哎孩
哎孩

算法分析——排序算法（归并排序）复杂度分析（主定理法）

       前两篇文章中分别是要用递归树、代换法对归并排序的时间复杂度进行了简单的分析和证明，经过两次分析后，我们发现递归树法的特点是：可以很直观的反映出整个归并排序算法的各个过程，但因为要画出递归树所以比较麻烦，所以递归树算法更适合新手，因为它可以让分析者更直观、简易的理解递归式算法的各个过程并对各个过程的分析、合并，但因为需要要画递归树，所以比较复杂。代换法也仅适合在已经大致猜测出算法的复杂度的时候，对猜测解进行证明。那有没有一种分析方法即可以在没有事先明确算法复杂度的大致解，又可以让分析者在较短的时间算出算法的复杂度？

数学定义

        今天这篇文章讲述的主定理法就可以通过套用公式简单、快速算出递归式算法的复杂度。下面我们首先描述下主定理法的数学定义：

         递归式T(n) = aT(\frac{n}{b}) + f(n)，函数T(n)需要满足设a\geq 1，b> 1，b > 1，f(n)为正函数，\frac{n}{b}可能是\frac{n}{b}或\left \lfloor \frac{n}{b} \right \rfloor或\left \lceil \frac{n}{b} \right \rceil递归式函数T(n)可能的渐进界有以下三种可能：

          1.若存在某常数\varepsilon > 0，都有f(n) = O(n^{({log_{b}}a)-\varepsilon })，则T(n) = \theta (n^{^{{log{b}}^{a}}})     

          2.若f(n) = \theta (n^{{log_{b}}^{a}}),则T(n) = \theta (n^{{log_{b}}{a}}logn)   

          3.若存在某常数\epsilon > 0，有f(n)=Ω(n^{{log_{b}}^{a}+\varepsilon })f(n) = \Omega (n^{({log_{b}}{a})+\varepsilon })，且存在某常数c< 1与所有足够大的n，有af(\frac{n}{b}) \leq cf(n)，则T(n) = \Theta (f(n))

了解了主定理的数学定义之后，我们只需要将归并排序的递归式代入到主定理的数学公式中，即可在很短的时间内获得归并排序的时间复杂度，下面就会给出证明过程。

归并排序时间复杂度求解

对于归并排序的时间复杂度函数T(n) = 2T(\frac{n}{2}) + O(n)，可知a=2,b=2,f(n) = O(n)，所以符合第二种情况，由此可得T(n) = \Theta (nlogn)。     

      看到这里，大家是不是觉得主定理法在解归并排序或者说在解递归算法的复杂度函数式时，特别的方便和快捷。但现在应该还会有很多人在疑惑主定理这么好用，但这个公式是怎么的来的？在任何情况下的递归式都可以使用吗？怎么证明这个公式是正确的？

主定理公式证明

        由上述的数学定义中可知，b在取值时可分为三种情况，即第一种n可被b整除时取\frac{n}{b}，第二种n不可被b整除时取\left \lfloor \frac{n}{b} \right \rfloor，第三种n不可被b整除时取\left \lceil \frac{n}{b} \right \rceil。这里首先使用n可被b整除的情况进行证明。在进行公式证明之前，这里做个简单而且更直观的图形化解读，这样可以让一些基础比较差的同学更好的理解主定理的数学定义。

算法分析——排序算法（归并排序）复杂度分析（主定理法）_第1张图片

由下图我们可以得知，递归树的根节点为f(n)，随后每往下一层都会分裂为a个问题规模为f(\frac{n}{b})的子节点，分裂{log_{b}}{a}次后分裂结束，此时分裂出n^{{log_{b}}{a}}叶子节点，叶子节点的问题规模为\Theta (1)。由递归树可得 

               T(n) = \sum_{j=0}^{({log_{b}}{n})-1}a^{j}f(\frac{n}{b^{j}}) + \Theta (n^{{log_{b}}{a}})

证明1.若存在某常数\varepsilon > 0，都有f(n) = O(n^{({log_{b}}a)-\varepsilon })，则T(n) = \theta (n^{^{{log{b}}^{a}}})     

             f(\frac{n}{b^{j}}) = O((\frac{n}{b^{j}})^{({log_{b}}{a})-\varepsilon}) = c(\frac{n}{b^{j}})^{({log_{b}}{a})-\varepsilon}

             T(n) = \sum_{j=0}^{({log_{b}}{n})-1}a^{j}f(\frac{n}{b^{j}}) + \Theta (n^{{log_{b}}{a}}) \leq \sum_{j=0}^{({log_{b}}{n})-1}c.a^{j} (\frac{n}{b^{j}})^{({log_{b}}{a})-\varepsilon} + \Theta (n^{{log_{b}}{a}})

             T(n) = cn^{({log_{b}}{a}) - \varepsilon } \sum_{j=0}^{({log_{b}}{n})-1}\frac{a^{j}}{(b^{({log_{b}}{a})-\varepsilon })^{j}}+ \Theta (n^{{log_{b}}{a}})

             T(n) =cn^{({log_{b}}{a}) - \varepsilon } \sum_{j=0}^{({log_{b}}{n})-1}\frac{a^{j}}{(\frac{a}{b^{\varepsilon }})^{j}} + \Theta (n^{{log_{b}}{a}})

