内部排序算法总结:直接插入排序详解

版权申诉
0 下载量 21 浏览量 更新于2024-10-19 收藏 65KB ZIP 举报
资源摘要信息:"Sort-algorithm.zip_插入排序_直接插入排序" 在本部分中,我们将详细介绍插入排序的相关知识点,特别是在“Sort-algorithm.zip_插入排序_直接插入排序”文件中提及的插入排序算法及其变种——直接插入排序。同时,我们还将简要概述文件描述中提及的其他几种内部排序算法:冒泡排序、快速排序、拆半插入排序和简单选择排序。 首先,我们来探讨插入排序的概念和原理。插入排序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。插入排序在实现上,通常使用in-place排序(即只需用到O(1)的额外空间的排序),因而在从后向前扫描过程中,需要反复把已排序元素逐步向后挪位,为最新元素提供插入空间。 直接插入排序是插入排序算法中最简单的一种。具体来说,它的工作流程如下: 1. 从第一个元素开始,该元素可以认为已经被排序。 2. 取出下一个元素,在已经排序的元素序列中从后向前扫描。 3. 如果该元素(已排序)大于新元素,将该元素移到下一位置。 4. 重复步骤3,直到找到已排序的元素小于或者等于新元素的位置。 5. 将新元素插入到该位置后。 6. 重复步骤1~5。 直接插入排序在最好的情况下(输入序列已经是正序)的时间复杂度为O(n),最坏的情况下(输入序列是逆序)的时间复杂度为O(n^2),平均时间复杂度也是O(n^2)。由于其算法简单,且在数据量较小时表现尚可,因此在小规模数据的排序中仍然有一定的应用价值。 文件描述中还提到了冒泡排序、快速排序、拆半插入排序和简单选择排序,下面分别对这些算法进行简要概述。 冒泡排序(Bubble Sort)是一种简单的排序算法。它重复地走访过要排序的数列,一次比较两个元素,如果它们的顺序错误就把它们交换过来。走访数列的工作是重复地进行直到没有再需要交换,也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端,就像水中的气泡一样升到水面上。 快速排序(Quick Sort)是目前所有排序算法中平均性能最优的排序方法,由C. A. R. Hoare在1960年提出。快速排序采用分治法(Divide and Conquer)的一个非常典型的应用。它通过一个划分操作将待排序的数组分为两个子数组,其中一个子数组的所有数据都比另一个子数组的数据要小,然后再递归地对这两个子数组分别进行快速排序,以达到整个序列有序。 拆半插入排序(Binary Insertion Sort)是插入排序的一个优化版本,它利用了二分查找的思想来减少查找插入位置的次数。基本思想是将待排序的数组分成已排序和未排序两部分,初始时已排序部分只有一个元素。对于未排序部分的每个元素,使用二分查找方法找到合适的插入位置,然后将元素插入已排序部分的相应位置,并将已排序部分中大于该元素的元素向后移动一位。 简单选择排序(Simple Selection Sort)的基本思想是在未排序序列中找到最小(大)元素,存放到排序序列的起始位置,然后,再从剩余未排序元素中继续寻找最小(大)元素,然后放到已排序序列的末尾。以此类推,直到所有元素均排序完毕。 综上所述,插入排序和其直接插入排序变种是排序算法中基础且重要的部分。它们在处理小规模数据时效果良好,而对于大规模数据排序则有各自的优化算法。理解这些基本排序算法对于掌握更高级的排序技术是非常有帮助的。

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