排序 堆排序 快排序 插入排序 选择排序

本文详细介绍了几种经典的排序算法,包括堆排序、插入排序、归并排序、快速排序和选择排序。每种算法都提供了详细的实现代码及注释,有助于读者深入理解算法的工作原理。

堆排:

public static void heapAdjust(int h[], int s, int m) {
int temp = h[s];
int i=2 * s + 1;
for ( ;i < m;i= 2 * s + 1) {if (i+1 < m && h[i] < h[i+1])
i++;
if (temp > h[i])
break;
h[s] = h[i];
s= i;
h[i] = temp;
}


}


public static void heapSort(int h[]) {
for (int i = h.length / 2; i >= 0; --i)
heapAdjust(h, i, h.length);
for (int i = h.length - 1; i >= 0; i--) {
int temp = h[i];
h[i] = h[0];
h[0] = temp;
heapAdjust(h, 0, i);
}
}


插入排序

public static void insertSort(int[] a, int length) {
int temp;
for (int i = 1; i < length; ++i) {
if (a[i] < a[i - 1]) {
temp = a[i];
a[i] = a[i - 1];
int j = i - 1;
for (; j >= 0 && a[j] > temp; j--) {
a[j + 1] = a[j];
}
a[j + 1] = temp;
}
}
}


public static void BinsertSort(int[] a) {
int temp;
for (int i = 1; i < a.length; ++i) {
temp = a[i];
int low = 0, high = i - 1;
while (low <=high) {
int m = (low + high) / 2;
if (temp < a[m]){
high = m - 1;
System.out.println("i is "+i+", positon is "+high);
}
else{
low = m + 1;
System.out.println("i is "+i+", positon is "+low);
}
}


for (int j = i - 1; j >=high+1; j--) {
a[j+1] = a[j];

}
a[high + 1] = temp;
}
}

归并排序:

static void merge(int SR[],int i,int m,int n){
//将有序的sr[i..m]和sr[m+1..n]归并为有序的tr[i..n]
int L[]=new int[m+1-i];
int R[]=new int[n-m];
for(int l=0;l<=m-i;l++)L[l]=SR[l+i];
for(int l=0;l<=n-m-1;l++)R[l]=SR[l+m+1];
int k=i,l=0,s=0;
for(;l<m+1-i&&s<n-m;++k){
if(L[l]<R[s])SR[k]=L[l++];
else SR[k]=R[s++];
}
if(l<m+1-i)SR[k++]=L[l++];
if(s<n-m)SR[k++]=R[s++];
}
public static void mergeSort(int SR[],int s,int t) throws Exception{
if(s==t)return;
else{
int m=(s+t)/2;
mergeSort(SR,s,m);
mergeSort(SR,m+1,t);
merge(SR,s,m,t);
}
}

快排:

public static int partition(int a[], int low, int high) {
int temp = a[low];
while (low < high) {
while (low < high && a[high] >= temp)
--high;
{
int n = a[high];
a[high] = a[low];
a[low] = n;
}
while (low < high && a[low] <= temp)
++low;
{
int n = a[high];
a[high] = a[low];
a[low] = n;
}
}
return low;
}


public static void quickSort(int a[], int low, int high) {
int partion = partition(a, low, high);
if (low < partion - 1)
quickSort(a, low, partion - 1);
if (partion + 1 < high)
quickSort(a, partion + 1, high);
}

选择排序:

public static void selectSort(int arr[], int length) {
for (int i = 0; i < length; i++) {
int j = selectMinKey(arr, i);
if(j!=i){
int temp=arr[i];
arr[i]=arr[j];
arr[j]=temp;
}
}
}


private static int selectMinKey(int[] arr, int i) {
int min=arr[i];
int minKey=i;
for(int j=i;j<arr.length;j++){
if(min >arr[j]){
minKey=j;
min=arr[j];
}
}
return minKey;
}

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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