JavaSE——算法(1/2):认识、冒泡排序、选择排序及优化(介绍、详细图解、代码)

简介: JavaSE——算法(1/2):认识、冒泡排序、选择排序及优化(介绍、详细图解、代码)

认识算法

什么是算法?


算法就像是一个厨房里的食谱。当你想做一道菜时,你需要按照食谱上的步骤来操作,确保每一步都做对了,这样才能做出美味的菜肴。同样地,算法就是一系列解决问题的步骤,它告诉计算机如何处理数据,从而得到我们想要的结果

算法就像是一个聪明的助手,它可以帮助我们完成各种任务,比如排序、搜索、预测天气等等。只要我们给它正确的指令和数据,它就能按照预定的步骤,快速而准确地完成任务。


为什么要学习算法?


学习算法可以让我们更好地理解编程的本质,提高我们的编程能力。这样,我们就可以写出更好的程序,解决更复杂的问题。而且算法不仅可以用在计算机上,还可以用在生活中的很多地方。例如,烹饪食谱、旅行计划、投资策略等都可以看作是一种算法。

学习算法的技巧


  1. 理解问题:在尝试编写代码之前,首先要彻底理解问题。先搞清楚算法的流程。
  2. 逐步实现:将算法分解成小的、可管理的部分,并逐步实现它们。这可以使问题更容易处理,并允许你在每个步骤中进行测试和调试。
  3. 最后直接去推敲如何写代码。

那么下面就先来看两个简单的排序算法:

  • 冒泡排序
  • 选择排序

冒泡排序

介绍

从初始索引开始,当前索引与之后的索引两两比较,每比较完一次索引增加一次,每次从数组中找出最大值放在数组的后面去。

实现冒泡排序的关键步骤分析


  • 确定总共需要做几轮:数组的长度 - 1
  • 每轮比较几次:数组的长度 - i - 1  (i为当前的轮数 - 1)
  • 当前位置大于后一个位置则交换数据

详细图解

假设我们要将一个数组按升序排序,从数组的第一个数和第二个数开始进行比较;

我们先来看第一轮排序

第一轮比较的次数:3次 (也就是数组的长度4 - 0(当前轮数 - 1) - 1

接下来看第二轮排序:

   

第二轮比较的次数:2次 (也就是数组的长度4 - 1(当前轮数 - 1) - 1

那么第三轮比较的次数就为1次了。



该数组的长度为4,故而需要比较的轮数为:3次        (数组的长度 4 - 1)


由于冒泡排序的每一轮排序都会把一个最大或者最小的元素放在最后的位置,这个元素与前面所有的元素都比较过了,已经是确定的值,所以我们不再需要对它进行比较;所以每比较一轮,我们就少一个需要比较的元素。

代码部分

import java.util.Arrays;
 
public class BubbleSort {
    public static void main(String[] args) {
        //1.准备一个数组
        int[] arr = {5,2,3,1};
 
        //2.定义一个循环控制排几轮
        for(int i = 0;i < arr.length - 1;i++){
            //3.定义一个循环控制每轮比较几次
            for(int j = 0; j < arr.length - i - 1;j++){
                //判断当前位置的元素值,是否大于后一个位置的元素值,如果大则交换
                if(arr[j] > arr[j + 1]){
                    arr[j + 1] = arr[j] ^ arr[j + 1];
                    arr[j] = arr[j] ^ arr[j + 1];
                    arr[j + 1] = arr[j] ^ arr[j + 1];
                }
            }
        }
        System.out.println(Arrays.toString(arr));
    }
}

运行结果:

选择排序

介绍

  • 每轮选择当前位置,开始找出后面的较小值(或较大值)与该位置交换。

比如第一轮比较:第一个元素分别与后面所有的元素进行比较,根据升序或降序进行交换。

选择排序的关键

  • 确定总共需要选择几轮:数组的长度 - 1
  • 控制每轮从以前位置为基准,与后面元素选择几次

还是以上一个数组为例子,

详细图解

第一轮比较了3次

第二轮比较了2次

第三轮就比较一次:

