动画演示MFC排序算法:插入、希尔、堆排序原理

版权申诉
0 下载量 40 浏览量 更新于2024-10-12 1 收藏 15.17MB ZIP 举报
资源摘要信息:"该MFC程序是一个利用动画形式展示排序过程的应用程序,具体实现了插入排序、希尔排序和堆排序算法,使用户能够更直观地理解这些算法的工作原理。" 在计算机科学中,排序算法用于对一组数据按照特定顺序进行排列,它是算法设计中的一个基本问题,广泛应用于各种计算机程序设计和数据处理任务中。排序算法的种类繁多,每种算法都有其特点、适用场景以及时间复杂度和空间复杂度。本资源介绍的是三种经典的排序算法,分别是插入排序、希尔排序和堆排序。 插入排序(Insertion Sort)是一种简单直观的排序算法。它的工作原理是通过构建有序序列,对于未排序数据,在已排序序列中从后向前扫描,找到相应位置并插入。其时间复杂度在最坏的情况下是O(n^2),最好情况是O(n),适用于小型数据集。 希尔排序(Shell Sort)是插入排序的一种更高效的改进版本,也称为递减增量排序算法。它通过将原数据分割成若干子序列,分别进行直接插入排序,使得整个序列中的元素逐渐变得有序。希尔排序的时间复杂度和增量序列的选取有关,但一般情况下,它比简单的插入排序更加高效,尤其是对于大规模数据集。 堆排序(Heap Sort)是一种选择排序,通过利用堆这种数据结构所设计的一种排序算法。堆是一个近似完全二叉树的结构,并同时满足堆积的性质。堆排序的过程分为两步:建立堆和堆调整。堆调整是一个反复将堆顶元素与最后一个元素交换,然后减少堆的大小,调整剩余元素成为新的堆的过程。堆排序的时间复杂度为O(n log n),适用于对大数据集进行排序。 MFC(Microsoft Foundation Classes)是微软公司为了简化Windows应用程序开发而提供的一套C++类库,包括了大量预定义的控件和功能,大大提高了开发效率。使用MFC进行程序设计,可以方便地创建窗口、处理消息以及实现数据的可视化。 本资源中的MFC程序通过动画形式展示了插入排序、希尔排序和堆排序的过程,旨在帮助用户更加直观地理解这些排序算法的原理。动画演示能够让排序的每一步都变得可见,用户可以清晰地看到算法执行过程中数据是如何变化的,这是传统代码演示或者数学公式所无法提供的直观体验。此外,对于初学者来说,这种可视化方法非常有助于理解复杂的算法步骤和概念。 在实际应用中,选择合适的排序算法对于程序的性能至关重要。例如,对于小型数据集,插入排序通常就能很好地工作,而希尔排序则适用于中等规模的数据集,而堆排序由于其稳定的O(n log n)时间复杂度,适合用于处理大规模数据集。了解这些排序算法的特性和适用范围,可以让我们在不同的应用场合做出更好的选择。

import numpy as np from platypus import NSGAII, Problem, Real, Integer # 定义问题 class JobShopProblem(Problem): def __init__(self, jobs, machines, processing_times): num_jobs = len(jobs) num_machines = len(machines[0]) super().__init__(num_jobs, 1, 1) self.jobs = jobs self.machines = machines self.processing_times = processing_times self.types[:] = Integer(0, num_jobs - 1) self.constraints[:] = [lambda x: x[0] == 1] def evaluate(self, solution): job_order = np.argsort(np.array(solution.variables[:], dtype=int)) machine_available_time = np.zeros(len(self.machines)) job_completion_time = np.zeros(len(self.jobs)) for job_idx in job_order: job = self.jobs[job_idx] for machine_idx, processing_time in zip(job, self.processing_times[job_idx]): machine_available_time[machine_idx] = max(machine_available_time[machine_idx], job_completion_time[job_idx]) job_completion_time[job_idx] = machine_available_time[machine_idx] + processing_time solution.objectives[:] = [np.max(job_completion_time)] # 定义问题参数 jobs = [[0, 1], [2, 0], [1, 2]] machines = [[0, 1, 2], [1, 2, 0], [2, 0, 1]] processing_times = [[5, 4], [3, 5], [1, 3]] # 创建算法实例 problem = JobShopProblem(jobs, machines, processing_times) algorithm = NSGAII(problem) algorithm.population_size = 100 # 设置优化目标 problem.directions[:] = Problem.MINIMIZE # 定义算法参数 algorithm.population_size = 100 max_generations = 100 mutation_probability = 0.1 # 设置算法参数 algorithm.max_iterations = max_generations algorithm.mutation_probability = mutation_probability # 运行算法 algorithm.run(max_generations) # 输出结果 print("最小化的最大完工时间:", algorithm.result[0].objectives[0]) print("工件加工顺序和机器安排方案:", algorithm.result[0].variables[:]) 请检查上述代码

2023-05-30 上传

import numpy as np import pandas as pd import talib def initialize(context): context.symbol = 'BTCUSDT' context.window_size = 5 context.deviation = 1 context.trade_size = 0.01 context.stop_loss = 0.05 context.take_profit = 0.1 schedule_function(rebalance, date_rules.every_day(), time_rules.market_open()) def rebalance(context, data): price = data.history(context.symbol, 'close', context.window_size + 1, '1d') signal = mean_reversion_signal(price, context.window_size, context.deviation) current_position = context.portfolio.positions[context.symbol].amount if signal[-1] == 1 and current_position <= 0: target_position_size = context.trade_size / data.current(context.symbol, 'close') order_target_percent(context.symbol, target_position_size) elif signal[-1] == -1 and current_position >= 0: order_target(context.symbol, 0) elif current_position > 0: current_price = data.current(context.symbol, 'close') stop_loss_price = current_price * (1 - context.stop_loss) take_profit_price = current_price * (1 + context.take_profit) if current_price <= stop_loss_price or current_price >= take_profit_price: order_target(context.symbol, 0) def moving_average(x, n): ma = talib.SMA(x, timeperiod=n) return ma def std_deviation(x, n): std = talib.STDDEV(x, timeperiod=n) return std def mean_reversion_signal(price, window_size, deviation): ma = moving_average(price, window_size) std = std_deviation(price, window_size) upper_band = ma + deviation * std lower_band = ma - deviation * std signal = np.zeros_like(price) signal[price > upper_band] = -1 # 卖出信号 signal[price < lower_band] = 1 # 买入信号 return signal ''' 运行回测 ''' start_date = pd.to_datetime('2019-01-01', utc=True) end_date = pd.to_datetime('2021-01-01', utc=True) results = run_algorithm( start=start_date, end=end_date, initialize=initialize, capital_base=10000, data_frequency='daily', bundle='binance' ) ''' 查看回测结果 ''' print(results.portfolio_value)运行有错误

2023-05-26 上传