1、介绍
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
2、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(内存) 中进行排序。
- 外部排序:数据量过大,无法全部加载到内存中,需要借助 外部存储(文件等) 进行排序。
- 排序算法的分类
3、时间频度
1、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.
2、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(n)
比如计算 1-100 所有数字之和, 我们设计两种算法
3、优化时间频度
1、忽略常数项
2n+20 : 2n 随着 n 变大,执行曲线无限接近, 20 可以忽略
3n+10 : 3n 随着 n 变大,执行曲线无限接近, 10 可以忽略
2、忽略低次项
- 2n2+3n+10 : 2n2 随着 n 变大, 执行曲线无限接近, 可以忽略 3n+10
- n2+5n+20 : n2 随着 n 变大,执行曲线无限接近, 可以忽略 5n+20
3、忽略系数
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。
n3+5n 和 6n3+4n ,执行曲线分离,说明数的多少次方是关键
4、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 n 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(n) 不同,但时间复杂度相同,都为 O(n²)。
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
T(n)=3n²+7n+6 => T(n)=3n²+7n+1
- 修改后的运行次数函数中,只保留最高阶项
T(n)=3n²+7n+1 => T(n) = 3n²
- 去除最高阶项的系数
T(n) = 3n² => T(n) = n² => O(n²)
5、常见的时间复杂度
- 常数阶
O(1)
- 对数阶
O(log2n)
- 线性阶
O(n)
- 线性对数阶
O(nlog2n)
- 平方阶
O(n^2)
- 立方阶
O(n^3)
- k 次方阶
O(n^k)
- 指数阶
O(2^n)
常见的算法时间复杂度由小到大依次为:Ο(1)<Ο(log2n)<Ο(n)<Ο(nlog2n)<Ο(n2)<Ο(n^3)< Ο(n^k) < Ο(2^n)
,随着问题规模 n 的不断增大,上述时间复杂度不断增大,算法的执行效率越低
从图中可见,我们应该尽可能避免使用指数阶的算法
6、列举常见时间复杂度例子
1、常数阶 O(1)
int i = 1;
int j = 1;
++i;
j++;
int m = i + j;
无论代码执行多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就是 O(1)
2、对数阶 O(log2n)
int i = 1;
while(i < n) {
i = i * 2;
}
在 while循环里,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 n 了,此时循环退出,也就是说 2 的 x 次方等于 n
,那么 x = log2n
,因此代码时间复杂度为 O(log2n)
其中若 i = i * 3
,那么结果为O(log3n)
3、线性阶 O(n)
for(i = 1; i <= n; ++i){
j = i;
j ++;
}
for循环里面的代码会执行 n 遍,因此消耗的时间随 n 的变化而变化,因此用 O(n)
来表示时间复杂度
4、线性对数阶 O(nlog2n)
for(m = 1; m < n; m++){
i = 1;
while(i < n){
i = i * 2;
}
}
将时间复杂度为线性阶 O(log2n)
的代码循环 n
遍也就是 O(nlog2n)
5、平方阶 O(n2)
for(int i = 0; i <= n; i++){
for(int j = 0; j <= n; j++){
}
}
双层 for循环 也就是 O(n2)
7、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,该算法的运行时间。
2、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(如图:)
8、算法的空间复杂度
1、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。
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 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
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