放置在其后面,比基准元素小则放在其前面,一次遍历过后,基准元素将序列分成一个比他大、一个比他小的两个子序列
  • 对两个子序列递归快速排序,直到子序列中最大值等于最小值
def quickSort(arr,start=None,end=None):
    if start == None and end == None:
        left = start = 0
        right = end = len(arr) - 1
    else:
        left = start
        right = end
    if left >= right:
        return
    tag = arr[left]
    while left < right:
        while left < right and arr[right] >= tag:
            right -= 1
        arr[left] = arr[right]
        while left < right and arr[left] <= tag:
            left += 1
        arr[right] = arr[left]
    arr[left] = tag
    quickSort(arr,start,left-1)
    quickSort(arr,left+1,end)
    return arr

5、希尔排序

     算法描述

  • 希尔排序是对插入排序的优化版,又称缩小增量排序(对整个待排序序列进行分组,然后对每一组进行直接插入排序)
  • 选择一个增量,和一个缩小增量的方式,有多种选择方式,比如:gap = length/3 + 1,gap = gap - 1;或者gap = length/2,gap = gap / 2。他们的选择和证明事实上是一个数学难题。其余的增量序列还有Hibbard:{1, 3, ..., 2^k-1},Sedgewick:{1, 5, 19, 41, 109...}该序列中的项或者是9*4^i - 9*2^i + 1或者是4^i - 3*2^i + 1。使用不同的增量对希尔排序的时间复杂度的改进将不一样,甚至一点小的改变都将引起算法性能剧烈的改变。
  • 按增量序列对待排序序列进行分组,排序,直到增量为1,进行最后一次插入排序。
def shellSort(arr):
    length = len(arr)
    gap = length / 2
    while gap > 0:
        i = gap
        while i < length:
            temp = arr[i]
            preIndex = i - gap
            while preIndex >= 0 and arr[preIndex] > temp:
                arr[preIndex+gap] = arr[preIndex]
                preIndex -= gap
            arr[preIndex+gap] = temp
            i += 1
        gap = int(gap/2)
    return arr
                

6、归并排序

     算法描述:

  • 把待排序序列分成长度为n/2的两个序列
  • 递归地对两个子序列做归并排序,直到所有子序列长度为1
  • 把两个排好序的序列合并,返回
def merge(arr1,arr2):
    returnArr = []
    index1 = index2 = 0
    while index1 < len(arr1) or index2 < len(arr2):
        if index1 == len(arr1):
            returnArr.extend(arr2[index2:])
            break
        elif index2 == len(arr2):
            returnArr.extend(arr1[index1:])
            break
        else:
            if arr1[index1] > arr2[index2]:
                returnArr.append(arr2[index2])
                index2 += 1
            else:
                returnArr.append(arr1[index1])
                index1 += 1
    return returnArr

def mergeSort(arr):
    length = len(arr)
    if length == 1:
        return arr
    mid = int(length/2)
    left = arr[:mid]
    right = arr[mid:]
    return merge(mergeSort(left),mergeSort(right))

 

 

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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