冒泡排序及其优化
冒泡排序基本思想
1.从头依次访问数组每个元素，进行相邻元素之间的交换
2.元素之间两两交换，把小的换到前面，大的放到后面。
3.所有元素交换完成后，一趟交换完成，此时最大的元素会到数组尾部。
4.反复执行以上步骤，直到所有元素都排序完。
结束条件：在任何一趟进行过程中，未出现交换。
注意点：冒泡算法通过双循环来控制跑的趟数和每趟需要比较的元素，即外层循环控制跑的趟数，内层循环控制需要比较的元素个数。
一趟最坏的情况是排好一个元素，所以n个元素需要n趟，因为剩最后一个元素时，已经排好序，所以最后需要n - 1趟。
编程思想：当解决某类问题没有思路时，可以借助实例进行分析。
eg：冒泡排序中，当不知道j的判断条件时，可以对实例进行分析，第一轮有10个元素，
进行10 - 1次交换，第二轮有10个元素，进行10 - 1 - j(此时的j为1) =8交换，
通过结果逆推出代码。
// 冒泡排序
public static void bubbleSort(int[] arr) {
for (int i = 0; i < arr.length - 1; i++) {// 轮数
for (int j = 0; j < arr.length - i - 1; j++) {// 次数
if (arr[j] > arr[j + 1]) {
int temp = arr[j];
arr[j] = arr[j + 1];
arr[j + 1] = temp;
}
}
}
}
优化一：
假设我们现在排序arr[] = { 1, 2, 3, 4, 5, 6, 7, 9, 8 }这组数据，按照上面的排序方法，第一趟排序后将8 和9 已经交换有序，接下来的排序就是多余的，什么也没做。所以我们
可以在交换的地方加一个标记，如果那一趟排序没有交换元素，说明这组数据已经有序，不用再继续下去。
// 冒泡排序优化一：连片有序而整体无序,eg:{1,2,3,4,5,7,6}
public static void bubbleSort1(int[] arr) {
boolean flag = true;// 定义一个标志，监测某一轮是否发生交换
for (int i = 0; i < arr.length - 1; i++) {
for (int j = 0; j < arr.length - i - 1; j++) {
if (arr[j] > arr[j + 1]) {
flag = false;
int temp = arr[j];
arr[j] = arr[j + 1];
arr[j + 1] = temp;
}
}
if (flag) {
break;
}
}
}
优化二：
**优化一仅仅适用于连片有序而整体无序的数据（例如：1，2，3，4，5，7，6）。但是对于前面大部分是无序而后面小半部分有序的数据（1，2，5，7，4，3，6，8，9，10）排序效率也不乐观，**对于这种数据类型，我们可以继续优化。即我们可以记下最后一次交换的位置，后边没有交换，必然是有序的，然后下一次排序从第一个比较 到 上一次记录的位置 直至结束即可。
注：第二种优化不需要使用flag,比较多余，如果最后交换位置为0，就已经说明没有交换了
// 冒泡排序优化二：前面大部分无序而后面小半部分有序,eg:{1,2,5,7,4,3,6,8,9,10}
public static void bubbleSort2(int[] arr) {
for (int i = 0; i < arr.length - 1; i++) {// 轮数
int end = arr.length - 1;
int pos = 0;// 记录一轮中最后一次发生交换的位置
for (int j = 0; j < end; j++) {// 次数
if (arr[j] > arr[j + 1]) {
int temp = arr[j];
arr[j] = arr[j + 1];
arr[j + 1] = temp;
pos = j;
}
}
end = pos;// 下一次比较到记录位置即可
}
}
优化三：
双向冒泡排序，又叫鸡尾酒排序：它的过程是：先从左往右比较一次，再从右往左比较一次，然后又从左往右比较一次，以此类推。
优点：能够再特定条件下，减少排序的回合数；缺点：代码量增大一倍。使用场景：大部分元素已经有序的情况下。
他是为了优化前面的大部分元素都已经排好序的数组，例如对于数组[2,3,4,5,6,7,8,1]如果使用普通的冒泡排序，需要比较7次；而换成双向冒泡排序，只需比较三次。
简单起见，先看下单纯的双向冒泡排序（没有结合前面两种优化）：
// 冒泡排序优化三(双向冒泡排序)：大部分元素已经有序的情况下。{2,3,4,5,6,7,8,1}