             T(n)= cn^{({log_{b}}{a}) - \varepsilon } \sum_{j=0}^{({log_{b}}{n})-1}(b^{\varepsilon })^{j} + \Theta (n^{{log_{b}}{a}}) 

这时可以看出\sum_{j=0}^{({log_{b}}{n})-1}(b^{\varepsilon })^{j}其实是个等比序列，等比序列求和公式S(n) = a1.\frac{1-q^{n}}{1-q}，a1为序列首项,q为公比，所以可得

              T(n)= cn^{({log_{b}}{a}) - \varepsilon }.\frac{1-(b^{\varepsilon })^{{log_{b}}{n}}}{1-b^{\varepsilon }} + \Theta (n^{{log_{b}}{a}})

              T(n) = cn^{({log_{b}}{a}) - \varepsilon }.\frac{1-n^{\varepsilon }}{1-b^{\varepsilon }}+ \Theta (n^{{log_{b}}{a}}) = cn^{({log_{b}}{a}) - \varepsilon }\frac{n^{\varepsilon }-1}{b^{\varepsilon }-1}+ c1. n^{{log_{b}}{a}}  

              T(n) =\frac{1}{b^{\varepsilon }-1}(cn^{({log_{b}}{a})-\varepsilon }n^{\varepsilon }-cn^{({log_{b}}{a})-\varepsilon })+ c1. n^{{log_{b}}{a}}

              T(n) = \frac{1}{b^{\varepsilon }-1}(cn^{{log_{b}}{a}}-cn^{({log_{b}}{a})-\varepsilon }) + c1. n^{{log_{b}}{a}}

因为\varepsilon > 0，所以T(n)的最高阶则为n^{{log_{b}}{a}}，所以T(n) = \theta (n^{^{{log{b}}^{a}}})。情况1证毕。

 

证明2.若f(n) = \theta (n^{{log_{b}}^{a}}),则T(n) = \theta (n^{{log_{b}}{a}}logn)   

              f(\frac{n}{b^{j}}) = \Theta ((\frac{n}{b^{j}})^{{log_{b}}{a}})

              T(n) = \sum_{j=0}^{({log_{b}}{n})-1}a^{j}f(\frac{n}{b^{j}}) + \Theta (n^{{log_{b}}{a}}) 

              T(n) = \Theta( \sum_{j=0}^{({log_{b}}{n})-1}a^{j}((\frac{n}{b^{j}})^{{log_{b}}{a}})) + \Theta (n^{{log_{b}}{a}})

              T(n) = \Theta( n^{{log_{b}}{a}}\sum_{j=0}^{({log_{b}}{n})-1}\frac{a^{j}}{a^{j}}) + \Theta (n^{{log_{b}}{a}})

根据公式可得 T(n) = \Theta ({n^{{log_{b}}{a}}log_{b}}{n})，再根据对数函数的换地公式最后可得T(n) = \Theta ({n^{{log_{b}}{a}}log_}{n})。情况2证毕。

 

证明3.若存在某常数\epsilon > 0，有f(n) = \Omega (n^{({log_{b}}{a})+\varepsilon })，且存在某常数c< 1与所有足够大的n，有af(\frac{n}{b}) \leq cf(n)，则T(n) = \Theta (f(n))

               T(n) = \sum_{j=0}^{({log_{b}}{n})-1}a^{j}f(\frac{n}{b^{j}}) + \Theta (n^{{log_{b}}{a}})               

               \because af(\frac{n}{b}) \leq cf(n)

                \therefore a^{j}f(\frac{n}{b^{j}}) \leq c^{j}f(n)①

               T(n) \leq \sum_{j=0}^{({log_{b}}{n})-1}c^{j}f(n) + \Theta (n^{{log_{b}}{a}}) = f(n)\sum_{j=0}^{({log_{b}}{n})-1}c^{j} + \Theta (n^{{log_{b}}{a}})

              T(n) \leq f(n) \sum_{j=0}^{\propto }c^{j} + \Theta (n^{{log_{b}}{a}})

              \because c<1 \therefore T(n) \leq \frac{1}{1-c}f(n) + \Theta (n^{{log_{b}}{a}})

              \because f(n) = \Omega (n^{({log_{b}}{a})+\varepsilon }) 所以f(n)的最高阶大于\Theta (n^{{log_{b}}{a}})的最高阶

               \therefore T(n) = O(f(n))     

               T(n) = \sum_{j=0}^{({log_{b}}{n})-1}a^{j}f(\frac{n}{b^{j}}) + \Theta (n^{{log_{b}}{a}})

               T(n) = f(n) + af(\frac{n}{b}) + ...+ a^{{log_{b}}{a}}f(\frac{n}{b^{{log_{b}}{a}}}) + \Theta (n^{{log_{b}}{a}})   

               T(n) = \Omega (f(n))+ \Theta (n^{{log_{b}}{a}})= \Omega (f(n))  

