博客
关于我
SWUST OJ 1099: 希尔排序算法实现
阅读量:653 次
发布时间:2019-03-15

本文共 691 字,大约阅读时间需要 2 分钟。

希尔排序算法实现

题目描述

编程实现希尔排序算法,按照非递减排序,测试数据为整数。

输入

第一行是待排序数据元素的个数n;

第二行是待排序的数据元素。

输出

一趟希尔排序后的结果。

样例输入

10

50 36 41 19 23 4 20 18 12 22

样例输出

4 20 18 12 22 50 36 41 19 23

思路

希尔排序是一种插入排序的方法,实际上是一种分组插入的方法。先定一个小于n的整数gap1作为第一个增量,把表的全部记录分成gap1个组,所有距离为gap1的倍数的记录放在同一个组中,在各组内进行直接插入排序;然后,取第二个增量gap2(<d1),重复上述的分组和排序,直至所取的增量gapt=1(gapt<gapt-1<…<gap2<gap1),即所有记录放在同一组中进行直接插入排序为止。

这里给出一个希尔排序的图片:

【实例】运用希尔排序将10个数9 1 2 5 7 4 8 6 3 5进行递增排序。

include <stdio.h>

int main(){

int n, data[1000], gap, temp, i;scanf("%d",&n);for(i=0; i

}

上述代码仅为参考,欢迎互联网的广大朋友们提出指正。

希尔排序的实现步骤

增量gap置初值,寻找序列长度n,令gap=n/2;

while循环直到gap≤0结束(因为是第一趟所以这步可以不用管)

① 根据条件进行插入排序(递增小在前大在后,递减则反之。)

② 减小增量(因为是第一趟所以这步可以不用管)

输出数据

注:以上代码仅供参考,实际实现时需根据具体需求调整参数。

转载地址:http://wimlz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>
OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>