public static void bubbleSort3(int[] arr) {
int temp = 0;
for (int i = 0; i < arr.length / 2; i++) {
// 奇数轮，从左向右比较和交换
for (int j = i; j < arr.length - 1; j++) {
if (arr[j] > arr[j + 1]) {
temp = arr[j];
arr[j] = arr[j + 1];
arr[j + 1] = temp;
}
}
// 偶数轮，从右向左比较和交换
for (int j = arr.length - i - 1; j > i; j--) {
if (arr[j] < arr[j - 1]) {
temp = arr[j];
arr[j] = arr[j - 1];
arr[j - 1] = temp;
}
}
}
最终优化：优化一 + 优化二 + 优化三
// 最终优化：方式一 + 方式二 + 方式三
public static void bubbleSort4(int[] arr) {
int temp = 0;
boolean flag = true;// 标志
int leftEnd = 0;// 无序数列的左边界，每次比较只需要比到这里为止
int rightEnd = arr.length - 1;// 无序数列的右边界，每次比较只需要比到这里为止
int posLeft = 0;// 记录左侧最后一次交换的位置
int posRight = 0;// 记录右侧最后一次交换的位置
for (int i = 0; i < arr.length / 2; i++) {
// 奇数轮，从左向右开始交换
for (int j = leftEnd; j < rightEnd; j++) {
if (arr[j] > arr[j + 1]) {
temp = arr[j];
arr[j] = arr[j + 1];
arr[j + 1] = temp;
flag = false;
posRight = j;
}
}
rightEnd = posRight;
if (flag) {
break;
}
flag = true;// 标志重置!!!!!!!!!!!!!!!!!!!!!!!!!
// 偶数轮，从右向左开始交换
for (int j = rightEnd; j > leftEnd; j--) {
if (arr[j] < arr[j - 1]) {
temp = arr[j];
arr[j] = arr[j - 1];
arr[j - 1] = temp;
flag = false;
posLeft = j;
}
}
leftEnd = posLeft;
if (flag) {
break;
}
}
}
选择排序及其优化
/**
* @param arr 选择排序
*/
public static void selectionSort(int[] arr) {
// 最开始，无序区间[0...n] 有序区间[]
// 当无序区间只剩下一个元素时，整个集合已经有序
for (int i = 0; i < arr.length - 1; i++) {
// min变量存储了当前的最小值索引
int min = i;
// 从剩下的元素中选择最小值
for (int j = i + 1; j < arr.length; j++) {
if (arr[j] < arr[min]) {
min = j;
}
}
// min这个索引一定对应了当前无序区间中找到的最小值索引，换到无序区间最前面i
swap(arr,min,i);
}
}
优化点：一次排序过程中同时选出最大值和最小值,放在无序区间的最后和最前
/**
* @param arr 双向选择排序
*/
public static void selectionSortOP(int[] arr) {
int low = 0;
int high = arr.length - 1;//[low,high]表示整个无序区间
// low = high，无序区间只剩下一个元素，整个数组已经有序
while (low <= high) {
int min = low;
int max = low;
for (int i = low + 1; i <= high; i++) {
if (arr[i] < arr[min]) {
min = i;
}
if (arr[i] > arr[max]) {
max = i;
}
}
// min索引一定是当前无序区间的最小值索引，与low交换位置
swap(arr,low,min);
if (max == low) {//这个代码非常重要！！！！！！！！！！
// 最大值已经被换到min这个位置
max = min;
