Go 冒泡、鸡尾酒、快速、插入 排序
2023-04-18 16:08:46 时间
package main
import "fmt"
var sli = []int{1, 43, 54, 62, 21, 66, 32, 78, 36, 76, 39}
//冒泡排序
func bubbleSort(sli []int) []int {
len := len(sli)
//该层循环控制 需要冒泡的轮数
for i := 0; i < len; i++ {
//该层循环用来控制每轮 冒出一个数 需要比较的次数
for j := 0; j < len-1; j++ {
if sli[i] < sli[j] {
sli[i], sli[j] = sli[j], sli[i]
}
}
}
return sli
}
//鸡尾酒排序
func cocktail_sort(arr []int, len int)[]int {
var j, left int
right := len - 1
for (left < right) {
for j = left; j < right; j++{
if (arr[j] > arr[j + 1]){
//swap(arr[j], arr[j + 1])
arr[j], arr[j + 1] = arr[j + 1], arr[j]
}
}
right--;
for j = right; j > left; j--{
if (arr[j - 1] > arr[j]){
//swap(arr[j - 1], arr[j])
arr[j], arr[j - 1] = arr[j - 1], arr[j]
}
}
left++;
}
return arr
}
//快速排序
func quickSort(sli []int) []int {
//先判断是否需要继续进行
len := len(sli)
if len <= 1 {
return sli
}
//选择第一个元素作为基准
base_num := sli[0]
//遍历除了标尺外的所有元素,按照大小关系放入左右两个切片内
//初始化左右两个切片
left_sli := []int{} //小于基准的
right_sli := []int{} //大于基准的
for i := 1; i < len; i++ {
if base_num > sli[i] {
//放入左边切片
left_sli = append(left_sli, sli[i])
} else {
//放入右边切片
right_sli = append(right_sli, sli[i])
}
}
//再分别对左边和右边的切片进行相同的排序处理方式递归调用这个函数
left_sli = quickSort(left_sli)
right_sli = quickSort(right_sli)
//合并
left_sli = append(left_sli, base_num)
return append(left_sli, right_sli...)
}
//插入排序
func insertSort(sli []int) []int {
len := len(sli)
for i := 0; i < len; i++ {
tmp := sli[i]
//内层循环控制,比较并插入
for j := i - 1; j >= 0; j-- {
if tmp < sli[j] {
//发现插入的元素要小,交换位置,将后边的元素与前面的元素互换
sli[j+1], sli[j] = sli[j], tmp
} else {
//如果碰到不需要移动的元素,则前面的就不需要再次比较了。
break
}
}
}
return sli
}
func main() {
//res := bubbleSort(sli)
//fmt.Println(res)
//res1 := cocktail_sort(sli,len(sli))
//fmt.Println(res1)
//res := quickSort(sli)
//fmt.Println(res)
res := insertSort(sli)
fmt.Println(res)
}
相关文章
- 【技术种草】cdn+轻量服务器+hugo=让博客“云原生”一下
- CLB运维&运营最佳实践 ---访问日志大洞察
- vnc方式登陆服务器
- 轻松学排序算法:眼睛直观感受几种常用排序算法
- 十二个经典的大数据项目
- 为什么使用 CDN 内容分发网络?
- 大数据——大数据默认端口号列表
- Weld 1.1.5.Final,JSR-299 的框架
- JavaFX 2012:彻底开源
- 提升as3程序性能的十大要点
- 通过凸面几何学进行独立于边际的在线多类学习
- 利用行动影响的规律性和部分已知的模型进行离线强化学习
- ModelLight:基于模型的交通信号控制的元强化学习
- 浅谈Visual Source Safe项目分支
- 基于先验知识的递归卡尔曼滤波的代理人联合状态和输入估计
- 结合网络结构和非线性恢复来提高声誉评估的性能
- 最佳实践丨云开发CloudBase多环境管理实践
- TimeVAE:用于生成多变量时间序列的变异自动编码器
- 具有线性阈值激活的神经网络:结构和算法
- 内网渗透之横向移动 -- 从域外向域内进行密码喷洒攻击