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
|
6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。
124 80
|
2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。
|
3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。
|
6天前
|
缓存 算法 搜索推荐
Java中的算法优化与复杂度分析
在Java开发中,理解和优化算法的时间复杂度和空间复杂度是提升程序性能的关键。通过合理选择数据结构、避免重复计算、应用分治法等策略,可以显著提高算法效率。在实际开发中,应该根据具体需求和场景,选择合适的优化方法,从而编写出高效、可靠的代码。
20 6
|
12天前
|
机器学习/深度学习 前端开发 算法
婚恋交友系统平台 相亲交友平台系统 婚恋交友系统APP 婚恋系统源码 婚恋交友平台开发流程 婚恋交友系统架构设计 婚恋交友系统前端/后端开发 婚恋交友系统匹配推荐算法优化
婚恋交友系统平台通过线上互动帮助单身男女找到合适伴侣,提供用户注册、个人资料填写、匹配推荐、实时聊天、社区互动等功能。开发流程包括需求分析、技术选型、系统架构设计、功能实现、测试优化和上线运维。匹配推荐算法优化是核心,通过用户行为数据分析和机器学习提高匹配准确性。
44 3
|
12天前
|
算法
PAI下面的gbdt、xgboost、ps-smart 算法如何优化?
设置gbdt 、xgboost等算法的样本和特征的采样率
32 2
|
27天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
115 15
|
24天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
24天前
|
算法
通过matlab对比遗传算法优化前后染色体的变化情况
该程序使用MATLAB2022A实现遗传算法优化染色体的过程,通过迭代选择、交叉和变异操作,提高染色体适应度,优化解的质量,同时保持种群多样性,避免局部最优。代码展示了算法的核心流程,包括适应度计算、选择、交叉、变异等步骤,并通过图表直观展示了优化前后染色体的变化情况。
|
26天前
|
算法 决策智能
基于遗传优化算法的TSP问题求解matlab仿真
本项目使用遗传算法解决旅行商问题(TSP),目标是在四个城市间找到最短路径。算法通过编码、选择、交叉、变异等步骤,在MATLAB2022A上实现路径优化,最终输出最优路径及距离。

热门文章

最新文章