之前我们跟随笔者重温了数据结构中的查询算法和部分排序算法，现在我们继续跟随笔者继续学习一些基本的排序算法。
选择排序
使用条件： 可对比大小的集合。
算法思想： 每一趟从待排序的数据元素中选出最小（或最大）的一个元素，顺序放在已排好序的数列的最后，直到全部待排序的数据元素排完。
举例编程： int b[10]={77,1,65,13,81,93,10,5,23,17}
性能分析： 时间复杂度为O（n^2）
堆排序
使用条件： 可对比大小的集合。
算法思想： 其实堆排序是简单选择排序的一种进化，它最主要是减少比较的次数。什么是堆？若将序列对应看成一个完全二叉树，完全二叉树中所有非终端节点的值均不大于（或者不小于）其左右孩子节点的值，可以称作为堆。由堆的性质可以知道堆顶是一个最大关键字(或者最小关键字)。在输出堆顶后，使剩下的元素又建成一个堆，然后在输出对顶。如此反复执行，便能得到一个有序序列，这个过程成便是堆排序。
堆排序主要分为两个步骤：
举例编程： int b[10]={77,1,65,13,81,93,10,5,23,17}
性能分析： 时间复杂度时间复杂度O(nlogn)
归并算法又称2路归并算法
使用条件： 可对比大小的集合。
算法思想： 假设初始序列含有n个记录，则可看成n个有序的子序列，每个子序列长度为1，然后两两归并，得到[n/2]个长度为2或者为1（这里长度为1可能这里序列长度是奇数，那么最后一个序列就落单了，所以长度为1）；在两两归并，如此重复，直至得到一个长度为n的有序序列为止。
举例编程： int b[10]={77,1,65,13,81,93,10,5,23,17}
性能分析： 时间复杂度O(nlogn)
总结
因为不同的排序方法适应不同的应用换进和要求，选择合适的排序方法考虑以下因素:
那么这么多排序算法，到底什么时候用什么样的算法呢？
如果 n比较小（例如n<=50), 可采用 直接插入排序或者简单选择排 序。
如果 序列初始状态基本有序 ，则可选用 直接插入排序，冒泡排序 。
如果 n比价大 ，则可采用时间复杂度为O(nlogn)的算法： 快速排序，堆排序，归并排序 。
原文链接：
【编辑推荐】
SQL Server数据库表锁定原理以及如何解除锁定
1. 数据库表锁定原理 1.1 目前的C/S,B/S结构都是多用户访问数据库,每个时间点会有成千上万个user来访问DB,其中也会同时存取同一份数据,会造成数据的不一致性或者读脏数据.1.2 事务的ACID原则1.3 锁是关系数据库很重要的一部分, 数据库必须有锁的机制来确保数据的完整和一致性. 1.3.1 SQL Server中可以锁定的资源:1.3.2 锁的粒度:1.3.3 锁的升级: 锁的升级门限以及锁升级是由系统自动来确定的，不需要用户设置. 1.3.4 锁的类型: (1) 共享锁: 共享锁用于所有的只读数据操作. (2) 修改锁: 修改锁在修改操作的初始化阶段用来锁定可能要被修改的资源，这样可以避免使用共享锁造成的死锁现象 (3) 独占锁: 独占锁是为修改数据而保留的。 它所锁定的资源，其他事务不能读取也不能修改。 独占锁不能和其他锁兼容。 (4) 架构锁 结构锁分为结构修改锁(Sch-M)和结构稳定锁(Sch-S)。 执行表定义语言操作时，SQL Server采用Sch-M锁，编译查询时，SQL Server采用Sch-S锁。 (5) 意向锁 意向锁说明SQL Server有在资源的低层获得共享锁或独占锁的意向。 (6) 批量修改锁 批量复制数据时使用批量修改锁 1.3.4 SQL Server锁类型 (1) HOLDLOCK: 在该表上保持共享锁，直到整个事务结束，而不是在语句执行完立即释放所添加的锁。 (2) NOLOCK：不添加共享锁和排它锁，当这个选项生效后，可能读到未提交读的数据或“脏数据”，这个选项仅仅应用于SELECT语句。 (3) PAGLOCK：指定添加页锁(否则通常可能添加表锁)。 (4) READCOMMITTED用与运行在提交读隔离级别的事务相同的锁语义执行扫描。 默认情况下，SQL Server 2000 在此隔离级别上操作。 (5) READPAST: 跳过已经加锁的数据行，这个选项将使事务读取数据时跳过那些已经被其他事务锁定的数据行，而不是阻塞直到其他事务释放锁， READPAST仅仅应用于READ COMMITTED隔离性级别下事务操作中的SELECT语句操作。 (6) READUNCOMMITTED：等同于NOLOCK。 (7) REPEATABLEREAD：设置事务为可重复读隔离性级别。 (8) ROWLOCK：使用行级锁，而不使用粒度更粗的页级锁和表级锁。 (9) SERIALIZABLE：用与运行在可串行读隔离级别的事务相同的锁语义执行扫描。 等同于 HOLDLOCK。 (10) TABLOCK：指定使用表级锁，而不是使用行级或页面级的锁，SQL Server在该语句执行完后释放这个锁，而如果同时指定了HOLDLOCK，该锁一直保持到这个事务结束。 (11) TABLOCKX：指定在表上使用排它锁，这个锁可以阻止其他事务读或更新这个表的数据，直到这个语句或整个事务结束。 (12) UPDLOCK ：指定在读表中数据时设置更新 锁(update lock)而不是设置共享锁，该锁一直保持到这个语句或整个事务结束，使用UPDLOCK的作用是允许用户先读取数据(而且不阻塞其他用户读数据)，并且保证在后来再更新数据时，这一段时间内这些数据没有被其他用户修改。 2. 如何解除表的锁定,解锁就是要终止锁定的那个链接,或者等待该链接事务释放. 2.1 Activity Monitor可以通过Wait Type, Blocked By栏位查看到,SPID 54 被SPID 53 阻塞. 可以右键Details查到详细的SQL 语句,或Kill掉这个进程. 2.2 SQL Server提供几个DMV,查看locks _exec_requests _tran_locks _os_waiting_tasks _tran_database_transactions (1) select * from _tran_locks where resource_type<>DATABASE --and resource_database_id=DB_ID()
数据挖掘中的数据预处理技术有哪些，它们分别适用于哪些场合
一、数据挖掘工具分类数据挖掘工具根据其适用的范围分为两类：专用挖掘工具和通用挖掘工具。 专用数据挖掘工具是针对某个特定领域的问题提供解决方案，在涉及算法的时候充分考虑了数据、需求的特殊性，并作了优化。 对任何领域，都可以开发特定的数据挖掘工具。 例如，IBM公司的AdvancedScout系统针对NBA的数据，帮助教练优化战术组合。 特定领域的数据挖掘工具针对性比较强，只能用于一种应用；也正因为针对性强，往往采用特殊的算法，可以处理特殊的数据，实现特殊的目的，发现的知识可靠度也比较高。 通用数据挖掘工具不区分具体数据的含义，采用通用的挖掘算法，处理常见的数据类型。 通用的数据挖掘工具不区分具体数据的含义，采用通用的挖掘算法，处理常见的数据类型。 例如，IBM公司Almaden研究中心开发的QUEST系统，SGI公司开发的MineSet系统，加拿大SimonFraser大学开发的DBMiner系统。 通用的数据挖掘工具可以做多种模式的挖掘，挖掘什么、用什么来挖掘都由用户根据自己的应用来选择。 