由T(n) = O(f(n))和 T(n) = \Omega (f(n))  可得  T(n) =\Theta (f(n)) 。情况3证毕。

        至此，在n可以被b整除的情况已经证明完毕，因为篇幅问题，这里不在对n不可以被b整除的另外两种情况证明，有兴趣的同学可以网上搜索一下，资料很多。经过了详细的数学公式证明后，相信很多人已经了解了主定理的证明。但此时应该还有很多人疑惑，为什么主定理分为了三种情况，这三种情况又是依据什么进行划分的？数学基础比较好的同学现在应该已经理解，这里将做一个简单的文字阐述，以便数学基础较差的同学理解。

       由上图的递归树可得知，整个递归树的复杂度是由递归树中各层节点的加和所得。而每层节点的复杂度也是呈数学级数改变。而主定理的三种情况就是根据每层节点复杂度递增或递减时的数学级数的不同所制定。

        第一种情况：节点的复杂度随着递归树的深度越深而呈几何级数（甚至更高）单调递增，所以在递归树的叶子节点的复杂度的阶数是最高的，也就是说递归式的复杂度由叶子节点复杂度的阶数所决定，所以T(n) = \theta (n^{^{{log{b}}^{a}}})。

        第三种情况：节点的复杂度随着递归树的深度越深而呈几何级数（甚至更高）单调递减，所以在递归树的根节点的复杂度的阶数是最高的，也就是说递归式的复杂度由叶子节点复杂度的阶数所决定，所以T(n) = \Theta (f(n))。

        第二种情况：节点的复杂度随着递归树的深度越深而呈较小级数（甚至不变）单调递减或递减，所以在递归树的各个节点的复杂度的阶数相似，也就是说递归式的复杂度由所有子节点复杂度的阶数所决定，而由于每层节点的复杂度变动较小（甚至不变），所以在渐进角度看，可以认为每层所有节点的复杂度之和大致相同为\theta (n^{^{{log{b}}^{a}}})，所以T(n) = \theta (n^{{log_{b}}{a}}logn)。

         

注释①：得到该公式的过程，此处不在详述，大致意思为递归树中每往下一层，子节点的复杂度便会降低父节点的复杂度的c倍（c< 0），此处可以也写为a^{j}f(\frac{n}{b^{j}}) \leq cf(n)，不过这样的写法并不是渐进紧确的。

你可能感兴趣的:(算法分析)