}
swap(arr,max,high);
low += 1;
high -= 1;
}
}
插入排序及其优化
* 每次从无序区间中拿第一个值插入到已经排序区间的合适位置，直到整个数组有序
* 在近乎有序的数据测试中，插入排序的性能好
* 极端情况下，当集合是一个(完全/近乎)有序的集合，插入排序内层循环一次都不走~~~
* 插入排序变为O(N)；因此，插入排序经常作为高阶排序算法的优化手段之一
* 插入排序是稳定的；arr[j] >= arr[j - 1]就停止了；相等的元素不会交换顺序，arr[j] < arr[j - 1]才交换
/**
* @param arr 直接插入排序
*/
public static void insertionSort(int[] arr) {
// 已排序区间[0,i)
// 待排序区间[i...n]
for (int i = 1; i < arr.length; i++) {
// 待排序区间的第一个元素arr[i]
// 从待排序区间的第一个元素向前看，找到合适的插入位置
// for (int j = i; j > 0; j--) {
// // arr[j - 1]已排序区间的最后一个元素
// if (arr[j] >= arr[j - 1]) {
// // 相等我们也不交换，保证稳定性
// // 此时说明arr[j] > 已排序区间的最大值，arr[j]已经有序了~~直接下次循环
// break;
// }else {
// swap(arr,j,j - 1);
// }
// }
for (int j = i; j > 0 && arr[j] < arr[j - 1]; j--) {
swap(arr,j,j - 1);
}
}
}
优化点：因为插入排序中，每次都是在有序区间中选择插入位置 =>> 使用二分查找来定位元素的插入位置
/**
* @param arr 折半插入排序
*/
public static void insertionSortBS(int[] arr) {
// 有序区间[0..i)
// 无序区间[i...n]
// i表示当前正在处理的元素,有序区间和无序区间的分界线就是i
for (int i = 1; i < arr.length; i++) {
int val = arr[i];
int left = 0;
int right = i;
while (left < right){
int mid = left + ((right - left) >> 1);
if (val < arr[mid]) {
right = mid;
}else {
// val >= arr[mid]
left = mid + 1;
}
}
// 搬移left..i的元素
for (int j = i; j > left; j--) {
arr[j] = arr[j - 1];
}
// left就是val插入的位置
arr[left] = val;
}
}
归并排序及其优化
归并排序是一个稳定的nlogn排序算法
此处的稳定指的是时间复杂度稳定且归并排序也是一个稳定性排序算法
时间复杂度稳定：无论集合中的元素如何变化，归并排序的时间复杂度一直都是nlogn,不会退化为O(n^2)
/**
* @param arr 未优化的归并排序
*/
public static void mergeSort(int[] arr) {
mergeSortInternal(arr,0,arr.length - 1);
}
/**
* 递归语义：在arr[l,r]进行归并排序,整个arr经过此函数后就是一个已经有序的数组
*/
private static void mergeSortInternal(int[] arr, int l, int r) {
if(l >= r){//左边的索引==右边的索引
return;
}
int mid = l + ((r - l) >> 1);
// 将原数组拆分为左右两个小区间，分别递归进行归并排序
// 走完这个函数之后 arr[l..mid]已经有序
mergeSortInternal(arr,l,mid);
// 走完这个函数之后 arr[mid + 1..r]已经有序
mergeSortInternal(arr,mid + 1,r);
//merge
merge(arr,l,mid,r);
}
/**
* 合并两个子数组arr[l,mid]和arr[mid + 1,r]
* 为一个大的有序数组arr[l,r]
*/
private static void merge(int[] arr, int l, int mid, int r) {
// 先创建一个新的临时数组aux
int[] aux = new int[r - l + 1];