二、数据挖掘工具选择需要考虑的问题数据挖掘是一个过程，只有将数据挖掘工具提供的技术和实施经验与企业的业务逻辑和需求紧密结合，并在实施的过程中不断的磨合，才能取得成功，因此我们在选择数据挖掘工具的时候，要全面考虑多方面的因素，主要包括以下几点：(1)可产生的模式种类的数量：分类，聚类，关联等(2)解决复杂问题的能力(3)操作性能(4)数据存取能力(5)和其他产品的接口三、数据挖掘工具介绍是IBM公司Almaden研究中心开发的一个多任务数据挖掘系统，目的是为新一代决策支持系统的应用开发提供高效的数据开采基本构件。 系统具有如下特点：提供了专门在大型数据库上进行各种开采的功能：关联规则发现、序列模式发现、时间序列聚类、决策树分类、递增式主动开采等。 各种开采算法具有近似线性计算复杂度，可适用于任意大小的数据库。 算法具有找全性，即能将所有满足指定类型的模式全部寻找出来。 为各种发现功能设计了相应的并行算法。 是由SGI公司和美国StandFORd大学联合开发的多任务数据挖掘系统。 MineSet集成多种数据挖掘算法和可视化工具，帮助用户直观地、实时地发掘、理解大量数据背后的知识。 MineSet有如下特点：MineSet以先进的可视化显示方法闻名于世。 支持多种关系数据库。 可以直接从Oracle、Informix、Sybase的表读取数据，也可以通过SQL命令执行查询。 多种数据转换功能。 在进行挖掘前，MineSet可以去除不必要的数据项，统计、集合、分组数据，转换数据类型，构造表达式由已有数据项生成新的数据项，对数据采样等。 操作简单、支持国际字符、可以直接发布到Web。 是加拿大SimonFraser大学开发的一个多任务数据挖掘系统，它的前身是DBLearn。 该系统设计的目的是把关系数据库和数据开采集成在一起，以面向属性的多级概念为基础发现各种知识。 DBMiner系统具有如下特色：能完成多种知识的发现：泛化规则、特性规则、关联规则、分类规则、演化知识、偏离知识等。 综合了多种数据开采技术：面向属性的归纳、统计分析、逐级深化发现多级规则、元规则引导发现等方法。 提出了一种交互式的类SQL语言——数据开采查询语言DMQL。 能与关系数据库平滑集成。 实现了基于客户/服务器体系结构的Unix和PC（Windows/NT）版本的系统。 由美国IBM公司开发的数据挖掘软件IntelligentMiner是一种分别面向数据库和文本信息进行数据挖掘的软件系列,它包括IntelligentMinerforData和IntelligentMinerforText。 IntelligentMinerforData可以挖掘包含在数据库、数据仓库和数据中心中的隐含信息,帮助用户利用传统数据库或普通文件中的结构化数据进行数据挖掘。 它已经成功应用于市场分析、诈骗行为监测及客户联系管理等；IntelligentMinerforText允许企业从文本信息进行数据挖掘，文本数据源可以是文本文件、Web页面、电子邮件、LotusNotes数据库等等。 这是一种在我国的企业中得到采用的数据挖掘工具，比较典型的包括上海宝钢配矿系统应用和铁路部门在春运客运研究中的应用。 SASEnterpriseMiner是一种通用的数据挖掘工具，按照抽样--探索--转换--建模--评估的方法进行数据挖掘。 可以与SAS数据仓库和OLAP集成，实现从提出数据、抓住数据到得到解答的端到端知识发现。 是一个开放式数据挖掘工具，曾两次获得英国政府SMART创新奖，它不但支持整个数据挖掘流程，从数据获取、转化、建模、评估到最终部署的全部过程，还支持数据挖掘的行业标准--CRISP-DM。 Clementine的可视化数据挖掘使得思路分析成为可能，即将集中精力在要解决的问题本身，而不是局限于完成一些技术性工作（比如编写代码）。 提供了多种图形化技术，有助理解数据间的关键性联系，指导用户以最便捷的途径找到问题的最终解决法。 