代码部分

import java.util.Arrays;
 
public class SelectionSort {
    public static void main(String[] args) {
        int[] arr = {5,1,3,2};
 
 
        for(int i = 0; i < arr.length - 1; i++){
 
            for(int j = i +1; j < arr.length; j++){
                if(arr[i] > arr[j]){
                    arr[i] = arr[i] ^ arr[j];
                    arr[j] = arr[i] ^ arr[j];
                    arr[i] = arr[i] ^ arr[j];
                }
            }
        }
        System.out.println(Arrays.toString(arr));
    }
}

运行结果:


选择排序优化

对于选择排序,其实我们可以稍加优化。不再进行多次的元素交换,而改为每轮排序都只交换一次,也就是说,我们可以在后面的索引中找到最小值(或最大值)与当前索引位置的元素进行一次比较,然后作一次交换即可。

图解

以图解的形式演示

代码部分

import java.util.Arrays;
 
public class SelectionSort {
    public static void main(String[] args) {
        int[] arr = {5,1,3,2};
        for(int i = 0; i < arr.length - 1; i++){
            int minIndex = i;   //记录最小值的索引
            for(int j = i + 1; j < arr.length; j++){
                if(arr[j] < arr[minIndex]){
                    minIndex = j;
                }
            }
            if(arr[i] > arr[minIndex]){
                arr[i] = arr[i] ^ arr[minIndex];
                arr[minIndex] = arr[i] ^ arr[minIndex];
                arr[i] = arr[i] ^ arr[minIndex];
            }
        }
        System.out.println(Arrays.toString(arr));
    }
}

运行结果:



同样的环境下,效率对比:

import java.util.Arrays;
import java.util.Random;
 
public class SelectionSort {
    public static void main(String[] args) {
        Random r = new Random();
        int[] arr = new int[100000];
        for (int i = 0; i < arr.length; i++) {
            arr[i] = r.nextInt(1000000) + 1;
        }
 
        long time1 = System.currentTimeMillis();
        for(int i = 0; i < arr.length - 1; i++){
 
            for(int j = i +1; j < arr.length; j++){
                if(arr[i] > arr[j]){
                    arr[i] = arr[i] ^ arr[j];
                    arr[j] = arr[i] ^ arr[j];
                    arr[i] = arr[i] ^ arr[j];
                }
            }
        }
        long time2 = System.currentTimeMillis();
//        System.out.println(Arrays.toString(arr));
        System.out.println("执行时间:" + (time2 - time1) / 1000.0 + "s");
    }
}
import java.util.Arrays;
import java.util.Random;
 
public class SelectionSort {
    public static void main(String[] args) {
        Random r = new Random();
        int[] arr = new int[100000];
        for (int i = 0; i < arr.length; i++) {
            arr[i] = r.nextInt(1000000) + 1;
        }
 
        long time1 = System.currentTimeMillis();
        for(int i = 0; i < arr.length - 1; i++){
            int minIndex = i;   //记录最小值的索引
            for(int j = i + 1; j < arr.length; j++){
                if(arr[j] < arr[minIndex]){
                    minIndex = j;
                }
            }
            if(arr[i] > arr[minIndex]){
                arr[i] = arr[i] ^ arr[minIndex];
                arr[minIndex] = arr[i] ^ arr[minIndex];
                arr[i] = arr[i] ^ arr[minIndex];
            }
        }
        long time2 = System.currentTimeMillis();
//        System.out.println(Arrays.toString(arr));
        System.out.println("执行时间:" + (time2 - time1) / 1000.0 + "s");
    }
}