// 将arr元素值拷贝到aux上
for (int i = 0; i < aux.length; i++) {
aux[i] = arr[i + l];
}
// i就是左侧小数组的开始索引
int i = l;
// j就是右侧小数组的开始索引
int j = mid + 1;
// k表示当前正在合并的原数组的索引下标
for (int k = l; k <= r; k++) {
if (i > mid) {
// 左侧区间已经被处理完毕，只需要将右侧区间的值拷贝原数组即可
arr[k] = aux[j - l];
j ++;
}else if (j > r) {
// 右侧区间已经被处理完毕，只需要将左侧区间的值拷贝到原数组即可
arr[k] = aux[i - l];
i ++;
}else if (aux[i - l] <= aux[j - l]) {
// 此时左侧区间的元素值较小，相等元素放在左区间，保证稳定性
arr[k] = aux[i - l];
i ++;
}else {
// 右侧区间的元素值较小
arr[k] = aux[j - l];
j ++;
}
}
}
归并排序的两点优化：
1.当左右两个子区间走完子函数后，左右两个区间已经有序了；如果此时arr[mid] < arr[mid + 1]
arr[mid]已经是左区间的最大值；arr[mid + 1]已经是右区间的最小值 => 整个区间已经有序了，没必要再执行merge过程
2.在小区间上，可以直接俄使用插入排序来优化，没必要元素一致拆分到1位置；r - l <= 15,使用插入排序性能是很好的。可以减少归并的递归次数
public static void mergeSort(int[] arr) {
mergeSortInternal(arr,0,arr.length - 1);
}
/**
* 在arr[l,r]进行归并排序,整个arr经过此函数后就是一个已经有序的数组
* 时间复杂度分析：
* 递归的深度就是拆分数组所用的时间，就是树的高度（logN）
* 合并两个子数组的过程merge；就是一个数组的遍历过程：O(n)
*/
private static void mergeSortInternal(int[] arr, int l, int r) {
if (r - l <= 15) {
// 优化2.小区间直接使用插入排序
insertionSort(arr,l,r);
return;
}
int mid = l + ((r - l) >> 1);
// 将原数组拆分为左右两个小区间，分别递归进行归并排序
// 走完这个函数之后 arr[l..mid]已经有序
mergeSortInternal(arr,l,mid);
// 走完这个函数之后 arr[mid + 1..r]已经有序
mergeSortInternal(arr,mid + 1,r);
// 优化1.只有左右两个子区间还有先后顺序不同时才merge
if (arr[mid] > arr[mid + 1]) {
merge(arr,l,mid,r);
}
}
/**
* 合并两个子数组arr[l,mid]和arr[mid + 1,r]
* 为一个大的有序数组arr[l,r]
*
为啥合并过程需要创建一个临时temp数组呢？
防止在合并的过程中，因为小元素覆盖大的元素，丢失某些元素
*/
private static void merge(int[] arr, int l, int mid, int r) {
// 先创建一个新的临时数组temp
int[] temp = new int[r - l + 1];
// 将arr元素值拷贝到temp上
for (int i = 0; i < temp.length; i++) {
temp[i] = arr[i + l];
}
// i就是左侧小数组的开始索引
int i = l;
// j就是右侧小数组的开始索引
int j = mid + 1;
// k表示当前正在合并的原数组的索引下标
for (int k = l; k <= r; k++) {
if (i > mid) {
// 左侧区间已经被处理完毕，只需要将右侧区间的值拷贝原数组即可
arr[k] = temp[j - l];
j ++;
}else if (j > r) {
// 右侧区间已经被处理完毕，只需要将左侧区间的值拷贝到原数组即可
arr[k] = temp[i - l];
i ++;
}else if (temp[i - l] <= temp[j - l]) {
// 此时左侧区间的元素值较小，相等元素放在左区间，保证稳定性！！！
arr[k] = temp[i - l];
i ++;
}else {
// 右侧区间的元素值较小