7.数据库厂商集成的挖掘工具SQLServer2000包含由Microsoft研究院开发的两种数据挖掘算法：Microsoft决策树和Microsoft聚集。 此外，SQLServer2000中的数据挖掘支持由第三方开发的算法。 Microsoft决策树算法：该算法基于分类。 算法建立一个决策树，用于按照事实数据表中的一些列来预测其他列的值。 该算法可以用于判断最倾向于单击特定标题（banner）或从某电子商务网站购买特定商品的个人。 Microsoft聚集算法：该算法将记录组合到可以表示类似的、可预测的特征的聚集中。 通常这些特征可能是隐含或非直观的。 例如，聚集算法可以用于将潜在汽车买主分组，并创建对应于每个汽车购买群体的营销活动。 ，SQLServer2005在数据挖掘方面提供了更为丰富的模型、工具以及扩展空间。 包括：可视化的数据挖掘工具与导航、8种数据挖掘算法集成、DMX、XML/A、第三方算法嵌入支持等等。 OracleDataMining(ODM)是Oracle数据库10g企业版的一个选件，它使公司能够从最大的数据库中高效地提取信息并创建集成的商务智能应用程序。 数据分析人员能够发现那些隐藏在数据中的模式和内涵。 应用程序开发人员能够在整个机构范围内快速自动提取和分发新的商务智能—预测、模式和发现。 ODM针对以下数据挖掘问题为Oracle数据库10g提供支持：分类、预测、回归、聚类、关联、属性重要性、特性提取以及序列相似性搜索与分析(BLAST)。 所有的建模、评分和元数据管理操作都是通过OracleDataMining客户端以及PL/SQL或基于Java的API来访问的，并且完全在关系数据库内部进行。 IBMIntelligentMiner通过其世界领先的独有技术，例如典型数据集自动生成、关联发现、序列规律发现、概念性分类和可视化呈现，它可以自动实现数据选择、数据转换、数据发掘和结果呈现这一整套数据发掘操作。 若有必要，对结果数据集还可以重复这一过程，直至得到满意结果为止。 现在，IBM的IntelligentMiner已形成系列，它帮助用户从企业数据资产中识别和提炼有价值的信息。 它包括分析软件工具----IntelligentMinerforData和IBMIntelligentMinerforText，帮助企业选取以前未知的、有效的、可行的业务知识----如客户购买行为，隐藏的关系和新的趋势，数据来源可以是大型数据库和企业内部或Internet上的文本数据源。 然后公司可以应用这些信息进行更好、更准确的决策，获得竞争优势。
深度优先搜索和广度优先搜索、A星算法三种算法的区别和联系?
1、何谓启发式搜索算法在说它之前先提提状态空间搜索。 状态空间搜索，如果按专业点的说法就是将问题求解过程表现为从初始状态到目标状态寻找这个路径的过程。 通俗点说，就是 在解一个问题时，找到一条解题的过程可以从求解的开始到问题的结果（好象并不通俗哦）。 由于求解问题的过程中分枝有很多，主要是求解过程中求解条件的不确 定性，不完备性造成的，使得求解的路径很多这就构成了一个图，我们说这个图就是状态空间。 问题的求解实际上就是在这个图中找到一条路径可以从开始到结果。 这个寻找的过程就是状态空间搜索。 常用的状态空间搜索有深度优先和广度优先。 广度优先是从初始状态一层一层向下找，直到找到目标为止。 深度优先是按照一定的顺序前查找完一个分支，再查找另一个分支，以至找到目标为止。 这两种算法在数据结构书中都有描述，可以参看这些书得到更详细的解释。 前面说的广度和深度优先搜索有一个很大的缺陷就是他们都是在一个给定的状态空间中穷举。 这在状态空间不大的情况下是很合适的算法，可是当状态空间十分大，且不预测的情况下就不可取了。 他的效率实在太低，甚至不可完成。 