舍伍德线性时间选择

合集下载

第6章 随机化算法

第6章 随机化算法

数值随机化算法常用于数值问题的求解,所得到的解 往往都是近似解,而且近似解的精度随计算时间的增 加不断提高。 它能求得问题的一个解,但这个解未必是正确的。求 得正确解的概率依赖于算法执行时所用的时间,所用 的时间越多得到正确解的概率就越高。一般情况下, 蒙特卡罗算法不能有效地确定求得的解是否正确。 拉斯维加斯算法不会得到不正确的解,一旦找到一个 解,那么这个解肯定是正确的。但是有时候拉斯维加 斯算法可能找不到解。拉斯维加斯算法得到正确解的 概率随着算法执行时间的增加而提高。 舍伍德算法不会改变对应确定性算法的求解结果,每 次运行都能够得到问题的解,并且所得到的解是正确 的
数值随机化算法
6.2.1计算π的值
将n个点随机投向一个正方形,设落入此正方形 内切圆(半径为r)中的点的数目为k,如图6-1a) 所示。
y 1
a)
0
b)
1
x
数值随机化算法-计算PAI
假设所投入的点落入正方形的任一点的概率相等, 则所投入的点落入圆内的概率为
r
4r
2 2


4
当n足够大时, k与n之比就逼近这一概率,从而
第6章 随机化算法
张阳 信息工程学院
第六章 随机化算法
伪随机数 数值随机化算法 蒙特卡罗算法 拉斯维加斯算法 舍伍德算法
随机数发生器
随机数发生器

线性时间选择

线性时间选择

应用7:线性时间选择(续)
设所有元素互不相同。在这种情况下, 找出的基准x至少比 3(n-5)/10个元 素大,因为在每一组中有2个元素小 于本组的中位数,而n/5个中位数 中又有(n-5)/10个小于基准x。
同理,基准x也至少比3 (n-5)/10个 元素小。而当n≥75时, 3(n-5)/10 ≥n/4,所以按此基准划分所得的2个 子数组的长度都至少缩短1/4。
• (1) 把前面25个元素分为5(=floor(29/5))组; (8,31,60,33,17),(4,51,57,49,35),(11,43,37,3,13),(52,6,19,25 ,32),(54,16,5,41,7).
• (2) 提取每一组的中值元素,构成集合{31,49,13,25,16}; • (3) 递归地使用算法求取该集合的中值,得到m=25; • (4) 根据m=25, 把29个元素划分为3个子数组:
应用7:线性时间选择(续)
如果能在线性时间内找到一个划分基准,使 得按这个基准所划分出的2个子数组的长度 都至少为原数组长度的ε倍(0<ε<1是某个正 常数),那么就可以在最坏情况下用O(n)时 间完成选择任务。
wenku.baidu.com
应用7:线性时间选择(续)
例如,若ε=9/10,算法递归调用所产生 的子数组的长度至少缩短1/10。所以, 在最坏情况下,算法所需的计算时间 T(n)满足递归式T(n)≤T(9n/10)+O(n) 。 由此可得T(n)=O(n)。

计算机算法与设计复习题(含答案)

计算机算法与设计复习题(含答案)