  • 用Python打造AI玩家：挑战2048，谁与争锋 穿梭的编织者 人工智能python
    文章目录一、创作背景二、效果图三、准备工作1.安装Chrome和ChromeDriver2.安装Python库四、代码说明‌1.init_driver函数‌2.play_2048函数‌五、完整代码六、改进版本七、主要模块八、核心算法分析1.棋盘状态获取2.位置权重系统3.连续性评估4.单调性评估5.移动模拟系统九、评估系统1.评估标准2.决策机制十、性能优化1.延迟控制2.错误处理十一、完整代码编
  • leetcode【面试经典150系列】（一） 23#.lsy 算法算法数据结构
    目录121.买卖股票最佳时机题目描述示例算法分析代码(python3)122.买卖股票最佳时机II题目描述示例算法分析代码（python3）55.跳跃游戏题目描述示例算法分析代码45.跳跃游戏II题目描述示例算法分析代码121.买卖股票最佳时机题目描述给定一个数组prices，它的第i个元素prices[i]表示一支给定股票第i天的价格。你只能选择某一天买入这只股票，并选择在未来的某一个不同的日子
  • 简单区分 五大算法分析策略（分治、动态规划、贪心、回溯、分支限界） 土味儿~ 数据结构与算法数据结构与算法
    一、分治法1、设计思想将一个难以直接解决的大问题，分割成k个规模较小的子问题，这些子问题相互独立，且与原问题相同，然后各个击破，分而治之。2、递归算法分治法常常与递归结合使用：通过反复应用分治，可以使子问题与原问题类型一致而规模不断缩小，最终使子问题缩小到很容易求出其解，由此自然导致递归算法。3、子问题规模根据分治法的分割原则，应把原问题分割成多少个子问题才比较适宜？每个子问题是否规模相同或怎样才
  • python运动统计 2024年9月python二级真题 青少年编程电子学会编程等级考试python二级真题解析 小兔子编程 Python编程Python二级真题Python考级真题Python二级题目Python案例Python运动统计Python信息素养
    目录python字符串输出一、题目要求1、编程实现2、输入输出二、算法分析三、程序代码四、程序说明五、运行结果六、考点分析七、推荐资料1、蓝桥杯比赛2、考级资料3、其它资料python字符串输出2024年9月python编程等级考试二级编程题一、题目要求1、编程实现李想同学是班级的体育委员，他负责统计和督促同学们加强锻炼。因此，他统计了班上几位同学周一和周二的运动步数。周一的步数分别为：4125,
  • lec9-Sortings lizz31 #24Fall数据结构NJUSE专业课排序算法算法数据结构
    lec9-Sorting排序1.概述2.插入排序插入排序这一个大类的思想，是v0,…vi-1都插入好了，考虑vi插入进去2.1.直接插入排序voidsort(intarr[],intn){for(inti=1;i=0;j--){if(arr[j]>temp){arr[j+1]=arr[j]}else{arr[j]=temp;break;}}}}直接插入排序的手动模拟？可能会考到算法分析部分：最好情
  • 数据结构理论 @YeMaolin 算法设计与分析数据结构c++
    目录基本概念和术语数据数据元素数据项数据对象数据结构数据的结构逻辑结构存储结构（物理结构）数据类型定义原子数据类型结构数据类型抽象数据类型（AbstractDataType，ADT）算法和算法分析算法算法设计要求时间复杂度空间复杂度基本概念和术语数据对客观事物的符号表示，描述客观事物的数、字符、以及所有能输入到计算机中，被计算机程序识别和处理的符号的集合。包括数值型数据和非数值型数据。数据元素数据
  • 【蓝桥杯省赛真题45】python输出字符 中小学青少年组蓝桥杯比赛 算法思维python编程省赛真题解析 小兔子编程 蓝桥杯python省赛真题详解蓝桥杯pythonPython输出字符Python蓝桥杯省赛Python算法思维Python信息素养真题蓝桥杯Python省赛真题
    目录python输出字符串一、题目要求1、编程实现2、输入输出二、算法分析三、程序编写四、程序说明五、运行结果六、考点分析七、推荐资料1、蓝桥杯比赛2、考级资料3、其它资料python输出字符串第十四届蓝桥杯青少年组python比赛省赛真题一、题目要求（注：input（）输入函数的括号中不允许添加任何信息）1、编程实现给定一个只包含小写字母的字符串S(S长度>3)，请输出字符串S的第一个字符和最后
  • 算法分析-贪心算法 old-handsome 算法贪心算法算法
    文章目录前言一、定义二、特点三、使用场景适用场景：何时使用部分背包问题活动安排问题最优装载问题最小生成树Prim算法：按点检索，适用于稠密图Kruskal算法：并查集+最小生成树Dijkstra算法：不能存在负权边，松弛操作总结前言本博客仅做学习笔记，如有侵权，联系后即刻更改科普：贪心算法一、定义贪心算法是指在对问题进行求解时，在每一步选择中都采取最好或者最优(最有利)的选择，从而希望最终结果是最
  • 算八字和阴阳五行（Java基础） 夜不眠，码三千 java开发语言
    目录一、引言二、问题描述三、问题分析四、算法分析1.年柱2.月柱3.日柱4.时柱五、完整代码展示六、结果验证七、结语一、引言每年回家过年，亲戚们都会问我“小韩学的什么专业呀，给七大姑八大姨展示一下呀”等等一系列类似的问题。今年在机缘巧合之下，我接触到了算卦，并且通过某音某站学习到了一下关于算卦的一些基础算法，比如说算八字，算五行等等，然后我就有了一个神奇的想法，要是将算卦和Java结合起来会是什么
  • 数据结构------最短路弗洛伊德算法（Flody) 不羁修士 数据结构c++图论数据结构图搜索算法动态规划
    目录前言一、Foldy代码核心介绍二、Flody代码详解：三、所有代码：四、Foldy算法分析:总结前言如果你要求所有顶点至所有顶点的最短路径问题时，弗洛伊德算法是非常不错的选择。因为它十分简洁。一、Foldy代码核心介绍(1)两个二维数组D[v][w]和P[v][w]，分别存最短距离和最短路径。(2)D[v][w]=min(D[v,w]，D[v][k]+D[k][w])二、Flody代码详解：/
  • 【算法】贪心算法 希冀123 算法算法贪心算法
    贪心算法1.贪心介绍2.贪心本质3.最优装载问题（1）问题分析（2）算法实现（3）算法分析1.贪心介绍贪心算法总是做出当前最好的选择，期望通过局部最优选择得到全局最优的解决方案。但贪心不是从整体最优来考虑的，一旦做出选择，不会再改变，只能达到某种意义上的局部最优。简记为：想要当下最好的，但会导致目光短浅2.贪心本质应用情景：当出现两个特性——贪心选择性质和最优子结构性质时可用。（1）贪心选择性质：