arr[k] = temp[j - l];
j ++;
}
}
}
/**
* 在arr[l..r]使用插入排序
* 归并优化调用了这个方法
*/
private static void insertionSort(int[] arr, int l, int r) {
for (int i = l + 1; i <= r; i++) {
for (int j = i; j > l && arr[j] < arr[j - 1]; j--) {
swap(arr,j,j - 1);
}
}
}
快速排序及其优化
快速排序的基本思想是：通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以递归进行，以此达到整个数据变成有序序列
快速排序的三个步骤：
1）选择基准：在待排序列中，按照某种方式挑出一个元素，作为 “基准”（pivot）
2）分割操作：以该基准在序列中的实际位置，把序列分成两个子序列。此时，在基准左边的元素都比该基准小，在基准右边的元素都比基准大
3）递归地对两个序列进行快速排序，直到序列为空或者只有一个元素。
优化一:优化选取基准点
对于分治算法，当每次划分时，算法若都能分成两个等长的子序列时，那么分治算法效率会达到最大。也就是说，基准的选择是很重要的。选择基准的方式决定了两个分割后两个子序列的长度，进而对整个算法的效率产生决定性影响。最理想的方法是，选择的基准恰好能把待排序序列分成两个等长的子序列
两种选择基准的方法
方法(1)：固定位置
思想：取序列的第一个或最后一个元素作为基准
注意：基本的快速排序选取第一个或最后一个元素作为基准。但是，这是一直很不好的处理方法。
思想：取序列的中间元素作为基准。
测试数据分析：如果输入序列是随机的，处理时间可以接受的。如果数组已经有序时，此时的分割就是一个非常不好的分割。因为每次划分只能使待排序序列减1，此时为最坏情况，快速排序沦为起泡排序，时间复杂度为O(n^2)。而且，输入的数据是有序或部分有序的情况是相当常见的。因此，使用某一个元素作为枢纽元是非常糟糕的，为了避免这个情况，就引入了下面两个获取基准的方法。
方法(2)：随机选取基准
引入的原因：在待排序列是部分有序时，固定选取枢轴使快排效率底下，要缓解这种情况，就引入了随机选取枢轴
思想：取待排序列中任意一个元素作为基准
int pivot = (int) (Math.random() * (r - l + 1)) + 1;
测试数据分析：:这是一种相对安全的策略。由于枢轴的位置是随机的，那么产生的分割也不会总是会出现劣质的分割。在整个数组数字全相等时，仍然是最坏情况，时间复杂度是O(n2）。实际上，随机化快速排序得到理论最坏情况的可能性仅为1/(2n）。所以随机化快速排序可以对于绝大多数输入数据达到O(nlogn）的期望时间复杂度。
方法(3)：三数取中（median-of-three）
分析：最佳的划分是将待排序的序列分成等长的子序列，最佳的状态我们可以使用序列的中间的值，也就是第N/2个数。可是，这很难算出来，并且会明显减慢快速排序的速度。这样的中值的估计可以通过随机选取三个元素并用它们的中值作为枢纽元而得到。事实上，随机性并没有多大的帮助，因此一般的做法是使用左端、右端和中心位置上的三个元素的中值作为枢纽元。显然使用三数中值分割法消除了预排序输入的不好情形**，并且减少快排大约14%的比较次数**
举例：待排序序列为：8 1 4 9 6 3 5 2 7 0
左边为：8，右边为0，中间为6.
我们这里取三个数排序后，中间那个数作为枢轴，则枢轴为6
注意：在选取中轴值时，可以从由左中右三个中选取扩大到五个元素中或者更多元素中选取，一般的，会有（2t＋1）平均分区法（median-of-(2t+1)，三平均分区法英文为median-of-three）。
具体思想：对待排序序列中low、mid、high三个位置上数据进行排序，取他们中间的那个数据作为枢轴，并用0下标元素存储枢轴。
即：采用三数取中，并用0下标元素存储枢轴。
/**
* @return 取待排序序列中left、mid、right三个位置上数据，选取他们中间的那个数据作为枢轴
*/
public static int SelectPivotMedianOfThree(int arr[], int left, int right) {
int temp = 0;
int mid = left + ((right - left) >> 1);// 计算数组中间元素的元素的下标
// 使用三数取中法选择枢轴
if (arr[mid] > arr[right]) {// 目标：arr[mid] <= arr[right]
temp = arr[mid];
arr[mid] = arr[right];