1、一个算法的优劣可以用(时间复杂度)与(空间复杂度)与来衡量。

2、回溯法在问题的解空间中,按(深度优先方式)从根结点出发搜索解空间树。

3、直接或间接地调用自身的算法称为(递归算法)。

4、 记号在算法复杂性的表示法中表示(渐进确界或紧致界)。

5、在分治法中,使子问题规模大致相等的做法是出自一种(平衡(banlancing)子问题)的思想。

6、动态规划算法适用于解(具有某种最优性质)问题。

7、贪心算法做出的选择只是(在某种意义上的局部)最优选择。

8、最优子结构性质的含义是(问题的最优解包含其子问题的最优解)。

9、回溯法按(深度优先)策略从根结点出发搜索解空间树。

10、拉斯维加斯算法找到的解一定是(正确解)。

11、按照符号O的定义O(f)+O(g)等于O(max{f(n),g(n)})。

12、二分搜索技术是运用(分治)策略的典型例子。

13、动态规划算法中,通常不同子问题的个数随问题规模呈(多项式)级增长。14、(最优子结构性质)和(子问题重叠性质)是采用动态规划算法的两个基本要素。

15、(最优子结构性质)和(贪心选择性质)是贪心算法的基本要素。

16、(选择能产生最优解的贪心准则)是设计贪心算法的核心问题。

17、分支限界法常以(广度优先)或(以最小耗费(最大效益)优先)的方式搜索问题的解空间树。

18、贪心选择性质是指所求问题的整体最优解可以通过一系列(局部最优)的选择,即贪心选择达到。

19、按照活结点表的组织方式的不同,分支限界法包括(队列式(FIFO)分支限界法)和(优先队列式分支限界法)两种形式。

算法设计与分析课程教学大纲

算法设计与分析课程教学大纲

算法设计与分析课程教学大纲

【适用专业】计算机科学与技术

【课时】理论课时:32

【学分】 2

【课程性质、目标和要求】

《算法设计与分析》是计算机科学与技术专业的专业课。无论是计算科学还是计算实践,算法都在其中扮演着重要角色。本课程的教学目的是讲授在计算机应用中常常遇到的实际问题的解法,讲授设计和分析各种算法的基本原理、方法和技术,培养学生对算法复杂性进行正确分析的能力。

课程基本要求是

⑴掌握算法分析的基本概念和理论。

⑵掌握算法设计技术和分析算法以及算法复杂性。

【教学时间安排】

本课程计 2 学分,理论课时32, 学时分配如下:

【教学内容要点】

第一章算法引论

一、学习目的要求

1.了解算法的计算复杂性分析方法

2.理解算法分析的基本理论

3.掌握算法分析的基本概念

二、主要教学内容

1. 算法的基本概念

2. 表达算法的抽象机制

3. 采用Java语言与自然语言相结合的方式描述算法的方法

4. 算法的计算复杂性分析方法

第二章递归与分治策略

一、学习目的要求

1.理解典型范例中递归与分治策略应用技巧

2.掌握递归与分治策略

3.掌握数学归纳法证明算法正确性方法

二、主要教学内容

1. 递归的概念

2. 分治法的基本思想

3. 二分搜索技术

4. 大整数的乘法

5. Strassen阵乘法

6. 棋盘覆盖

7. 合并排序

8. 快速排序

9. 线性时间选择

10. 最接近点对问题

11. 循环赛日程表

第三章动态规划

一、学习目的要求

1.理解典型范例中动态规划算法的设计思想

2.掌握动态规划算法的基本要求以及算法的设计要点

二、主要教学内容

1. 矩阵连乘问题

随机算法(数值概率舍伍德)

随机算法(数值概率舍伍德)

• 蒙特卡罗算法用于求问题的准确解,但得到的解未必是正确
的。蒙特卡罗算法以正的概率给出正解,求得正确解的概率
依赖于算法所用的时间。算法所用的时间越多,得到正确解
的概率就越高。一般给定执行步骤的上界,给定一个输入,
算法都是在一个固定的步数内停止的。
整理ppt
5
随机算法的分类
• 拉斯维加斯算法不会得到不正确的解。一旦用拉斯维加斯算 法找到一个解,这个解就一定是正确解。但有时可能找不到 解。拉斯维加斯算法找到正确解的概率随着它所用的计算时 间的增加而提高。对于所求解问题的任意实例,用同一拉斯 维加斯算法反复对它求解,可以使求解失效的概率任意小。
对于函数fRandom,先用函数Random(maxshort) 产生一个0~(maxshort-1)之间的整形随机序列,将每 个整型随机数除以maxshort,就得到[0,1)区间中的随 机实数。
整理ppt
11
//产生种子 RandomNumber:: RandomNumber(unsigned long s) {
• 包括 – 数值概率算法 – 蒙特卡罗(Monte Carlo)算法 – 拉斯维加斯(Las Vegas)算法 – 舍伍德(Sherwood)算法
整理ppt
4
随机算法的分类
• 数值概率算法常用于数值问题的求解。将一个问题的计算与 某个概率分布已经确定的事件联系起来,求问题的近似解。 这类算法所得到的往往是近似解,且近似解的精度随计算时 间的增加而不断提高。在许多情况下,要计算出问题的精确 解是不可能或没有必要的,因此可以用数值随机化算法得到 相当满意的解。

