选择排序
void Selection_Sort( ElementType A[], int N )
{
for( i=0; i<N; i++ ) {
MinPosition = ScanForMin( A, i, N-1 );
//从A[i]到A[N-1]中找到最小元,并将其位置赋给MinPosition
Swap( A[i], A[MinPosition] );
//将未排序部分的最小元换到有序部分的最后位置
}
}
- 无论如何: T = Θ ( N 2 ) T=\Theta(N^2) T=Θ(N2)
堆排序
- 算法1
void Heap_Sort( ElementType A[], int N )
{
BuildHeap(A);//O(N)
for( i=0; i<N; i++ )
TmpA[i] = DeleteMin(A);//O(logN)
for( i=0; i<N; i++ ) //O(N)
A[i] = TmpA[i];
}
-
T(N) = O( N logN )
-
需要额外O(N)空间,并且复制元素需要时间。
-
算法2
void Heap_Sort( ElementType A[], int N )
{
for( i=N/2; i>=0; i-- )// BulidHeap
PercDown( A, i, N );
for( i=N-1; i>0; i-- ) {
Swap( &A[0],&A[i] );//DeleteMax
PercDown( A, 0, i);
}
}
-
定理:堆排序处理N个不同元素的随机排列的平均比较次数是 2 N l o g N − O ( N l o g l o g N ) 2NlogN-O(NloglogN) 2NlogN−O(NloglogN)。
-
虽然堆排序给出最佳平均时间复杂度,但实际效果却不如用Sedgewick增量序列的希尔序列。
-
堆排序是不稳定的。
-
堆排序最适合解决什么样的问题?
- 堆具有非常好的push和pop特性,适合做数据存储器,而且大顶小顶特性有保证数据顺序的重整。
- 在大数据里寻求小数据
void Swap( ElementType *a, ElementType *b )
{
ElementType t = *a; *a = *b; *b = t;
}
void PercDown( ElementType A[], int p, int N )
{ /* 改编代码4.24的PercDown( MaxHeap H, int p ) */
/* 将N个元素的数组中以A[p]为根的子堆调整为最大堆 */
int Parent, Child;
ElementType X;
X = A[p]; /* 取出根结点存放的值 */
for( Parent=p; (Parent*2+1)<N; Parent=Child ) {
Child = Parent * 2 + 1;
if( (Child!=N-1) && (A[Child]<A[Child+1]) )
Child++; /* Child指向左右子结点的较大者 */
if( X >= A[Child] ) break; /* 找到了合适位置 */
else /* 下滤X */
A[Parent] = A[Child];
}
A[Parent] = X;
}
void HeapSort( ElementType A[], int N )
{ /* 堆排序 */
int i;
for ( i=N/2-1; i>=0; i-- )/* 建立最大堆 */
PercDown( A, i, N );
for ( i=N-1; i>0; i-- ) {
/* 删除最大堆顶 */
Swap( &A[0], &A[i] ); /* 见代码7.1 */
PercDown( A, 0, i );
}
}