在这里就要用到启发式搜索了。 启发式搜索就是在状态空间中的搜索对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。 这样可以省略大量无畏的搜索路径，提 到了效率。 在启发式搜索中，对位置的估价是十分重要的。 采用了不同的估价可以有不同的效果。 我们先看看估价是如何表示的。 启发中的估价是用估价函数表示的，如：f(n) = g(n) + h(n)其中f(n) 是节点n的估价函数，g(n)实在状态空间中从初始节点到n节点的实际代价，h(n)是从n到目标节点最佳路径的估计代价。 在这里主要是h(n)体现了搜 索的启发信息，因为g(n)是已知的。 如果说详细点，g(n)代表了搜索的广度的优先趋势。 但是当h(n) >> g(n)时，可以省略g(n)，而提高效率。 这些就深了，不懂也不影响啦！我们继续看看何谓A*算法。 2、初识A*算法启发式搜索其实有很多的算法，比如：局部择优搜索法、最好优先搜索法等等。 当然A*也是。 这些算法都使用了启发函数，但在具体的选取最佳搜索节点时的 策略不同。 象局部择优搜索法，就是在搜索的过程中选取“最佳节点”后舍弃其他的兄弟节点，父亲节点，而一直得搜索下去。 这种搜索的结果很明显，由于舍弃了 其他的节点，可能也把最好的节点都舍弃了，因为求解的最佳节点只是在该阶段的最佳并不一定是全局的最佳。 最好优先就聪明多了，他在搜索时，便没有舍弃节点 （除非该节点是死节点），在每一步的估价中都把当前的节点和以前的节点的估价值比较得到一个“最佳的节点”。 这样可以有效的防止“最佳节点”的丢失。 那么 A*算法又是一种什么样的算法呢？其实A*算法也是一种最好优先的算法。 只不过要加上一些约束条件罢了。 由于在一些问题求解时，我们希望能够求解出状态空 间搜索的最短路径，也就是用最快的方法求解问题，A*就是干这种事情的！我们先下个定义，如果一个估价函数可以找出最短的路径，我们称之为可采纳性。 A* 算法是一个可采纳的最好优先算法。 A*算法的估价函数可表示为：f(n) = g(n) + h(n)这里，f(n)是估价函数，g(n)是起点到终点的最短路径值，h(n)是n到目标的最断路经的启发值。 由于这个f(n)其实是无法预先知道 的，所以我们用前面的估价函数f(n)做近似。 g(n)代替g(n)，但 g(n)>=g(n)才可（大多数情况下都是满足的，可以不用考虑），h(n)代替h(n)，但h(n)<=h(n)才可（这一点特别 的重要）。 可以证明应用这样的估价函数是可以找到最短路径的，也就是可采纳的。 我们说应用这种估价函数的最好优先算法就是A*算法。 哈。 你懂了吗？肯定没 懂。 接着看。 举一个例子，其实广度优先算法就是A*算法的特例。 其中g(n)是节点所在的层数，h(n)=0，这种h(n)肯定小于h(n)，所以由前述可知广度优先算法是一种可采纳的。 实际也是。 当然它是一种最臭的A*算法。 再说一个问题，就是有关h(n)启发函数的信息性。 h(n)的信息性通俗点说其实就是在估计一个节点的值时的约束条件，如果信息越多或约束条件越多则排除 的节点就越多，估价函数越好或说这个算法越好。 这就是为什么广度优先算法的那么臭的原因了，谁叫它的h(n)=0，一点启发信息都没有。 但在游戏开发中由 于实时性的问题，h(n)的信息越多，它的计算量就越大，耗费的时间就越多。 就应该适当的减小h(n)的信息，即减小约束条件。 但算法的准确性就差了，这 里就有一个平衡的问题。 可难了，这就看你的了！好了我的话也说得差不多了，我想你肯定是一头的雾水了，其实这是写给懂A*算法的同志看的。 哈哈。 你还是找一本人工智能的书仔细看看吧！我这几百字是不足以将A*算法讲清楚的。 只是起到抛砖引玉的作用希望大家热情参与吗。
发表评论