选择排序

本文详细介绍了两种经典的排序算法——直接选择排序和堆排序。直接选择排序通过反复寻找未排序部分的最小值来完成排序,而堆排序则是利用堆这种数据结构的特点,通过不断调整堆结构并取出最大或最小值的方式进行排序。文章提供了这两种算法的具体实现代码,并分析了它们的时间复杂度和空间复杂度。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、直接选择排序

需要进行n-1次比较
每次将i位置的元素依次与之后的所有元素进行比较,若其大于则进行位置调换

实现代码:

public class DataWrap implements Comparable<DataWrap>
{
    int data;

    String flag;

    public DataWrap(int data, String flag)
    {
        this.data = data;
        this.flag = flag;
    }

    @Override
    public int compareTo(DataWrap dataWrap)
    {
        return this.data > dataWrap.data ? 1 : (this.data == dataWrap.data ? 0
                : -1);
    }

    public String toString()
    {
        return data + flag;
    }
}
//直接选择排序
public class SelectSort
{
    public static void main(String[] args)
    {
        DataWrap[] dataWraps =
        { new DataWrap(21, ""), new DataWrap(30, ""), new DataWrap(49, ""),
                new DataWrap(30, "*"), new DataWrap(16, ""),
                new DataWrap(9, "") };
        System.out.println("排序之前:\n" + Arrays.toString(dataWraps));
        selectSort(dataWraps);
        System.out.println("排序之后:\n" + Arrays.toString(dataWraps));
    }

    public static void selectSort(DataWrap[] dataWraps)
    {
        System.out.println("排序开始。。。。。");
        int arrayLength = dataWraps.length;
        for (int i = 0; i < arrayLength - 1; i++)
        {
            // 保存本次比较中最小值的索引
            int minIndex = i;
            // 第i个数只需与后面的数比较
            for (int j = i + 1; j < arrayLength; j++)
            {
                if (dataWraps[minIndex].compareTo(dataWraps[j]) > 0)
                {
                    // 将当前获得的最小值索引赋值给minIndex
                    minIndex = j;
                }
                if (i != minIndex)
                {
                    DataWrap tmp = dataWraps[i];
                    dataWraps[i] = dataWraps[minIndex];
                    dataWraps[minIndex] = tmp;
                }
            }
        }
    }
}

有n项数据,数据交换做多n-1次,但是比较次数较多,时间复杂度为O(n2)
空间复杂度为O(1)

2、堆排序

堆排序的建堆(大顶堆和小顶堆)
排序过程:

  1. 先将其转换成完全二叉树
  2. 完全二叉树的最后一个非叶子节点,也就是最后一个父节点。其索引值为(n-2)/2,如果其子节点大于它本身则与较大的子节点交换
  3. 向前处理前一个节点,直至根节点
  4. 交换堆顶和最后一个元素,将最后一个元素移除堆
  5. 重复2、3、4步骤

实现代码

//堆排序
public class HeapSort
{
    public static void main(String[] args)
    {
        DataWrap[] dataWraps =
        { new DataWrap(21, ""), new DataWrap(30, ""), new DataWrap(49, ""),
                new DataWrap(30, "*"), new DataWrap(21, "*"),
                new DataWrap(16, ""), new DataWrap(9, "") };
        System.out.println("排序之前:\n" + Arrays.toString(dataWraps));
        heapSort(dataWraps);
        System.out.println("排序之后:\n" + Arrays.toString(dataWraps));
    }

    public static void heapSort(DataWrap[] dataWraps)
    {
        System.out.println("开始排序。。。。");
        int arrayLength = dataWraps.length;
        // 循环建堆
        for (int i = 0; i < arrayLength - 1; i++)
        {
            buildMaxdHeap(dataWraps, arrayLength - 1 - i);
            // 交换堆顶和最后一个元素
            swap(dataWraps, 0, arrayLength - 1 - i);
            System.out.println(Arrays.toString(dataWraps));
        }
    }

    private static void buildMaxdHeap(DataWrap[] dataWraps, int lastIndex)
    {
        // 从lastIndex处节点(最后一个节点)的父节点开始
        for (int i = (lastIndex - 1) / 2; i >= 0; i--)
        {
            // k保存当前正在判断的节点
            int k = i;
            // 如果当前k节点的子节点存在
            while (k * 2 + 1 <= lastIndex)
            {
                // k节点的左子节点的索引
                int biggerIndex = k * 2 + 1;
                // 如果biggerIndex小于lastIndex,即biggerIndex+1
                // 代表的k节点的右子节点存在
                if (biggerIndex < lastIndex)
                {
                    // 如果右子节点的数据大
                    if (dataWraps[biggerIndex]
                            .compareTo(dataWraps[biggerIndex + 1]) < 0)
                    {
                        // 记录较大的子节点
                        biggerIndex++;
                    }
                }
                if (dataWraps[k].compareTo(dataWraps[biggerIndex]) < 0)
                {
                    // 交换
                    swap(dataWraps, k, biggerIndex);
                    // 将biggerIndex赋值给k开始下一次循环
                    // 重新保证k节点的值大于其左右子节点
                    k = biggerIndex;
                } else
                {
                    break;
                }
            }
        }
    }

    // 交换两个索引处元素位置
    private static void swap(DataWrap[] dataWraps, int i, int j)
    {
        DataWrap tmp = dataWraps[i];
        dataWraps[i] = dataWraps[j];
        dataWraps[j] = tmp;
    }
}

需要进行n-1次建堆,每次建堆消耗log2n,则时间复杂度为O(nlog2n)
空间复杂度为O(1)

内容概要:本书《Deep Reinforcement Learning with Guaranteed Performance》探讨了基于李雅普诺夫方法的深度强化学习及其在非线性系统最优控制中的应用。书中提出了一种近似最优自适应控制方法,结合泰勒展开、神经网络、估计器设计及滑模控制思想,解决了不同场景下的跟踪控制问题。该方法不仅保证了性能指标的渐近收敛,还确保了跟踪误差的渐近收敛至零。此外,书中还涉及了执行器饱和、冗余解析等问题,并提出了新的冗余解析方法,验证了所提方法的有效性和优越性。 适合人群:研究生及以上学历的研究人员,特别是从事自适应/最优控制、机器人学和动态神经网络领域的学术界和工业界研究人员。 使用场景及目标:①研究非线性系统的最优控制问题,特别是在存在输入约束和系统动力学的情况下;②解决带有参数不确定性的线性和非线性系统的跟踪控制问题;③探索基于李雅普诺夫方法的深度强化学习在非线性系统控制中的应用;④设计和验证针对冗余机械臂的新型冗余解析方法。 其他说明:本书分为七章,每章内容相对独立,便于读者理解。书中不仅提供了理论分析,还通过实际应用(如欠驱动船舶、冗余机械臂)验证了所提方法的有效性。此外,作者鼓励读者通过仿真和实验进一步验证书中提出的理论和技术。
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