线性时间选择算法实现

线性时间选择算法实现
}
int select(int *a,int p,int r,int k) //程序核心部分
{
char filename[10];
int i,j,temp;
if(r-p<75) //数组元素小于75个的时候,用简单排序法进行排序
{
sort(a,p,r);
return a[p+k-1];
}
for(i=0;i<(r-p-4)/5;i++) //将cnt个元素每5个元素分成一组,分别排序,并将该组中位数与a[p+i]交换位置。循环执行完后,所有组的中位数集中到数组前a[0....(r-p-4)/5-1].
{
sort(a,p+5*i,p+5*i+4);
swap(&a[p+5*i+2],&a[p+i]);
}
temp=select(a,p,p+(r-p-4)/5,(r-p-4)/10);//找中位数的中位数为划分基准
i=partition(a,p,r,temp); //依照基准划分原数组,并返回基准下标
j=i-p+1; //基准下标为a[p.....r]的第几个元素,与k的形式相同
scanf("%d",&k);
a=(int *)malloc(cnt*sizeof(int));

随机算法比较

随机算法比较

对比舍伍德算法、拉斯维加斯算法、蒙特卡洛算法的适用范围以及它们的优缺点。

一、舍伍德算法:

•特点

舍伍德算法总能求得问题的一个解,且所求得的解总是正确的。当一个确定性算法在最坏情况下的计算复杂性与其在平均惜况下的计算复杂性有较大的差别时,可在这个确定性算法中引入随机性将它改造成一个舍伍徳算法,消除或减少问题的好坏实例间的这种差别。舍伍德算法的精髓不是避免算法的最坏悄形行为,而是设法消除这种最坏悄形行为与特定实例之间的关联性。

舍伍德算法不会从整体上或平均的改善问题求解的时间复杂度,但可以对一些特别耗时的特定输入改善至较适中的时间复杂度。

设A是一个确定性算法,当它的输入实例为x时所需的计算时间记为tA(x)o设Xn是算法A的输入规模为n的实例的全体,则当问题的输入规模为n时,算法A 所需的平均时间为_ 艺© O)

“小卞厂

这显然不能排除存在xGXn使得tA(x)»tA(n)的可能性。

希望获得一个概率算法B,使得对问题的输入规模为n的每一个实例均有

心⑴二几何+心)

这就是舍伍德算法设计的基本思想。当s(n)与tA(n)相比可忽略时,舍伍德算法可获得很好的平均性能。

•适用范围:

1.快速排序算法

2.线性时间选择算法

上述两算法选择合适的划分基准,舍伍德算法随机地选择一个数组元素作为划分基准,这样既能保证算法的线性时间平均性能,乂避免了计算拟中位数的麻烦。

3.搜索有序表

利用数组的小标的索引性质,可以设讣一个随机化搜索算法,以改进算法的搜索时间复朵性。即随机抽取数组元素若干次,从较近搜索元素x的位置开始做顺序搜索。

概率算法汇总

概率算法汇总

概率算法

概率算法的一个基本特征是对所求解问题的同一实例用同一概率算法求解两次可能得到完全不同的效果。这两次求解问题所需的时间甚至所得到的结果可能会有相当大的差别。一般情况下,可将概率算法大致分为四类:数值概率算法,蒙特卡罗算法,拉斯维加斯算法和舍伍德算法。

