插入排序算法的实现和优化~

简介: 插入排序算法的实现和优化~

插入排序的基本思想:

在一个已排好序的记录子集的基础上,每一步将下一个待排序的记录有序插入到已排好序的记录子集中,直到将所有待排记录全部插入为止

直接插入排序

直接插入排序是一种最基本的插入排序方法,元素的插入和排序同时进行,其基本操作为,如下图所示:


文字描述(以升序为例):

1:将数组分为两个区域,排序区域和未排序区域,每一轮从未排序区域中取出第一个元素,插入到排序区域(需保证顺序)

2:重复以上步骤,直到整个数组有序

package bin_find;
import java.util.Arrays;
public class Insert_sort {
    public static void main(String[] args) {
        int arr[]={3,1,29,4,8,10,71,22};
        sort(arr);
    }
    public static void sort(int arr[]){
        //起初将数组的第一个元素视为有序区域,剩下元素即为无序区域,因此无序区域应为下标为1的元素
        for(int i=1;i<arr.length;i++){
            //暂存区域的元素始终为无序区域的第一个元素
            int t=arr[i];
            //j始终为有序区域的最后一个元素下标
            int j=i-1;
            //该循环完成的是比较+移动的操作,循环次数为比较次数,也就是有序数组的长度
            while(j>=0){
                //当暂存区域元素小于有序区域的最后一个元素时
                if(t<arr[j]){
                    //将有序区域的元素向后移动一位
                    arr[j+1]=arr[j];
                }
                //否则本轮排序结束
                else{
                    break;
                }
                j--;//表示将暂存区域的元素与有序区域的元素一一进行比较,直到比较完有序区域的第一个元素
            }
            arr[j+1]=t;//将元素插入对应的位置
            System.out.println("第"+i+"趟插入排序的结果为:"+Arrays.toString(arr));
        }
    }
}

输出如下:

第1趟插入排序的结果为:[1, 3, 29, 4, 8, 10, 71, 22]
第2趟插入排序的结果为:[1, 3, 29, 4, 8, 10, 71, 22]
第3趟插入排序的结果为:[1, 3, 4, 29, 8, 10, 71, 22]
第4趟插入排序的结果为:[1, 3, 4, 8, 29, 10, 71, 22]
第5趟插入排序的结果为:[1, 3, 4, 8, 10, 29, 71, 22]
第6趟插入排序的结果为:[1, 3, 4, 8, 10, 29, 71, 22]
第7趟插入排序的结果为:[1, 3, 4, 8, 10, 22, 29, 71]

优化方式:

1.待插入元素进行比较时,遇到比自己小的元素,就代表找到了插入位置,直接循环退出,无需进行后续比较

2.插入时可以直接移动元素,而不是交换元素

选择排序比较:

1:二者平均时间复杂度都是 0(n^2)
2:大部分情况下,插入都略优于选择
3:有序集合插入的时间复杂度为 0(n)
4:插入属于稳定排序算法,而选择属于不稳定排序

上述的选择排序并不是最优的,当某些元素从起始位置移动到最终位置需要移动的次数过多时,这会很麻烦,如下所示:

假设我们需要将下述的无序数组通过插入排序使之成为有序数组,那么元素9会移动7次!

对于这种情况,我们可以使用希尔排序!

希尔排序:[掌握思路]

步骤:

以上述实例为例进行:

第一步:选择间距为4的元素进行插入排序

排序后的结果为:


第2步:选择间距为2的元素进行插入排序

排序后的结果为:

第3步:选择间距为1的元素进行插入排序,也就是普通的插入排序,排序结果如下:


使用希尔排序,我们通过上述步骤,可以看出元素9只移动了3次

对于间隙的选择是多种多样的,不同的队列选择它的时间复杂度也是不同的,这里我们主要学习它的思路

练习题:

one:


答案为:9,18,19,23,23,15

two:

答案为:9,15,18,19,23,23

相关文章
|
18天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
153 80
|
6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-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
8天前
|
机器学习/深度学习 人工智能 算法
机器学习算法的优化与改进:提升模型性能的策略与方法
机器学习算法的优化与改进:提升模型性能的策略与方法
93 13
机器学习算法的优化与改进:提升模型性能的策略与方法
|
4天前
|
移动开发 算法 计算机视觉
基于分块贝叶斯非局部均值优化(OBNLM)的图像去噪算法matlab仿真
本项目基于分块贝叶斯非局部均值优化(OBNLM)算法实现图像去噪,使用MATLAB2022A进行仿真。通过调整块大小和窗口大小等参数,研究其对去噪效果的影响。OBNLM结合了经典NLM算法与贝叶斯统计理论,利用块匹配和概率模型优化相似块的加权融合,提高去噪效率和保真度。实验展示了不同参数设置下的去噪结果,验证了算法的有效性。
|
3天前
|
算法 决策智能
基于SA模拟退火优化算法的TSP问题求解matlab仿真,并对比ACO蚁群优化算法
本项目基于MATLAB2022A,使用模拟退火(SA)和蚁群优化(ACO)算法求解旅行商问题(TSP),对比两者的仿真时间、收敛曲线及最短路径长度。SA源于金属退火过程,允许暂时接受较差解以跳出局部最优;ACO模仿蚂蚁信息素机制,通过正反馈发现最优路径。结果显示SA全局探索能力强,ACO在路径优化类问题中表现优异。
|
11天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
14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-GRU-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-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
15天前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。
|
8天前
|
传感器 算法
基于GA遗传优化的WSN网络最优节点部署算法matlab仿真
本项目基于遗传算法(GA)优化无线传感器网络(WSN)的节点部署,旨在通过最少的节点数量实现最大覆盖。使用MATLAB2022A进行仿真,展示了不同初始节点数量(15、25、40)下的优化结果。核心程序实现了最佳解获取、节点部署绘制及适应度变化曲线展示。遗传算法通过初始化、选择、交叉和变异步骤,逐步优化节点位置配置,最终达到最优覆盖率。
|
8天前
|
算法
基于RRT优化算法的机械臂路径规划和避障matlab仿真
本课题基于RRT优化算法实现机械臂路径规划与避障。通过MATLAB2022a进行仿真,先利用RRT算法计算避障路径,再将路径平滑处理,并转换为机械臂的关节角度序列,确保机械臂在复杂环境中无碰撞移动。系统原理包括随机生成树结构探索空间、直线扩展与障碍物检测等步骤,最终实现高效路径规划。