Qz学算法-数据结构篇(排序)

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：

1. 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

2. 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。

3. 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

1. 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。

2. 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

1. 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。

2. 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).

3. 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

1. 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

2. 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。

3. 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

1. 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。

2. 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

3. 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