一、数值概率算法常用于数值问题的求解。这类算法所得到的往往是近似解。而且近似解的精度随计算时间的增加不断提高。在许多情况下,要计算出问题的精确解是不可能或没有必要的,因此用数值概率算法可得到相当满意的解。

1、用随机投点法计算π值

设有一半径为r 的圆及其外切四边形。向该正方形随机地投掷n 个点。设落入圆内的点数为k 。由于所投入的点在正方形上均匀分布,因而所投入的点落入圆内的概率为4422ππ=r r 。所以当n 足够大n k 4≈π(n k

≈4π)

2、计算定积分

设f(x)是[0,1]上的连续函数,且0≤f(x) ≤ 1。

需要计算的积分为⎰=1

)(dx x f I , 积分I 等于图中的面积G

在图所示单位正方形内均匀地作投点试验,则随机点落在曲线下面的概率为

⎰⎰⎰==≤10)(01

)()}({x f r dx x f dydx x f y P 假设向单位正方形内随机地投入 n 个点(xi,yi)。如果有m 个点落入G 内,则随机

点落入G 内的概率n

m ≈I 3、解非线性方程组

求解下面的非线性方程组

⎪⎪⎩⎪⎪⎨⎧===0

),,,(0),,,(0),,,(21212211n n n n x x x f x x x f x x x f 其中,x 1, x 2, …, x n 是实变量,fi 是未知量x1,x2,…,xn 的非线性实函数。要求

第7章_随机化算法

第7章_随机化算法
0 1
16
解非线性方程组
求解下面的非线性方程组
f1 ( x1 , x 2 ,, x n ) 0 f ( x , x ,, x ) 0 2 1 2 n f n ( x1 , x 2 ,, x n ) 0
其中,x1,x2,…,xn是实变量,fi是未知量x1,x2,…,xn的非线性实 函数。 * * * x , x , , x 要求确定上述方程组在指定求根范围内的一组解 1 2 n。
26
蒙特卡罗(Monte Carlo)算法
对于一个解所给问题的蒙特卡罗算法MC(x),如果存在 问题实例的子集X使得: (1)当xX时,MC(x)返回的解是正确的; (2)当xX时,正确解是y0,但MC(x)返回的解未必是y0。 称上述算法MC(x)是偏y0的算法。 重复调用一个一致的,p正确偏y0蒙特卡罗算法k次, 可得到一个O(1-(1-p)k)正确的蒙特卡罗算法,且所得算法 仍是一个一致的偏y0蒙特卡罗算法。
10
拉斯维加斯算法
求得的解总是正确的,但有时拉斯维加斯算法 可能始终找不到解。一般情况下,求得正确解的概 率随计算时间的增加而增大。因此,为了减少求解 失败的概率,可以使用一个拉斯维加斯算法对同一 实例,重复多次执行该算法。
11
蒙特卡罗算法
该法用于求问题的准确解(或者说是精确解而不 是近似解),但不保证所求得的解是正确的,也就是 说,蒙特卡罗算法求得的解有时是错误的。不过, 由于可以设法控制这类算法得到错误解的概率,并 因它的简单高效,是很有价值的一类随机算法。