  • 【算法分析】实验 4. 回溯法求解0-1背包等问题 weixin_30387663 数据结构与算法
    目录实验内容实验目的实验结果步骤1：描述与分析步骤2：策略以及数据结构步骤3步骤4步骤5步骤6实验总结实验内容本实验要求基于算法设计与分析的一般过程（即待求解问题的描述、算法设计、算法描述、算法正确性证明、算法分析、算法实现与测试），通过回溯法的在实际问题求解实践中，加深理解其基本原理和思想以及求解步骤。求解的问题为0-1背包。作为挑战：可以考虑回溯法在其他问题（如最大团问题、旅行商、图的m着色问
  • AcWing 3691：有向树形态 ← 卡特兰数 + 复旦大学考研机试题 hnjzsyjyj 信息学竞赛#模拟算法与基础语法卡特兰数
    【题目来源】https://www.acwing.com/problem/content/3694/【题目描述】求N个相同结点能够组成的二叉树的个数。【输入格式】一个整数N。【输出格式】输出能组成的二叉树的个数。【数据范围】1≤N≤20【输入样例】3【输出样例】5【算法分析】●卡特兰数（Catalannumber）是组合数学中一个常出现在各种计数问题中的数列。若从第0项开始，则卡特兰数列h[n]为
  • 【数据结构】排序算法---基数排序（动图演示） Crossoads C语言之数据结构初阶排序算法数据结构算法开发语言c语言
    文章目录1.定义2.算法步骤2.1MSD基数排序2.2LSD基数排序3.LSD基数排序动图演示4.性质5.算法分析6.代码实现C语言PythonJavaC++Go结语⚠本节要介绍的不是计数排序1.定义基数排序（英语：Radixsort）是一种非比较型的排序算法，最早用于解决卡片排序的问题。基数排序将待排序的元素拆分为k个关键字，逐一对各个关键字排序后完成对所有元素的排序。如果是从第1关键字到第k关
  • 算法分析与设计（一）——0-1背包问题 冠long馨 数据结构与算法算法动态规划数据结构背包问题
    文章目录1三种背包问题详解2最值问题1.10-1背包问题1.2零钱兑换1.3一和零1.4最后一块石头的重量3.恰好背包容量问题4.排列组合问题4.1目标和4.2组合总和Ⅳ在简单复习完数据结构以后，便开始了算法复习。本博客将结合复习视频与LeetCode题目，面向机考算法复习。背包动态规划问题一般分为三种题型：最值问题：给定可选物品和限定容量，求最大价值或者最大体积。①0-1背包问题②完全背包问题。
  • 无人机目标飞行跟踪 无人机长了一个脑袋 无人机
    无人机目标飞行跟踪主要通过无人机搭载的摄像头或其他传感器采集环境信息，通过算法分析识别目标物体，并对其进行精确跟踪‌。‌无人机采用先进的控制算法和导航系统，根据目标的位置和运动状态动态调整飞行路径‌。这些算法能够处理传感器传来的大量数据，预测目标的运动轨迹，从而确保跟踪的准确性和稳定性‌。在实际操作中，用户可以通过遥控器的智能追踪模式，将目标框对准想要跟踪的目标，无人机将自动调整飞行高度和位置，确
  • 必学排序算法——快速排序 曙曙学编程 算法排序算法算法
    目录前言一、什么是快速排序二、算法步骤三、算法思想四、算法分析五、算法优点六、算法缺点七、优化方案八、c++代码模板九、算法动态图解十、经典真题1.存在重复元素代码题解2.多数元素十、结语前言快速排序算法是必须掌握的一种基础算法，在一些比较出名的竞赛acm、蓝桥杯，并且在一些公司面试题中都可能会出现，而且作为简单题我们必须要拿下，所以我们要引起重视，下面让我们来深入了解归并快速算法。一、什么是快速
  • 模拟骰子投掷结果 ← Python hnjzsyjyj Python程序设计Pythonrandint
    【算法代码】importrandomx=random.randint(1,6)print(f"骰子投掷结果:{x}")【算法分析】●函数randint(a,b)生成一个位于区间[a,b]的随机整数。●函数random()生成一个位于区间[0,1.0]的随机浮点数。
  • 《扫雷》游戏获胜算法分析 三雷科技 QT小王子扫雷qtc++算法游戏程序
    目录错误算法正确算法扫雷游戏中是否能够获胜，其实获胜的算法很容易计算。计算思路如下。获胜的条件其实就是将所有的雷排除干净，并且将非雷的区域全部点击完毕。判断方格属性，如果方格的属性全部是雷，那么就可以认为获胜的话，这样会有漏洞，用户可以通过尝试的方法，在雷区不断的标注小旗，这样就可以获胜了。错误算法如下，统计用户确定（isOk）的方格为雷的数量。这样判断会有一个问题那就是用户盲标记，其实并没有进行
  • C++中常用的排序方法之——冒泡排序 Stanford_1106 学习C++高级教程算法java排序算法微信开放平台微信小程序微信公众平台学习
    成长路上不孤单【14后///计算机爱好者///持续分享所学///如有需要欢迎收藏转发///】今日分享关于C++中常用的排序方法之——冒泡排序的相关内容！关于【C++中常用的排序方法之——冒泡排序】目录：一、冒泡排序的定义二、冒泡排序的算法原理三、冒泡排序的算法示例四、冒泡排序的算法分析五、冒泡排序的特点六、冒泡排序的优点七、冒泡排序的缺点冒泡排序（BubbleSort）‌一、冒泡排序的定义冒泡排序
  • 利用 Python 编程随机生成 n 个 1~9 之间的整数，然后统计生成的各个随机整数的个数。 hnjzsyjyj Python程序设计Python列表
    【题目描述】利用Python编程随机生成n个1~9之间的整数，然后统计生成的各个随机整数的个数。【算法分析】●输入的n必须≥10，这是因为代码中数组cnt[]的下标会到9。若n小于10，将不会有下标9，就会产生IndexError。●利用“桶排序”中“桶”的思想进行统计。【算法代码】fromrandomimport*n=eval(input("Enteranintegerwhich≥10:"))c
  • 数据结构与算法分析：专题内容——人工智能中的寻路3之广度优先搜索（代码详解） 梅见十柒 数据结构与算法分析算法c语言广度优先笔记
    一、前言广度优先搜索尝试在不重复访问状态的情况下，寻找到一条最短路径。广度优先搜索保证如果存在一条到目标状态的路径，那么找到的肯定是最短路径。事实上，深度优先搜索和广度优先搜索的唯一不同就是广度优先搜索使用队列来保存开放集，而深度优先搜索使用栈。每次迭代时，广度优先搜索从队列头拿出一个未访问的状态，然后从这个状态开始，计算后继状态。如果达到了目标状态，那么搜索结束。任何已经在闭合集中的后继状态将会
