使用算法实践(辅助)--计数排序

文章转自 http://www.cppblog.com/shongbee2/archive/2013/07/24/80991.html


计数排序,传说时间复杂度为0(n)的排序

计数排序:

今天学习了计数排序,貌似计数排序的复杂度为o(n)。很强大。他的基本思路为:

1.       我们希望能线性的时间复杂度排序,如果一个一个比较,显然是不实际的,书上也在决策树模型中论证了,比较排序的情况为nlogn的复杂度。

2.       既然不能一个一个比较,我们想到一个办法,就是如果我在排序的时候就知道他的位置,那不就是扫描一遍,把他放入他应该的位置不就可以了嘛。

3.       要知道他的位置,我们只需要知道有多少不大于他不就可以了吗?

4.       以此为出发点,我们怎么确定不大于他的个数呢?我们先来个约定,如果数组中的元素都比较集中,都在[0, max]范围内。我们开一个max的空间b数组,把b数组下标对应的元素和要排序的A数组下标对应起来。这样不就可以知道不比他大的有多少个了吗?我们只要把比他小的位置元素个数求和,就是不比他大的。例如:A={3,5,7};我们开一个大小为8的数组b,把a[0] = 3 放入b[3]中,使b[3] = 0; 同理 b[5] = 1; b[7] = 2;其他我们都设置为-1,哈哈我们只需要遍历一下b数组,如果他有数据,就来出来,铁定是当前最小的。如果要知道比a[2]小的数字有多少个,值只需要求出b[0] – b[6]的有数据的和就可以了。这个0(n)的速度不是盖得。

5.       思路就是这样咯。但是要注意两个数相同的情况A = {1,2,3,3,4},这种情况就不可以咯,所以还是有点小技巧的。

6.       处理小技巧:我们不把A的元素大小与B的下标一一对应,而是在B数组对应处记录该元素大小的个数。这不久解决了吗。哈哈。例如A = {1,2,3,3,4}我们开大小为5的数组b;记录数组A中元素值为0的个数为b[0] = 0, 记录数组A中元素个数为1的b[1] = 1,同理b[2] = 1, b[3] = 2, b[4] = 1;好了,这样我们就知道比A[4](4)小的元素个数是多少了:count = b[0] + b[1] + b[2] + b[3] = 4;他就把A[4]的元素放在第4个位置。

还是截张书上的图:

再次推荐《算法导论》这本书,在我的上次的随笔中有下载链接。哈哈。真正支持还是需要买一下纸版。呵呵。

7. 不过在编程的时候还是要注意细节的,例如我不能每次都来算一下比他小的个数。呵呵,思路就这样了。奉上源代码:

 

#include <stdio.h>
#include <stdlib.h>

// 计数排序
int CountSort( int* pData,  int nLen)
{
     int* pCout = NULL;             // 保存记数数据的指针
    pCout = ( int*)malloc( sizeof( int) * nLen);     // 申请空间
    
// 初始化记数为0
     for ( int i = 0; i < nLen; ++i)
    {
        pCout[i] = 0;
    }

     // 记录排序记数。在排序的值相应记数加1。
     for ( int i = 0; i < nLen; ++i)
    {
        ++pCout[pData[i]];         //
    }

     // 确定不比该位置大的数据个数。
     for ( int i = 1; i < nLen; ++i)
    {
        pCout[i] += pCout[i - 1];     // 不比他大的数据个数为他的个数加上前一个的记数。
    }

     int* pSort = NULL;             // 保存排序结果的指针
    pSort = ( int*)malloc( sizeof( int) * nLen);     // 申请空间

     for ( int i = 0; i < nLen; ++i)
    {
         // 把数据放在指定位置。因为pCout[pData[i]]的值就是不比他大数据的个数。
        
// 为什么要先减一,因为pCout[pData[i]]保存的是不比他大数据的个数中包括了
        
// 他自己,我的下标是从零开始的!所以要先减一。
        --pCout[pData[i]];     // 因为有相同数据的可能,所以要把该位置数据个数减一。
        pSort[pCout[pData[i]]] = pData[i];        
        
    }

     // 排序结束,复制到原来数组中。
     for ( int i = 0; i < nLen; ++i)
    {
        pData[i] = pSort[i];
    }

     // 最后要注意释放申请的空间。
    free(pCout);
    free(pSort);

     return 1;
}

int main()
{
     int nData[10] = {8,6,3,6,5,8,3,5,1,0};
    CountSort(nData, 10);
     for ( int i = 0; i < 10; ++i)
    {
        printf("%d ", nData[i]);
    }
    printf("\n");

    system("pause");
     return 0;
}



内容概要:本文针对火电厂参与直购交易挤占风电上网空间的问题,提出了一种风火打捆参与大用户直购交易的新模式。通过分析可再生能源配额机制下的双边博弈关系,建立了基于动态非合作博弈理论的博弈模型,以直购电价和直购电量为决策变量,实现双方收益均衡最大化。论文论证了纳什均衡的存在性,并提出了基于纳什谈判法的风-火利益分配方法。算例结果表明,该模式能够增加各方收益、促进风电消纳并提高电网灵活性。文中详细介绍了模型构建、成本计算和博弈均衡的实现过程,并通过Python代码复现了模型,包括参数定义、收益函数、纳什均衡求解、利益分配及可视化分析等功能。 适合人群:电力系统研究人员、能源政策制定者、从事电力市场交易的工程师和分析师。 使用场景及目标:①帮助理解风火打捆参与大用户直购交易的博弈机制;②为电力市场设计提供理论依据和技术支持;③评估不同政策(如可再生能源配额)对电力市场的影响;④通过代码实现和可视化工具辅助教学和研究。 其他说明:该研究不仅提供了理论分析,还通过详细的代码实现和算例验证了模型的有效性,为实际应用提供了参考。此外,论文还探讨了不同场景下的敏感性分析,如证书价格、风电比例等对市场结果的影响,进一步丰富了研究内容。
资源下载链接为: https://pan.quark.cn/s/d37d4dbee12c A:计算机视觉,作为人工智能领域的关键分支,致力于赋予计算机系统 “看懂” 世界的能力,从图像、视频等视觉数据中提取有用信息并据此决策。 其发展历程颇为漫长。早期图像处理技术为其奠基,后续逐步探索三维信息提取,与人工智能结合,又经历数学理论深化、机器学习兴起,直至当下深度学习引领浪潮。如今,图像生成和合成技术不断发展,让计算机视觉更深入人们的日常生活。 计算机视觉综合了图像处理、机器学习、模式识别和深度学习等技术。深度学习兴起后,卷积神经网络成为核心工具,能自动提炼复杂图像特征。它的工作流程,首先是图像获取,用相机等设备捕获视觉信息并数字化;接着进行预处理,通过滤波、去噪等操作提升图像质量;然后进入关键的特征提取和描述环节,提炼图像关键信息;之后利用这些信息训练模型,学习视觉模式和规律;最终用于模式识别、分类、对象检测等实际应用。 在实际应用中,计算机视觉用途极为广泛。在安防领域,能进行人脸识别、目标跟踪,保障公共安全;在自动驾驶领域,帮助车辆识别道路、行人、交通标志,实现安全行驶;在医疗领域,辅助医生分析医学影像,进行疾病诊断;在工业领域,用于产品质量检测、机器人操作引导等。 不过,计算机视觉发展也面临挑战。比如图像生成技术带来深度伪造风险,虚假图像和视频可能误导大众、扰乱秩序。为此,各界积极研究检测技术,以应对这一问题。随着技术持续进步,计算机视觉有望在更多领域发挥更大作用,进一步改变人们的生活和工作方式 。
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