第7章 随机化算法

第7章 随机化算法

c ) mod m
n 1, 2 ,
其中b0,c0,dm。d称为该随机序列的种子。如何选取该 方法中的常数b、c和m直接关系到所产生的随机序列的随机性 能。这是随机性理论研究的内容,已超出本书讨论的范围。从 直观上看,m应取得充分大,因此可取m为机器大数,另外应取 gcd(m,b)=1,因此可取b为一素数。
5天
你 地点1
5天 5天
地点2
引言
方案1. 花4天的时间计算出准确的藏宝地点,然 后出发寻宝,一旦出发不能重新计算
方案2. 有一个小精灵告诉你地图的秘密,但你必 须付给他报酬,相当于龙3晚上拿走的财宝 Prob 1.1.1 若忽略可能的冒险和出发寻宝的代价, 你是否接受小精灵的帮助?
显然,应该接受小精灵的帮助,因为你只需 给出3晚上被盗窃的财宝量,否则你将失去4晚 被盗财宝量。 但是,若冒险,你可能做得更好!
算法分析与设计
Analysis and Design of Computer Algorithms
第7章 随机化算法
Randomized Algorithm
学习要点

理解产生伪随机数的算法


掌握数值随机化算法的设计思想
掌握蒙特卡罗算法的设计思想 掌握拉斯维加斯算法的设计思想 掌握舍伍德算法的设计思想
引言
设x是你决定之前当日的宝藏价值,设y是恶龙每晚 盗走的宝藏价值,并设x>9y 方案1:4天计算确定地址,行程5天,你得到的宝 藏价值为:x-9y

计算机算法设计与分析-期末考试复习资料

计算机算法设计与分析-期末考试复习资料

一、算法设计实例

1、快速排序(分治法)

int partition(float a[],int p,int r) {

int i=p,j=r+1;

float x=a[p];

while(1)

{

while(a[++i]<x);

while(a[--j]<x);

if(i>=j)

break;

swap(a[i],a[j]);

}

a[p]=a[j];

a[j]=x;

return j;

}

void Quicksort(float a[],int p,int r)

{

//快速排序

if(p<r)

{

int q=partition(a,p,r);

Quicksort(a,p,q-1);

Quicksort(a,p+1,r);

}

}

2、归并排序(分治法)

void mergesort(Type a[],int left,int right) {

if(left<rigth)

{

int mid=(left+right)/2;//取中点

mergesort(a,left,mid);

mergesort(a,mid+1,right);

mergesort(a,b,left,right);//合并到数组b

mergesort(a,b,left,right);//复制到数组a

}

}

3、背包问题(贪心算法)

void knapsack(int n,float m,float v[],float w[],float x[]) {

sort(n,v,w)//非递增排序

int i;

for(i=1;i<=n;i++)

x[i]=0;

算法分析与设计作业(一)及参考答案

算法分析与设计作业(一)及参考答案

算法分析与设计作业(一)及参考答案

《算法分析与设计》作业(一)

本课程作业由两部分组成。第一部分为“客观题部分”,由15个选择题组成,每题1分,共15分。第二部分为“主观题部分”,由简答题和论述题组成,共15分。作业总分30分,将作为平时成绩记入课程总成绩。

客观题部分:

一、选择题(每题1分,共15题)

1、递归算法:(C )

A、直接调用自身

B、间接调用自身

C、直接或间接调用自身

D、不调用自身

2、分治法的基本思想是将一个规模为n的问题分解为k个规模较小的字问题,这些子问题:(D )

A、相互独立

B、与原问题相同

C、相互依赖

D、相互独立且与原问题相同

3、备忘录方法的递归方式是:(C )

A、自顶向下

B、自底向上

C、和动态规划算法相同

D、非递归的

4、回溯法的求解目标是找出解空间中满足约束条件的:(A )

A、所有解

B、一些解

C、极大解

D、极小解

5、贪心算法和动态规划算法共有特点是:( A )

A、最优子结构

B、重叠子问题

C、贪心选择

D、形函数

6、哈夫曼编码是:(B)

A、定长编码

B、变长编码

C、随机编码

D、定长或变长编码

7、多机调度的贪心策略是:(A)

A、最长处理时间作业优先

B、最短处理时间作业优先

C、随机调度

D、最优调度

8、程序可以不满足如下性质:(D )

A、零个或多个外部输入

B、至少一个输出

C、指令的确定性

D、指令的有限性

9、用分治法设计出的程序一般是:(A )