arr[right] = temp;
}
if (arr[left] > arr[right]) {// 目标：arr[left] <= arr[right]
temp = arr[left];
arr[left] = arr[right];
arr[right] = temp;
}
if (arr[mid] > arr[left]) {// 目标：arr[left] <= arr[mid]
temp = arr[mid];
arr[mid] = arr[left];
arr[left] = temp;
}
// 此时，arr[mid] <= arr[left] <= arr[right]
// left的位置上保留这三个位置上大小为中间的值
return arr[left];
}
测试数据分析：使用三数取中选择枢轴优势还是很明显的，但是还是处理不了重复数组
优化二：当待排序序列的长度分割到一定大小后，使用插入排序
原因：对于很小和部分有序的数组，快排不如插排好。当待排序序列的长度分割到一定大小后，继
续分割的效率比插入排序要差，此时可以使用插排而不是快排
截止范围：待排序序列长度N = 10，虽然在5~20之间任一截止范围都有可能产生类似的结果，这
种做法也避免了一些有害的退化情形。摘自《数据结构与算法分析》Mark Allen Weiness 著
if (right - left + 1 < 10) {
insertSort(arr);
return;
}
//else正常的快速排序
测试数据分析：针对随机数组，使用三数取中选择枢轴+插排，效率还是可以提高一点，真是针对已排序的数组，是没有任何用处的。因为待排序序列是已经有序的，那么每次划分只能使待排序序列减一。此时，插排是发挥不了作用的。所以这里看不到时间的减少。另外，三数取中选择枢轴+插排还是不能处理重复数组
优化三：三路快速排序
lt:less than gt:geater than
将数组划分为大于v、小于v、等于v三部分；l表示小于v部分的第一个元素，r表示大于v部分的最后一个元素；因此：arr[l + 1，lt]这部分表示的是所有小于v的元素；arr[lt + 1，i - 1]表示等于v的元素；arr[gt，r] 表示的是大于v这部分元素；i表示当前遍历到的元素；这样，就把要遍历的数据划分好了；现在的主要问题是，划分成这样的区间后，面对一个新的元素，我们应该做咋样的操作？
1）如果e == v ；就将e融入到等于v的这部分元素中，融入的方式就是i++;
2）如果是e < v ;只需要将e和等于v部分的第一个元素交换位置即可；交换完位置后，e就位于小于v部分的后面了；这样做的意义就是为了让e融入小于v部分的元素，融入的方式就是lt++;之后i++,来看下一个元素
3）如果 e > v ;只需要将此元素与大于v部分的前一个元素交换位置即可。此时，原来的大于v部分的前一个元素是还没被遍历的元素，交换后，把它放在了i所指的位置，而e就已经紧挨着大于v这部分元素了，这时将e融入到这部分元素即可，操作为gt–;然后将i++;因为之前交换后，给i所指向的位置挪过来一个未遍历的元素，此时，只需要继续判断这个元素就好了
最终，使用以上的方式一直进行下去，原始的数据就被分成了三部分，终止条件是i == gt，表示当前已经遍历完了所有的元素；然后，还要将v这个元素和lt指向的元素交换一下位置，这样；lt左边的元素都是小于v的元素，右边都是大于等于v的元素;v和等于v这部分元素融为一体，就不需要考虑等于v这部分元素了；下一步，只需要递归的对大于v和小于v这部分元素进行快速排序即可；三路排序的优点：不用考虑重复元素，极端情况下，如果要排序的数据元素全部相等，只需要一轮三路快排，就可以将所有元素全部排列有序。此时，时间复杂度进化为O（n）。三路快排能够非常好的处理有大量重复元素的数据，同时对于近乎有序的数据和完全无序的数据效果也很好。是很多语言标准库中排序算法的底层实现。Java就是这样
/**
* @param arr 三路快排
*/
public static void quickSort3(int[] arr) {
Random rnd = new Random();
partition3(arr,0,arr.length - 1,rnd);
}
private static void partition3(int[] arr, int l, int r,Random rnd) {
if (r - l <= 15) {
insertionSort(arr,l,r);
return;
}
//生成[l,r]之间的随机索引
int p = l + rnd.nextInt(r - l + 1);
swap(arr,l,p);
int v = arr[l];
