目录
总结与对比
常见排序算法的实现链接
排序算法的介绍
排序算法是将一组数组,依指定的顺序进行排列的过程。
排序算法分为两类:
(1)内部排序:将需要处理的所有数据都加载到内部存储器(内存)中进行排序。
(2)外部排序:当数据量过大时,无法全部加载到内存中,需要借助外部存储(如文件)进行排序。
常见的排序算法分类:(8种常见-直接插入排序、希尔排序、简单选择排序、堆排序、冒泡排序、快速排序)
算法的时间复杂度
-
事后统计的方法
这种方法可行, 但是有两个问题: 一是要想对设计的算法的运行性能进行评测, 需要实际运行该程序; 二是所得时间的统计量依赖于计算机的硬件、 软件等环境因素, 这种方式, 要在同一台计算机的相同状态下运行, 才能比较那个算法速度更快。
-
事前估算的方法
通过分析某个算法的时间复杂度来判断哪个算法更优.
时间频度(T(n)):一个算法中的语句执行次数
例子—T(n) = n+1 (n是规模,等于这里的end)
时间复杂度(O(n): 时间频度忽略常数项 、低次项 、系数,即算法中的基本操作语句的重复执行次数是问题规模 n 的某个函数。
例如—T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的 T(n) 不同, 但时间复杂度相同, 都为 O(n²)。 (T(n)只有常数项的时间复杂度是1)
常见的时间复杂度
如图的时间复杂度是逐渐增加的,我们应该避免时间复杂度为指数阶的算法。
例子举例
平均时间复杂度和最坏时间复杂度
- 平均时间复杂度是指所有可能的输入实例均以等概率出现的情况下, 该算法的运行时间。
- 最坏情况下的时间复杂度称最坏时间复杂度。 一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是: 最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限, 这就保证了算法的运行时间不会比最坏情况更长。
空间复杂度
- 类似于时间复杂度的讨论, 一个算法的空间复杂度(Space Complexity)定义为该算法所耗费的存储空间, 它也是问题规模 n 的函数。
- 空间复杂度(Space Complexity)是对一个算法在运行过程中临时占用存储空间大小的量度。 有的算法需要占用的临时工作单元数与解决问题的规模 n 有关, 它随着 n 的增大而增大, 当 n 较大时, 将占用较多的存储单元, 例如快速排序和归并排序算法, 基数排序就属于这种情况
- 在做算法分析时, 主要讨论的是时间复杂度。 因为从用户使用体验上看, 更看重的程序执行的速度。 一些缓存产品 (redis, memcache) 和算法(基数排序)本质就是用空间换时间。