五、归并排序(Merge Sort)
和选择排序一样,归并排序的性能不受输入数据的影响,但表现比选择排序好的多,因为始终都是O(n log n)的时间复杂度。代价是需要额外的内存空间。
1.算法简介
归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用分治法(Divide and Conquer)的一个非常典型的应用。归并排序是一种稳定的排序方法。将已有序的子序列合并,得到完全有序的序列;即先使每个子序列有序,再使子序列段间有序。若将两个有序表合并成一个有序表,称为2-路归并。
2.算法描述和实现
具体算法描述如下:
(1)把长度为n的输入序列分成两个长度为n/2的子序列;
(2)对这两个子序列分别采用归并排序;
(3)将两个排序好的子序列合并成一个最终的排序序列。
代码实现如5.1
归并排序动态图演示过程如下图所示:
3.算法分析
情况 | 时间复杂度 | 数据 |
---|---|---|
最佳情况 | T(n) = O(n) | - |
最差情况 | T(n) = O(nlogn) | - |
平均情况 | T(n) = O(nlogn) | - |
4.优化
六、快速排序(Quick Sort)
快速排序的名字起的是简单粗暴,因为一听到这个名字你就知道它存在的意义,就是快,而且效率高! 它是处理大数据最快的排序算法之一了。
1.算法简介
快速排序的基本思想:通过一趟排序将待排记录分隔成独立的两部分,其中一部分记录的关键字均比另一部分的关键字小,则可分别对这两部分记录继续进行排序,以达到整个序列有序。
2.算法描述和实现
快速排序使用分治法来把一个串(list)分为两个子串(sub-lists)。具体算法描述如下:
(1)从数列中挑出一个元素,称为 “基准”(pivot);
(2)重新排序数列,所有元素比基准值小的摆放在基准前面,所有元素比基准值大的摆在基准的后面(相同的数可以到任一边)。在这个分区退出之后,该基准就处于数列的中间位置。这个称为分区(partition)操作;
(3)递归地(recursive)把小于基准值元素的子数列和大于基准值元素的子数列排序。
代码实现如6.1
快速排序动态图演示过程如下图所示:
3.算法分析
情况 | 时间复杂度 | 数据 |
---|---|---|
最佳情况 | T(n) = O(nlogn) | - |
最差情况 | T(n) = O(n^2) | - |
平均情况 | T(n) = O(nlogn) | - |
4.优化
七、堆排序(Heap Sort)
堆排序可以说是一种利用堆的概念来排序的选择排序。
1.算法简介
堆排序(Heapsort)是指利用堆这种数据结构所设计的一种排序算法。堆积是一个近似完全二叉树的结构,并同时满足堆积的性质:即子结点的键值或索引总是小于(或者大于)它的父节点。
2.算法描述和实现
具体算法描述如下:
(1)将初始待排序关键字序列(R1,R2…Rn)构建成大顶堆,此堆为初始的无序区;
(2)将堆顶元素R[1]与最后一个元素R[n]交换,此时得到新的无序区(R1,R2,…Rn-1)和新的有序区(Rn),且满足R[1,2…n-1]<=R[n];
(3)由于交换后新的堆顶R[1]可能违反堆的性质,因此需要对当前无序区(R1,R2,…Rn-1)调整为新堆,然后再次将R[1]与无序区最后一个元素交换,得到新的无序区(R1,R2…Rn-2)和新的有序区(Rn-1,Rn)。不断重复此过程直到有序区的元素个数为n-1,则整个排序过程完成。
代码实现如7.1
堆排序动态图演示过程如下图所示:
3.算法分析
情况 | 时间复杂度 | 数据 |
---|---|---|
最佳情况 | T(n) = O(nlogn) | - |
最差情况 | T(n) = O(nlogn) | - |
平均情况 | T(n) = O(nlogn) | - |
4.优化