堆排序

本文详细介绍了一种高效的排序算法——堆排序。首先介绍了堆排序的基本思想和实现原理,并给出了具体的时间和空间复杂度分析。随后提供了完整的堆排序算法实现代码,包括调整函数和排序函数,并通过一个示例展示了排序过程。

堆排序的基本思想是:将待排序序列构造成一个大顶堆,此时,整个序列的最大值就是堆顶的根节点。将其与末尾元素进行交换,此时末尾就为最大值。然后将剩余n-1个元素重新构造成一个堆,这样会得到n个元素的次小值。如此反复执行,便能得到一个有序序列了。

/*
父->左子2n+1 父->右子2n+2
子->父 (n-1)/2
一次调整建立大根堆,根最大。每个结点的值都大于或等于其左右孩子结点的值,称为大顶堆
时间复杂度O(nlog2n)
空间复杂度O(1)
不稳定
原理:a.将无需序列构建成一个堆,根据升序降序需求选择大根堆;
     b.将堆顶元素与末尾元素交换,将最大元素"沉"到数组末端;
     c.重新调整结构,使其满足堆定义,然后继续交换堆顶元素与当前末尾元素,反复执行调整+交换步骤,直到整个序列有序。
*/
#include "stdafx.h"
#include <assert.h>

void Adjust(int *arr, int start, int end)//调整函数 start位置为最后一下标的父结点
{                                        //end位置为最后一下标(len-1)
    int tmp= arr[start];
    for (int i = 2 * start + 1; i <= end; i = i * 2 + 1)//判断左右子结点与父结点的大小关系                                              //把大的值放到父结点处
    {
        if (i< end && arr[i] < arr[i + 1])//i<end 表明是否存在右结点
        {
            i++;//最大孩子值的下标
        }
        if (arr[i] > tmp)//互换
        {
            arr[start] = arr[i];
            start = i;
        }
        else
        {
            break;
        }
    }
    arr[start] = tmp;
}

void Heap_Sort(int *arr, int len)
{
    int begin;
    for (begin = (len - 1 - 1) / 2; begin >= 0; begin--)//每个二叉树都进行调整
    {
        Adjust(arr, begin, len - 1);//都可以以len-1作为每个二叉树的end位置做判断条件
    }
    int tmp=0;
    for (int i = 0; i < len - 1; i++)//堆顶元素与最后位置元素互换
    {
        tmp = arr[0];
        arr[0] = arr[len - 1 - i];
        arr[len - 1 - i] = tmp;
        Adjust(arr, 0, len - 1 - i - 1);
    }
}
void Show(int *arr, int len)
{
    assert(arr != NULL);
    for (int i = 0; i<len; i++)
    {
        printf("%d ", arr[i]);
    }
    printf("\n");
}
int main()
{
    int drr[] = { 1,2,8,88,6,4,77,55,99,44,66};
    int len = sizeof(drr) / sizeof(drr[0]);
    Heap_Sort(drr, len);
    Show(drr, len);
    return 0;
}
内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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