排序算法
排序的概念
排序也称排序算法(Sort Algorithm),排序是将一组数据,依指定的顺序进行排列的过程
分类
排序的分类:
-
内部排序:
指将需要处理的所有数据都加载到内部存储器中进行排序
-
外部排序法: 数据量过大,无法全部加载到内存中,需要借助外部存储进行排序。
-
常见的排序算法分类(见图)
算法的时间复杂度
度量一个程序(算法)执行时间的两种方法
-
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住、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
1.时间频度
时间频度:一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T()。
案例说明
比如计算1-100所有数字之和,我们设计两种算法:
int total = 0; int end = 100; //使用for循环计算 for (int i = 1; i <= end; i++){ total++; }
T(n)=n+1;
//直接计算 total=(1+end)*end/2;
T(n)=1
计算时间复杂度可以忽略常数项
结论:
2n+20和2n随着n变大,执行曲线无限接近,20可以忽略 3n+10和3n随着n变大,执行曲线无限接近,10可以忽路
计算时间复杂度可以忽略低次项
结论:
2n2+3n+10和2n2随着n变大,执行曲线无限接近,可以忍略3n+10 n2+5n+20和n2随着n变大,执行曲线无限接近,可以忽略5n+20
计算时间复杂度可以忽略系数
结论: 随着n值变大,5n2+7n和3n2+2n,执行曲线重合,说明这种情况下,5和3可以忽略。 而n3+5n和6n3+4n,执行曲线分离,说明多少次方式关键
2.时间复杂度
-
一般情况下,算法中的基本操作语句的重复执行次数是问题规模的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n)/f(n)的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n))为算法的渐进时间复杂度,简称时间复杂度。
-
T(n)不同,但时间复杂度可能相同。如:T(n)=n2+7n+6与T(n)=3n2+2n+2它们的T()不同,但时间复杂度相同,都为0(n).
-
计算时间复杂度的方法:
-
用常数1代替运行时间中的所有加法常数
-
修改后的运行次数函数中,只保留最高阶项
-
去除最高阶项的系数
-
常见的时间复杂度
说明
从图中可见我们应该尽可能避兔使用指数阶的算法
-
常数阶O(1)
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就都是0(1)
int i 1; int j=2; 4+i j+: int m =i+j;
上述代码在执行的时候,它消耗的时间并不随着某个变量的增长而增长,那么无论这类代码有多长,即使有几万几十万行,都可以用O(1)来表示它的时间复杂度。
-
对数阶
$$
O(log_2n)
$$
int i = 1; while(i<n){ i*=2; }
说明:在while循环里面,每次都将i乘以2,乘完之后,i距离n就越来越近了。假设循环x次之后,i就大于2了,此时这个循环就退出了,也就是说2的x次方等于n,那么
$$
x=log_2n
$$也就是说当循环
$$
log_2n
$$次以后,这个代码就结束了。因此这个代码的时间复杂度为:
$$
O(log_2n)
$$。
$$
O(log_2n)
$$的这个2时间上是根据代码变化的,i=i*3,则是
$$
O(log_3n)
$$.
如果
$$
N=a^x(a>0,a≠1)
$$即a的x次方等于N(a>0且a≠1),那么数a叫做以a为底N的对数(logarithm)记作
$$
x=log_aN
$$其中,a叫做对数的底数,N叫做真数,x叫做以a为底的对数。
-
线性阶O(n)
for (int i = 0; i < n; i++) { j = i; j++; }
说明:
这段代码,for循环里面的代码会执行n遍,因此它消耗的时间是随着n的变化而变化的,因此这类代码都可以用O(n)来表示它的时间复杂度
-
线性对数阶
$$
O(nlogN)
$$for (m = 1; m < n; m++) { i = 1: while (i < n) { i = i * 2; } }
说明:线性对数阶O(nlogN)其实非常容易理解,将时间复杂度为O(Iogn)的代码循环N遍的话,那么它的时间复杂度就是n*O(logN),也就是了O(nlogN)
-
平方阶
$$
O(n^2)
$$for (int i = 0; i <= n; i++) { for (int j = 0; j <= n; j++) { j = i; j++; } }
说明:平方阶O(n^2)就更容易理解了,如果把O)的代码再嵌套循环一遍,它的时间复杂度就是O(n^2),这段代码其实就是嵌套了2层n循环,它的时间复杂度就是O(n*n),即O(n^2)如果将其中一层循环的n改成m,那它的时间复杂度就变成了O(m*n)
3.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。
-
平均时间复杂度和最坏时间复杂度是否一致,和算法有关
算法的空间复杂度
1.基本介绍
-
类似王时间复杂度的过论,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有关,它随着的增大而增大,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。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