OPTICS排序式聚类算法

这是一个基于密度的聚类算法OPTICS的MATLAB程序，来源于官方，经过测试好用。

资源包含OPTICS聚类算法的Python实现代码，此算法是对DBSCAN算法的优化改进。

基于密度的聚类方法的思路挺巧妙，不靠你事先指定簇的个数，而是看哪里数据密集就往哪儿凑。像DBSCAN、OPTICS、DENCLUE这些算法，都能搞定各种不规则的簇形，噪声点也还不错。 DBSCAN的逻辑蛮：找邻居、看密度，够密就拉进来一起玩，太稀就当噪声。适合用来图片区域、地理坐标、甚至是社交网络的社群划分。 OPTICS就比 DBSCAN 细腻点，在数据密度变化大的时候挺实用，排序之后你再来观察哪里是簇，挺有意思的。 DENCLUE是基于数学密度函数来的，思路有点偏学术，但优势是对复杂数据形态的捕捉更强，适合你那种非均匀分布的数据。 资源方面我翻了下，有不少现成的实现，Matlab、Pyth

十大经典排序算法分为两类： 比较类排序（时间复杂度不能突破 O(nlogn)）：- 冒泡排序- 快速排序- 简单插入排序- 希尔排序- 简单选择排序- 堆排序- 二路归并排序 非比较类排序（线性时间运行）：- 多路归并排序- 桶排序- 基数排序

桶排序是一种基于计数的排序算法，其核心思想是将待排序元素分散到有限数量的桶中，然后分别对每个桶中的元素进行排序。首先，扫描待排序序列找出最大值和最小值，根据这两个值确定桶的范围。接着，将每个元素分配到对应的桶中，再分别对每个桶中的元素进行排序。最后，按照桶的顺序依次输出所有元素即可。

排序里的基数排序，用起来还挺顺手的。它不比大小，而是按位来分桶。比如先看个位，再看十位、百位，一轮轮下来，数据就排好了。这招在大量整数时管用，尤其是数值不太大的时候，效率还挺高的。 基数排序靠的是分桶，每一位都设十个桶（0-9），把数字按当前位数扔进去，再按顺序拿出来。整个过程不比大小，所以不会出现“越比较越乱”的情况，也不会影响相等元素的顺序，稳定性不错。 方式也蛮直接的，通常用计数排序来配合分桶操作。因为它在小范围整数排序上快得飞起。排序的时候你只需要知道最大数有几位，从个位开始一轮轮地排，像流水线一样，有条理。 说点实在的，时间复杂度是 O(n * k)，n 是元素数量，k 是最大数的位

选择排序的思路蛮直接，没啥复杂逻辑。每次从还没排好的里面挑个最小的，放到前面去，直到全排好。代码不长，逻辑也清晰，适合刚开始摸排序算法的同学。 选择排序的核心点就在于“挑最小的”这个动作。不管你是用for循环还是配个minIndex，思路都挺清楚的。而且数据量不是大的时候，表现还不错。 像写课程设计或者整理代码库的时候，选它做示例挺合适。比如这篇代码优化的文章，就讲了怎么把选择排序搞得更干净点，适合参考参考。 哦对了，如果你还在理清楚各种排序算法的关系，推荐去看看这篇排序算法汇总，还有个脑图版的思维导图也蛮有用，方便你整体把握。 如果你是刚接触排序，想练练基本功，那就试试手撸一遍。写完之后记得

起泡排序通过逐次交换相邻较小元素，将最大元素移动至末尾。经过 n-1 趟遍历，所有元素将按照从小到大的顺序排列，其中最小元素位于数组首位。

逐边裁剪算法： 按顺序排列多边形顶点。 将相邻顶点连接成边，形成 N 条边。