A、递归算法

B、动态规划算法

C、贪心算法

D、回溯法

10、采用动态规划算法分解得到的子问题:( C )

A、相互独立

B、与原问题相同

C、相互依赖

第7章 随机化算法

第7章 随机化算法
第7章
随机化算法
南京邮电大学 通信与信息工程学院
课件制作:王金元
本章要点:
第7章 随机化算法
理解产生伪随机数的算法 掌握数值随机化算法的设计思想 掌握蒙特卡罗算法的设计思想 掌握拉斯维加斯算法的设计思想 掌握舍伍德算法的设计思想
南京邮电大学 通信与信息工程学院
课件制作:王金元
7.1. 随机数
随机数 随机数是专门的随机试验的结果,随机样本具有不 可重现性。在随机化算法设计中扮演着十分重要的 角色。
必要条件,即满足费尔马小定理的n未必是素数
二次探测定理:如果p是一个素数,且0<x<p,则方程 x21(mod p)的解为x=1,p-1。
利用该定理对费尔马小定理进行改进,避免满足费尔
马小定理但不是素数的数。
南京邮电大学 通信与信息工程学院
23
课件制作:王金元
void power( unsigned int a, unsigned int p,
RandomNumber rnd; unsigned int a, result; bool composite=false; a=rnd.Random(n-3)+2; power(a,n-1,n,result,composite); if (composite||(result!=1))
return false; else return true; }

Sherwood 型线性时间选择算法

Sherwood 型线性时间选择算法

算法分析与设计实验报告

第次实验

(1)问题描述:给定任意几组数据,利用舍伍德型选择算法,找出数组中的中

值并输出(若数组为奇数个则输出中值,若数组为偶数个则输出第 n/2 小元素)。

(2)设A是一个确定性算法,当它的输入实例为x时所需的计算时间记为

tA(x)。设Xn是算法A的输入规模为n的实例的全体,则当问题的输入规

模为n时,算法A所需的平均时间为。这显然不能排除存在x∈Xn使得的可能性。希望获得一个随机化算法B,使得

对问题的输入规模为n的每一个实例均有。

这就是舍伍德算法设计的基本思想。当s(n)与tA(n)相比可忽略时,舍伍德算法可获得很好的平均性能。

(3)对于选择问题而言,用拟中位数作为划分基准可以保证在最坏的情况下用

线性时间完成选择。如果只简单地用待划分数组的第一个元素作为划分基准,则算法的平均性能较好,而在最坏的情况下需要O(n^2)计算时间。

舍伍德选择算法则随机地选择一个数组元素作为划分基准,这样既保证算法的线性时间平均性能,又避免了计算拟中位数的麻烦。

(4)用Select随机产生l和r之间的一个整数作为划分基准,对a[l:r]中n

个元素进行划分时,第k小元素可能在低区子数组,或者刚好是划分基准,或者在较大的子数组中。低区子数组含有一个元素的概率为2/n,含有i 个元素的概率为1/n,最坏情况是第k小元素总是被划分在较大的子数组中,此时在较大子数组中重新选择随机的划分基准,找出第k小元素。(5)舍伍德算法属于概率算法,消除了运行时间和输入实例之间的联系。

测试结果如下图:

附录:完整代码(建一个项目工程) //Sherwood.cpp

算法设计与分析习题解答(第2版)

算法设计与分析习题解答(第2版)