// 这些变量的取值，一定是满足区间的定义，最开始的时候，所有区间都是空
// arr[l + 1..lt] < v
// lt是指向最后一个<v的元素
int lt = l;
// arr[lt + 1..i) == v
// i - 1是最后一个 = v的元素
int i = lt + 1;
// arr[gt..r] > v
// gt是第一个 > v的元素
int gt = r + 1;
// i从前向后扫描和gt重合时，所有元素就处理完毕
while (i < gt) {
if (arr[i] < v) {
// arr[l + 1..lt] < v
// arr[lt + 1..i) == v
swap(arr,i,lt + 1);
i ++;
lt ++;
}else if (arr[i] > v) {
// 交换到gt - 1
swap(arr,i,gt - 1);
gt --;
// 此处i不++，交换来的gt - 1还没有处理
}else {
// 此时arr[i] = v
i ++;
}
}
// lt落在最后一个 < v的索引处
swap(arr,l,lt);
// arr[l..lt - 1] < v
partition3(arr,l,lt - 1,rnd);
// arr[gt..r] > v
partition3(arr,gt,r,rnd);
}
优化四:尾递归排序
快排函数在函数尾部有两次递归操作，我们可以对其使用尾递归优化
优点：如果待排序的序列划分极端不平衡，递归的深度将趋近于n，而栈的大小是很有限的，每次递归调用都会耗费一定的栈空间，函数的参数越多，每次递归耗费的空间也越多。优化后，可以缩减堆栈深度，由原来的O(n)缩减为O(logn)，将会提高性能。
总结：尾递归的特点是在回归过程中不用做任何操作，这个特性很重要，因为大多数现在的编译器会利用这种特点自动生成优化的代码；所以我感觉尾递归的这种方式对于程序员本身而言，知道这种方式就好，因为在实际中，你的代码有没有尾递归的操作，编译器都会对你的代码进行优化，所以，就不进行具体的代码了。重点放在上面的三路快排！！
几种快排的总结：
基本快排：极端情况下，数组就是一个完全有序的数组；在接近有序的数组上，快排会退化为O(N^2),左右两个子区间严重不平衡。避免的方式：(随机基准、三数取中选取基准)
1.当待排序的集合重复元素并不多时，随机化快排已经可以解决问题，甚至性能比2路和3路快排还要好(2路快排和3路快排中为了解决重复元素引入了很多变量和分支)
2.当待排序集合中有大量重复元素时，使用2路或3路快排优化重复元素的处理，要能讲清楚思路
3.如果待排序集合是一个接近有序的集合，分区点的选择就不能单纯的选择最左侧或最右侧元素(随机化选择、三数取中)
一般来说，JVM的栈的深度大概在1w左右，所谓的栈溢出就是JVM调用函数的次数超过了默认的深度；所以大规模数据测试快排会导致栈溢出。所以，为了解决栈溢出问题，一般使用堆排序
大量重复数据测试下：
数据随机范围大的情况下：
快速排序的实际应用
Java 7的对于排序算法的底层使用了三路快排，Go的排序算法的底层综合了插入排序、三位取中选取基准、三路快排的综合版。在小数据的时候会使用插入排序以及希尔排序，为了避免大数据的栈溢出所以也使用了堆排序，一般的情况下，Go会优先使用三路快排。
海量数据的排序问题
前提：内存只有 1G，需要排序的数据有 100G
因为内存中因为无法把所有数据全部放下，所以需要外部排序，而归并排序是最常用的外部排序
外部排序：排序过程需要在磁盘等外部存储进行的排序
-
先把文件切分成 200 份，每个 512 M
-
分别对 512 M 排序，因为内存已经可以放的下，所以任意排序方式都可以；此时就可以得到200个已经有序的文件
-
进行 200 路归并，同时对 200 份有序文件做归并过程，最终结果就有顺序了
具体操作：每次都取出200文件的第一个元素放到内存中，内部排序这200个小值中的最小值写回大文件的第一行。
最后
🍅 硬核资料：关注即可领取PPT模板、简历模板、行业经典书籍PDF。
🍅 技术互助：技术群大佬指点迷津，你的问题可能不是问题，求资源在群里喊一声。
🍅 面试题库：由技术群里的小伙伴们共同投稿，热乎的大厂面试真题，持续更新中。
🍅 知识体系：含编程语言、算法、大数据生态圈组件（Mysql、Hive、Spark、Flink）、数据仓库、Python、前端等等。
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。
一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
417
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