  • 算法——归并排序（基本思想、java实现、实现图解） Camel卡蒙 数据结构与算法算法java排序算法
    我是一个计算机专业研0的学生卡蒙Camel（刚保研）记录每天学习过程（主要学习Java、python、人工智能），总结知识点（内容来自：自我总结+网上借鉴）希望大家能一起发现问题和补充，也欢迎讨论文章目录归并排序介绍Java代码实现算法分析实现图解️和快速排序对比(面试)归并排序介绍归并排序（MergeSort）是一种基于分治法的排序算法。将已有序的子序列合并，得到完全有序的序列；即先使每个子序列
  • AI大模型如何赋能电商行业，引领变革 虞书欣的C 人工智能开发语言
    •个性化推荐：利用机器学习算法分析用户的历史购买记录、浏览行为和喜好，生成个性化的产品推荐列表，提升用户的购买意愿和满意度。•优化用户体验：•智能搜索引擎：运用自然语言处理技术，优化搜索引擎，让用户能够通过自然语言进行搜索。•虚拟客服：通过聊天机器人和语音助手，提供24/7的客户支持，快速解答用户咨询。•图像识别：利用计算机视觉技术，用户可以通过拍照识别商品，快速找到相似商品或进行排版搭配推荐。•
  • 时间复杂度分为几种 青云游子 算法算法排序算法数据结构
    按照快到慢排序O(1)O(logN)O(N)O(NlogN)O(N^2)例子O(1)hashsethashmap数组下标O(logN)折半查找树形遍历O(N)list查询值数组查询值O(NlogN)进阶排序快排堆排归并O(N^2)简单排序冒泡插入选择ChatGPT时间复杂度是衡量算法执行时间随输入规模增长而变化的度量。它用大O符号表示，表示算法执行时间的增长率。在算法分析中，常见的时间复杂度有以下
  • AI算法部署方式对比分析：哪种方案性价比最高？ TSINGSEE AI智能人工智能视频监控技术安防视频监控
    随着人工智能技术的飞速发展，AI算法在各个领域的应用日益广泛。AI算法的部署方式直接关系到系统的性能、实时性、成本及安全性等多个方面。本文将探讨AI算法分析的三种主要部署方式：本地计算、边缘计算和云计算，并详细分析它们的优劣性。一、本地计算1）部署方式本地计算是指将AI算法直接部署在摄像头或其他终端设备上。这种部署方式使得数据处理和分析在设备本地完成，无需通过网络传输数据。2）优点高效实时：由于数
  • 图灵机和人脑的基础算法分析 深巷卖樱桃 程序人生机器学习改行学it人工智能
    图灵机是计算机的原型，图灵机的实现原理是计算机cpu的原理。因此，我们来深入剖析一下图灵机的原理借此一窥cpu的核心功能。以实现加法功能2+3为例：一.首先是目的：计算什么：2+3二.其次是资源准备：1.硬件资源：无限延伸的纸带纸带，读写头2.软件资源：要计算的数字3.条件资源：这里需要用到读写头，用来感知和执行三.最后是方法，指令对照表如下：（二进制）01q11Rq21Rq1q20Lq31Rq2
  • 如何利用AI技术来提升用户的个性化体验和社区参与度？ Itfuture03 AI前沿技术人工智能
    要利用AI技术提升用户的个性化体验和社区参与度，可以采取以下几种策略：个性化推荐系统：通过AI算法分析用户的行为和偏好，提供定制化的服务和内容推荐，如智能推荐活动、健康管理等，让居民感受到社区的温暖和关怀。智能助手与聊天机器人：引入AI驱动的虚拟助手，提供实时帮助、个性化建议和交互式对话，改善客户体验。自然语言处理（NLP）：实现具有AI能力的NLP，创建对用户友好的应用程序，简化用户体验，如客服
  • 【软考】希尔排序算法分析 王佑辉 软考算法算法软考
    目录1.c代码2.运行截图3.运行解析1.c代码#include#includevoidshellSort(intdata[],intn){//划分的数组，例如8个数则为[4,2,1]int*delta;intk;//i控制delta的轮次inti;//临时变量，换值inttemp;intdk;intj;k=n;delta=(int*)malloc(sizeof(int)*(n/2));i=0;d
  • 大厂必备的加解密算法分析与应用场景 不惑_ 实战系列算法数据库
    加解密算法分析与应用场景在日常开发中，无论是使用何种编程语言，我们都会遇到加解密的需求。例如，为了保护接口数据安全，我们需要对数据进行加密传输；在HTTPS协议中，通过非对称加密传输客户端私钥，然后双方使用该私钥进行对称加密通信；使用MD5算法进行文件一致性校验等。然而，面对众多的加解密方案，我们往往不清楚何时使用哪种方法。本文将为您梳理当前主流的加解密技术，并对算法进行科普性说明，但不涉及具体算
  • PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 javaUIPHPandroidlinux
    ╔-----------------------------------╗┆                           
  • 各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 bozch .net.net mvc
    在.net mvc5中，在执行某一操作的时候，出现了如下错误：       各表中的列名必须唯一。在表 'dbo.XXX' 中多次指定了列名 'XXX'。 经查询当前的操作与错误内容无关，经过对错误信息的排查发现，事故出现在数据库迁移上。 回想过去： 在迁移之前已经对数据库进行了添加字段操作，再次进行迁移插入XXX字段的时候，就会提示如上错误。  &
  • Java 对象大小的计算 e200702084 java
                              Java对象的大小 如何计算一个对象的大小呢？    
  • Mybatis Spring 171815164 mybatis
    ApplicationContext ac = new ClassPathXmlApplicationContext("applicationContext.xml"); CustomerService userService = (CustomerService) ac.getBean("customerService"); Customer cust
  • JVM 不稳定参数 g21121 jvm
            -XX 参数被称为不稳定参数，之所以这么叫是因为此类参数的设置很容易引起JVM 性能上的差异，使JVM 存在极大的不稳定性。当然这是在非合理设置的前提下，如果此类参数设置合理讲大大提高JVM 的性能及稳定性。        可以说“不稳定参数”