第1章算法引论11.1 算法与程序1

1.2 表达算法的抽象机制1

1.3 描述算法3

1.4 算法复杂性分析13

小结16

习题17

第2章递归与分治策略19

2.1 递归的概念19

2.2 分治法的基本思想26

2.3 二分搜索技术27

2.4 大整数的乘法28

2.5 Strassen矩阵乘法30

2.6 棋盘覆盖32

2.7 合并排序34

2.8 快速排序37

2.9 线性时间选择39

2.10 最接近点对问题43

2.11 循环赛日程表53

小结54

习题54

第3章动态规划61

3.1 矩阵连乘问题62

目录算法设计与分析(第2版)3.2 动态规划算法的基本要素67 3.3 最长公共子序列71

3.4 凸多边形最优三角剖分75

3.5 多边形游戏79

3.6 图像压缩82

3.7 电路布线85

3.8 流水作业调度88

3.9 0-1背包问题92

3.10 最优二叉搜索树98

小结101

习题102

第4章贪心算法107

4.1 活动安排问题107

4.2 贪心算法的基本要素110

4.2.1 贪心选择性质111

4.2.2 最优子结构性质111

4.2.3 贪心算法与动态规划算法的差异111

4.3 最优装载114

4.4 哈夫曼编码116

4.4.1 前缀码117

4.4.2 构造哈夫曼编码117

4.4.3 哈夫曼算法的正确性119

4.5 单源最短路径121

4.5.1 算法基本思想121

4.5.2 算法的正确性和计算复杂性123 4.6 最小生成树125

4.6.1 最小生成树性质125

4.6.2 Prim算法126

4.6.3 Kruskal算法128

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

算法分析与设计实验报告

第 8次实验

通过这次实验,我回顾了舍伍德线性时间查找问题

附录:完整代码

#include

using namespace std;

//随机数类

const unsigned long maxshort=66536L;

const unsigned long multiplier=1194211693L;

const unsigned long adder=12345L;

class RandomNumber{

private:

//当前种子

unsigned long randSeed;

public:

RandomNumber (unsigned long s=0); //构造函数,默认值0表示由系统自动产生种子

unsigned short Random(unsigned long n); //产生0:n-1之间的随机整数

double fRandom(void); //产生[0,1)之间的随机实数

};

RandomNumber::RandomNumber(unsigned long s){

if(s==0) randSeed=time(0);

else randSeed=s;

}

unsigned short RandomNumber::Random(unsigned long n){

randSeed=multiplier*randSeed+adder;

return(unsigned short)((randSeed>16)%n);

}

double RandomNumber::fRandom(void){

return Random(maxshort)/double(maxshort);

}

template

inline void Swap(Type &a,Type &b) {

Type temp = a;

a = b;

b = temp;

}

//计算a[l:r]中第k小元素

template

Type select(Type a[],int l,int r,int k) {

static RandomNumber rnd;

while(true) {

if(l>=r) {

return a[l];

}

int i = l,

j = l + rnd.Random(r-l+1);//随机选择划分基准

Swap(a[i],a[j]);

j = r+1;

Type pivot = a[l];

//以划分基准为轴做元素交换

while(true) {

while(a[++i]

while(a[--j]>pivot);

if(i>=j) {

break;

}

Swap(a[i],a[j]);

}

if(j-l+1 == k){ //第k小

return pivot;

}

//a[j]必然小于pivot,做最后一次交换,满足左侧比pivot小,右侧比pivot大 a[l] = a[j];

a[j] = pivot;

//对子数组重复划分过程

if(j-l+1

k = k-j+l-1;//右侧:k-(j-l+1)=k-j+l-1

l = j + 1;

}

else {

r = j - 1;

}

}

}

//计算a[0:n-1]中第k小元素

//假设a[n]是一个键值无穷大的元素

template

Type select(Type a[],int n,int k) {

if(k<1 || k>n) {

cout<<"请输入正确的k!"<

return 0;

}

return select(a,0,n-1,k);

}

int main() {

int a[100] ={0};

int m,k;

cout<<"请输入数组元素个数; ";

cin>>m;

cout<<"请输入需要查找第几个元素: ";

cin>>k;

srand(time(0));

cout<<"\n原数组为:"<

for(int i=0; i

a[i]=rand()%100;

cout<

}

cout<

cout<<"所给数组第"<

}

相关文档
最新文档