数组 Median of Two Sorted Arrays

寻找两有序数组中第K大元素
本文介绍了一种在两个已排序数组中寻找第K大元素的方法,该方法的时间复杂度为O(log(M+N))。通过递归地比较两个数组的中间元素来逐步缩小搜索范围,最终定位目标元素。

思想:

两个有序数组,找第K大的元素,要求时间复杂度在O(log(M+N))级。

O(M+N)易想到,加个log就要想到会用到递归。

不失一般性,假设M<N:

若k/2 <= M,

(a)若 A[k/2 -1] < B[k/2 -1] ,则A[0]~A[k/2 -1]这些元素可以删除;

(b)若 A[k/2 -1] > B[k/2 -1],则B[0]~B[k/2 -1]这些元素可以删除;

(c)若 A[k/2 -1] = B[k/2 -1],则返回A[k/2 -1] or B[k/2 -1]即可。

若k/2 > M,

(a)若 A[M -1] < B[k-M -1],则A[0]~A[M -1]这些元素可以删除;

(b)若 A[M -1] > B[k-M -1],则B[0]~B[k-M -1]这些元素可以删除;

(c)若 A[M -1] = B[k-M -1],则返回A[M -1] or B[k-M -1]即可。


递归终止条件:

当A或B是空时,直接返回A[k-1] or B[k-1];

当k==1,返回min(A[0],B[0]);

当A[k/2-1]==B[k/2-1],返回A[k/2-1] or B[k/2-1];


class Solution {
public:
    double findMedianSortedArrays(int A[], int m, int B[], int n) {
        int total = m + n;
        if(total & 0x1) { //if total is odd
            return find_kth(A, m, B ,n, total/2 + 1);
        }else { //if total is not odd
            return (find_kth(A, m, B ,n, total/2) + find_kth(A, m, B, n, total/2 + 1))/2.0;
        }
    }
private:
    static int find_kth(int A[], int m, int B[], int n, int k) {
        //always assume that m is equal or smaller than n
        if(m > n) return find_kth(B, n, A, m, k);
        if(m == 0) return B[k-1];
        if(k == 1) return min(A[0], B[0]);
        
        //divide k into two parts
        int ia = min(k/2 , m);
        int ib = k - ia;
        if(A[ia - 1] < B[ib - 1])
            return find_kth(A + ia, m - ia, B, n, k - ia);
        else if(A[ia - 1] > B[ib - 1])
            return find_kth(A, m, B + ib, n - ib, k - ib);
        else 
            return A[ia - 1];
    }
};



MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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