用调试来帮你分析并拿捏折半插入排序算法的流程

简介: 用调试来帮你分析并拿捏折半插入排序算法的流程

折半插入排序算法解析


一、理解算法思想


每次从原有数据中取出一个数,插入到之前已经排好的序列中,直到所有的数全部取完,该算法过程与直接插入排序算法极为相似,区别就是在插入的时候 高效 的选择位置。

使用二分(折半)查找来选择插入位置


二、算法流程


外层循环用来找到序列中无序的入口

进入无序入口后,记录入口位置元素值并进入二分查找

二分查找结束后,将元素值向依次后覆盖

最后将入口位置的元素值插入到二分查找结束的位置即可


三、代码实现


1、源代码


int main(void)
{
  int arr[6] = { 27,45,50,35,66,32 };
  int len = sizeof(arr) / sizeof(arr[0]);
  cout << "排序前:" << endl;
  for (int i = 0; i < len; i++) {
  cout << arr[i] << " ";
  }
  cout << endl;
  for (int i = 1; i < len ; i++)
  {
  if (arr[i] < arr[i - 1])
  {
    int temp = arr[i]; 
    int low = 0;
    int high = i - 1;  
    while (low <= high) {
    int middle = (low + high) / 2;
    if (temp < arr[middle])
    {
      high = middle - 1;
    }
    else
    {
      low = middle + 1;
    }
    }
    for (int j = i - 1; j >= high + 1; j--)
    {
    arr[j + 1] = arr[j];
    }
    arr[high + 1] = temp;
  }
  }
  cout << "排序后:" << endl;
  for (int i = 0; i < len; i++) {
  cout << arr[i] << " ";
  }
}


解析:


由于不会出现重复元素,所以最后一定会将搜索区间缩小至low与high重合(左右区间端点不断移动)。在最后一次循环时,low、high的值相同,在比较完成后,左右端点发生交错,相差为1,此时要选择一个变量的值作为新插入元素的位置参照。


需要明确的是,在左右端点重合之前,待插入元素必定是能够落在low与high的区间内的,这就决定了tmp一定大于low对应的元素,小于high对应的元素。


而且最终的插入位置应该放在最后比较元素的后一个位置,也就是mid对应位置的后面,所以是mid+1。如果用low表示,就刚好是low,如果用high表示,则是high+ 1。


2、运行效果



四、调试程序,分析算法流程


1、详细的调试过程


使用VS编译器,在程序更改序列的的位置设置断点



启动调试,可以看到程序已经运行到断点处且无错误



根据上一个调试结果可以看到第一个程序入口位置是 i = 3,二分查找结束的条件是 low >high,那么继续逐语句调试,观察数组中元素值的变化



上一张图片arr[3]变为了50,随之j--,再次调试的话arr[2]的值也会发生改变



可以看到arr[2]的值变为45,那么下一次调试将跳出for循环,arr[1]的将变为入口位置的元素值



那么该入口的折半插入排序就完成了,接下来运行到外层for循环,继续寻找无序入口并重复上面的操作



上次调试的情况是当i=5时,进入折半排序入口,流程和前五步一致,所以直接看最终调试结果




2、时间复杂度


对于折半插入排序来说,元素的串位次数没有并发生变化,只是在查找位置是更加快速了,因此该算法与直接插入排序处于同一量级。不过在数据量很大时,要优于直接插入排序,时间复杂度仍为O(n 2 n^2n

2

)

相关文章
|
8月前
|
人工智能 算法 网络协议
Apipost协议全栈支持+国密算法,调试效率飙出星际!
Apipost是一款强大的API研发管理工具,支持多种协议调试与文档生成。它涵盖HTTP、gRPC、WebSocket、SSE、TCP及金融协议等,提供灵活操作技巧如国密算法支持、实时日志推送、GraphQL可视化查询等。其高效性帮助开发者减少切换工具的时间成本,专注于核心业务逻辑实现,提升开发效率并简化工作流程。
342 2
|
搜索推荐 算法 小程序
基于Java协同过滤算法的电影推荐系统设计和实现(源码+LW+调试文档+讲解等)
基于Java协同过滤算法的电影推荐系统设计和实现(源码+LW+调试文档+讲解等)
|
搜索推荐 算法 小程序
基于Java协同过滤算法的图书推荐系统设计和实现(源码+LW+调试文档+讲解等)
基于Java协同过滤算法的图书推荐系统设计和实现(源码+LW+调试文档+讲解等)
|
算法 搜索推荐 Java
基于SpringBoot+协同过滤算法的家政服务平台设计和实现(源码+LW+调试文档+讲解等)
基于SpringBoot+协同过滤算法的家政服务平台设计和实现(源码+LW+调试文档+讲解等)
|
算法 IDE 开发工具
5.4 芯片SDK开发:算法工程的调试和使用|学习笔记
快速学习5.4 芯片SDK开发:算法工程的调试和使用
5.4 芯片SDK开发:算法工程的调试和使用|学习笔记
|
机器学习/深度学习 算法 自动驾驶
ML之回归预测:利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录
ML之回归预测:利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录
ML之回归预测:利用十(xgboost,10-1)种机器学习算法对无人驾驶汽车系统参数(2017年的data,18+2)进行回归预测值VS真实值——bug调试记录
|
人工智能 移动开发 算法
如何高效开发端智能算法?MNN 工作台 Python 调试详解
随着移动互联网的快速发展,人工智能在移动端上的应用越来越广泛,集团内端智能在图像识别、视频检测、数据计算等核心场景发挥着重要作用。
335 0
如何高效开发端智能算法?MNN 工作台 Python 调试详解
|
机器学习/深度学习 算法
DeepLearning.ai学习笔记(二)改善深层神经网络:超参数调试、正则化以及优化--Week2优化算法
1. Mini-batch梯度下降法 介绍 假设我们的数据量非常多,达到了500万以上,那么此时如果按照传统的梯度下降算法,那么训练模型所花费的时间将非常巨大,所以我们对数据做如下处理: 如图所示,我们以1000为单位,将数据进行划分,令\(x^{\{1\}}=\{x^{(1)},x^{(2)}……x^{(5000)}\}\), 一般地用\(x^{\{t\}},y^{\{t\}}\)来表示划分后的mini-batch。
1071 0
|
传感器 算法 知识图谱
直立平衡车的姿态测量卡尔曼滤波算法原理与应用(附代码及调试截图)
        鄙人最近测量调试直立平衡车的姿态角度时,用到了卡尔曼滤波算法。本着知其然还需知其所以然的学习精神,在网上阅览了很多关于滤波原理及算法应用的文章,加上自己的调试经验,有了一点小小的心得,现在分享给大家。
3701 0
|
28天前
|
机器学习/深度学习 算法 机器人
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
【水下图像增强融合算法】基于融合的水下图像与视频增强研究(Matlab代码实现)
170 0

热门文章

最新文章