  • 用户自动登录网站 永夜-极光 用户
    1.目标:实现用户登录后,再次登录就自动登录,无需用户名和密码 2.思路:将用户的信息保存为cookie            每次用户访问网站,通过filter拦截所有请求,在filter中读取所有的cookie,如果找到了保存登录信息的cookie,那么在cookie中读取登录信息,然后直接
  • centos7 安装后失去win7的引导记录 程序员是怎么炼成的 操作系统
    1.使用root身份(必须)打开 /boot/grub2/grub.cfg 2.找到 ### BEGIN /etc/grub.d/30_os-prober ###   在后面添加    menuentry "Windows 7 (loader) (on /dev/sda1)" { 
  • Oracle 10g 官方中文安装帮助文档以及Oracle官方中文教程文档下载 aijuans oracle
    Oracle 10g 官方中文安装帮助文档下载：http://download.csdn.net/tag/Oracle%E4%B8%AD%E6%96%87API%EF%BC%8COracle%E4%B8%AD%E6%96%87%E6%96%87%E6%A1%A3%EF%BC%8Coracle%E5%AD%A6%E4%B9%A0%E6%96%87%E6%A1%A3 Oracle 10g 官方中文教程
  • JavaEE开源快速开发平台G4Studio_V3.2发布了 無為子 AOPoraclemysqljavaeeG4Studio
      我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V3.2版本已经正式发布。大家可以通过如下地址下载。   访问G4Studio网站 http://www.g4it.org   G4Studio_V3.2版本变更日志 功能新增 (1).新增了系统右下角滑出提示窗口功能。 (2).新增了文件资源的Zip压缩和解压缩
  • Oracle常用的单行函数应用技巧总结 百合不是茶 日期函数转换函数(核心)数字函数通用函数(核心)字符函数
    单行函数;   字符函数,数字函数,日期函数,转换函数(核心),通用函数(核心) 一:字符函数: .UPPER(字符串) 将字符串转为大写 .LOWER (字符串) 将字符串转为小写 .INITCAP(字符串) 将首字母大写 .LENGTH (字符串) 字符串的长度 .REPLACE(字符串,'A','_') 将字符串字符A转换成_
  • Mockito异常测试实例 bijian1013 java单元测试mockito
    Mockito异常测试实例： package com.bijian.study; import static org.mockito.Mockito.mock; import static org.mockito.Mockito.when; import org.junit.Assert; import org.junit.Test; import org.mockito.
  • GA与量子恒道统计 Bill_chen JavaScript浏览器百度Google防火墙
    前一阵子，统计**网址时，Google Analytics（GA） 和量子恒道统计（也称量子统计），数据有较大的偏差，仔细找相关资料研究了下，总结如下：   为何GA和量子网站统计（量子统计前身为雅虎统计）结果不同？ 首先：没有一种网站统计工具能保证百分之百的准确出现该问题可能有以下几个原因：（1）不同的统计分析系统的算法机制不同；（2）统计代码放置的位置和前后
  • 【Linux命令三】Top命令 bit1129 linux命令
    Linux的Top命令类似于Windows的任务管理器，可以查看当前系统的运行情况，包括CPU、内存的使用情况等。如下是一个Top命令的执行结果：     top - 21:22:04 up 1 day, 23:49, 1 user, load average: 1.10, 1.66, 1.99 Tasks: 202 total, 4 running, 198 sl
  • spring四种依赖注入方式 白糖_ spring
      平常的java开发中，程序员在某个类中需要依赖其它类的方法，则通常是new一个依赖类再调用类实例的方法，这种开发存在的问题是new的类实例不好统一管理，spring提出了依赖注入的思想，即依赖类不由程序员实例化，而是通过spring容器帮我们new指定实例并且将实例注入到需要该对象的类中。依赖注入的另一种说法是“控制反转”，通俗的理解是：平常我们new一个实例，这个实例的控制权是我
  • angular.injector boyitech AngularJSAngularJS API
    angular.injector   描述: 创建一个injector对象, 调用injector对象的方法可以获得angular的service, 或者用来做依赖注入.   使用方法: angular.injector(modules, [strictDi])   参数详解: Param Type Details mod
  • java-同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待 bylijinnan Integer
    public class PC { /** * 题目：生产者-消费者。 * 同步访问一个数组Integer[10]，生产者不断地往数组放入整数1000，数组满时等待；消费者不断地将数组里面的数置零，数组空时等待。 */ private static final Integer[] val=new Integer[10]; private static
  • 使用Struts2.2.1配置 Chen.H apachespringWebxmlstruts
    Struts2.2.1 需要如下 jar包: commons-fileupload-1.2.1.jar commons-io-1.3.2.jar commons-logging-1.0.4.jar freemarker-2.3.16.jar javassist-3.7.ga.jar ognl-3.0.jar spring.jar struts2-core-2.2.1.jar struts2-sp