END



目录
相关文章
|
4天前
|
存储 算法 数据处理
公司局域网管理中的哈希表查找优化 C++ 算法探究
在数字化办公环境中,公司局域网管理至关重要。哈希表作为一种高效的数据结构,通过哈希函数将关键值(如IP地址、账号)映射到数组索引,实现快速的插入、删除与查找操作。例如,在员工登录验证和设备信息管理中,哈希表能显著提升效率,避免传统线性查找的低效问题。本文以C++为例,展示了哈希表在局域网管理中的具体应用,包括设备MAC地址与IP分配的存储与查询,并探讨了优化哈希函数和扩容策略,确保网络管理高效准确。
|
3天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于生物地理算法的MLP多层感知机优化matlab仿真
本程序基于生物地理算法(BBO)优化MLP多层感知机,通过MATLAB2022A实现随机数据点的趋势预测,并输出优化收敛曲线。BBO模拟物种在地理空间上的迁移、竞争与适应过程,以优化MLP的权重和偏置参数,提升预测性能。完整程序无水印,适用于机器学习和数据预测任务。
|
3天前
|
算法 数据安全/隐私保护
基于二次规划优化的OFDM系统PAPR抑制算法的matlab仿真
本程序基于二次规划优化的OFDM系统PAPR抑制算法,旨在降低OFDM信号的高峰均功率比(PAPR),以减少射频放大器的非线性失真并提高电源效率。通过MATLAB2022A仿真验证,核心算法通过对原始OFDM信号进行预编码,最小化最大瞬时功率,同时约束信号重构误差,确保数据完整性。完整程序运行后无水印,展示优化后的PAPR性能提升效果。
|
7天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-LSTM-SAM网络时间序列预测算法。使用Matlab2022a开发,完整代码含中文注释及操作视频。算法结合卷积层提取局部特征、LSTM处理长期依赖、自注意力机制捕捉全局特征,通过粒子群优化提升预测精度。适用于金融市场、气象预报等领域,提供高效准确的预测结果。
|
11天前
|
数据采集 人工智能 编解码
算法系统协同优化,vivo与港中文推出BlueLM-V-3B,手机秒变多模态AI专家
BlueLM-V-3B是由vivo与香港中文大学共同研发的多模态大型语言模型,专为移动设备优化。它通过算法和系统协同优化,实现了高效部署和快速生成速度(24.4 token/s),并在OpenCompass基准测试中取得优异成绩(66.1分)。模型小巧,语言部分含27亿参数,视觉编码器含4000万参数,适合移动设备使用。尽管如此,低端设备可能仍面临资源压力,实际应用效果需进一步验证。论文链接:https://arxiv.org/abs/2411.10640。
35 9
|
10天前
|
机器学习/深度学习 存储 算法
量子算法的设计与优化:迈向量子计算的未来
量子算法的设计与优化:迈向量子计算的未来
44 3
|
13天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-LSTM-SAM网络时间序列回归预测算法matlab仿真
本项目使用MATLAB 2022a实现时间序列预测算法,完整程序无水印。核心代码包含详细中文注释和操作视频。算法基于CNN-LSTM-SAM网络,融合卷积层、LSTM层与自注意力机制,适用于金融市场、气象预报等领域。通过数据归一化、种群初始化、适应度计算及参数优化等步骤,有效处理非线性时间序列,输出精准预测结果。
|
12天前
|
算法 数据安全/隐私保护 索引
基于GWO灰狼优化的多目标优化算法matlab仿真
本程序基于灰狼优化(GWO)算法实现多目标优化,适用于2个目标函数的MATLAB仿真。使用MATLAB2022A版本运行,迭代1000次后无水印输出结果。GWO通过模拟灰狼的社会层级和狩猎行为,有效搜索解空间,找到帕累托最优解集。核心步骤包括初始化狼群、更新领导者位置及适应值计算,确保高效探索多目标优化问题。该方法适用于工程、经济等领域复杂决策问题。
|
19天前
|
存储 算法 数据可视化
Weevil-Optimizer象鼻虫优化算法的matlab仿真实现
本项目实现了Weevil-Optimizer(象鼻虫优化算法)的MATLAB仿真,展示算法在不同适应度函数下的优化收敛曲线。程序通过智能搜索策略模拟象鼻虫觅食行为,在解空间中寻找最优解。核心代码包括排序、选择、更新操作,并绘制结果图示。测试环境为MATLAB 2022A,支持Ackley、Beale、Booth、Rastrigin和Rosenbrock函数的对比分析。 虽然Weevil-Optimizer是一个虚构的概念,但其设计思路展示了如何基于自然界生物行为模式开发优化算法。完整程序运行后无水印,提供清晰的可视化结果。
|
9天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化的自适应马尔科夫链蒙特卡洛(Adaptive-MCMC)算法matlab仿真
本项目基于贝叶斯优化的自适应马尔科夫链蒙特卡洛(Adaptive-MCMC)算法,实现MATLAB仿真,并对比Kawasaki sampler、IMExpert、IMUnif和IMBayesOpt四种方法。核心在于利用历史采样信息动态调整MCMC参数,以高效探索复杂概率分布。完整程序在MATLAB2022A上运行,展示T1-T7结果,无水印。该算法结合贝叶斯优化与MCMC技术,通过代理模型和采集函数优化采样效率。