  • [职业与教育]青春之歌 comsci 教育
           每个人都有自己的青春之歌............但是我要说的却不是青春...        大家如果在自己的职业生涯没有给自己以后创业留一点点机会,仅仅凭学历和人脉关系,是难以在竞争激烈的市场中生存下去的....   &nbs
  • oracle连接(join)中使用using关键字 daizj JOINoraclesqlusing
    在oracle连接(join)中使用using关键字 34. View the Exhibit and examine the structure of the ORDERS and ORDER_ITEMS tables. Evaluate the following SQL statement: SELECT oi.order_id, product_id, order_date FRO
  • NIO示例 daysinsun nio
    NIO服务端代码： public class NIOServer { private Selector selector; public void startServer(int port) throws IOException { ServerSocketChannel serverChannel = ServerSocketChannel.open(
  • C语言学习homework1 dcj3sjt126com chomework
    0、 课堂练习做完 1、使用sizeof计算出你所知道的所有的类型占用的空间。 int x; sizeof(x);   sizeof(int);   # include <stdio.h> int main(void) { int x1; char x2; double x3; float x4; printf(&quo
  • select in order by , mysql排序 dcj3sjt126com mysql
    If i select like this: SELECT id FROM users WHERE id IN(3,4,8,1); This by default will select users in this order 1,3,4,8, I would like to select them in the same order that i put IN() values so:
  • 页面校验-新建项目 fanxiaolong 页面校验
    $(document).ready( function() { var flag = true; $('#changeform').submit(function() { var projectScValNull = true; var s =""; var parent_id = $("#parent_id").v
  • Ehcache（02）——ehcache.xml简介 234390216 ehcacheehcache.xml简介
    ehcache.xml简介          ehcache.xml文件是用来定义Ehcache的配置信息的，更准确的来说它是定义CacheManager的配置信息的。根据之前我们在《Ehcache简介》一文中对CacheManager的介绍我们知道一切Ehcache的应用都是从CacheManager开始的。在不指定配置信
  • junit 4.11中三个新功能 jackyrong java
    junit 4.11中两个新增的功能，首先是注解中可以参数化，比如 import static org.junit.Assert.assertEquals; import java.util.Arrays; import org.junit.Test; import org.junit.runner.RunWith; import org.junit.runn
  • 国外程序员爱用苹果Mac电脑的10大理由 php教程分享 windowsPHPunixMicrosoftperl
    Mac 在国外很受欢迎，尤其是在 设计/web开发/IT 人员圈子里。普通用户喜欢 Mac 可以理解，毕竟 Mac 设计美观，简单好用，没有病毒。那么为什么专业人士也对 Mac 情有独钟呢？从个人使用经验来看我想有下面几个原因： 1、Mac OS X 是基于 Unix 的 这一点太重要了，尤其是对开发人员，至少对于我来说很重要，这意味着Unix 下一堆好用的工具都可以随手捡到。如果你是个 wi
  • 位运算、异或的实际应用 wenjinglian 位运算
    一． 位操作基础，用一张表描述位操作符的应用规则并详细解释。       二． 常用位操作小技巧，有判断奇偶、交换两数、变换符号、求绝对值。       三． 位操作与空间压缩，针对筛素数进行空间压缩。    &n
  • weblogic部署项目出现的一些问题（持续补充中……） Everyday都不同 weblogic部署失败
    好吧，weblogic的问题确实……   问题一： org.springframework.beans.factory.BeanDefinitionStoreException: Failed to read candidate component class: URL [zip:E:/weblogic/user_projects/domains/base_domain/serve
  • tomcat7性能调优（01） toknowme tomcat7
        Tomcat优化： 1、最大连接数最大线程等设置 <Connector port="8082" protocol="HTTP/1.1"                useBodyEncodingForURI="t
  • PO VO DAO DTO BO TO概念与区别 xp9802 javaDAO设计模式bean领域模型
    O/R Mapping 是 Object Relational Mapping（对象关系映射）的缩写。通俗点讲，就是将对象与关系数据库绑定，用对象来表示关系数据。在O/R Mapping的世界里，有两个基本的也是重要的东东需要了解，即VO，PO。 它们的关系应该是相互独立的，一个VO可以只是PO的部分，也可以是多个PO构成，同样也可以等同于一个PO（指的是他们的属性）。这样，PO独立出来，数据持
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他