blacktion

本文全面解析冒泡排序算法，从基础原理到优化进阶。冒泡排序通过相邻元素比较交换，使较大元素逐步"上浮"至正确位置。文章详细演示了排序过程，分析了时间复杂度（最好O(n)，最坏O(n²)）和稳定性（稳定）。提供了Python和C++实现代码，并介绍三种优化方法：提前终止、记录交换位置和双向冒泡（鸡尾酒排序）。作为基础排序算法，冒泡排序虽然效率不高，但能帮助理解排序本质和算法优化思路。

选择排序核心思想与特点 选择排序通过逐轮扫描未排序区间找到最小值并交换到前面，每轮确定一个元素的最终位置。其特点是： 时间复杂度固定为O(n²)，比较次数不受数据初始顺序影响 交换次数少（O(n)），但比较次数多 不稳定排序，交换可能破坏相等元素的相对顺序 难以优化，必须完整扫描才能确认最小值 空间复杂度O(1)，属于原地排序 典型应用场景是对交换成本高、比较成本低的数据进行排序。虽然效率不高，但思路简单直观，适合教学和小规模数据排序。

插入排序是一种基础排序算法，通过将每个元素插入到前面已排序部分的正确位置来工作。其时间复杂度在最坏情况下为O(n²)，但对近乎有序的数据只需O(n)。算法稳定且原地操作，适合小规模数据。插入排序的优势在于能高效处理部分有序数组，实际工程中常被用作其他排序算法的小区间优化策略。

快速排序是一种高效的分治排序算法，通过选取基准值将数组分为左右两部分（左边≤基准，右边≥基准），然后递归处理子数组。其平均时间复杂度为O(n log n)，但在最坏情况下（如数组已有序）会退化到O(n²)。随机化选择基准值能有效避免退化，提高实际性能。快速排序的优势在于原地排序和良好的缓存局部性，使其成为实践中常用排序算法。代码实现包括分区和递归两个核心步骤，通过边界指针i和扫描指针j完成元素交换，最终确定基准位置。

归并排序是一种基于分治思想的稳定排序算法，其核心思想是将数组不断拆分为子数组直至长度为1（天然有序），然后通过合并两个有序子数组实现排序。该算法的时间复杂度稳定为O(n log n)，因为每次递归分解问题规模减半（log n层），而每层合并操作耗时O(n)。归并排序的优势在于稳定性、可靠的最坏情况性能，特别适合链表排序和逆序对统计等场景。相比快速排序，它不受数据分布影响；相比堆排序，它能保持稳定性。实现时需注意递归拆分和有序合并两个关键步骤。

摘要 堆排序是一种基于二叉堆结构的排序算法，时间复杂度稳定为O(n log n)。它分为两个阶段：首先将无序数组构建为大顶堆，然后反复将堆顶最大值与末尾元素交换并下沉调整。堆排序不仅能高效排序，还可解决Top-K选择问题，其核心在于维护堆结构的不变性——每个节点不小于其子节点。算法从最后一个非叶子节点开始自底向上建堆，再通过反复交换堆顶元素并下沉实现排序。堆排序的优势在于统一了排序与选择问题的解决思路，适用于需要动态获取最值的场景。相比快排和归并排序，堆排序在空间复杂度（O(1)）和稳定性（不稳定）方面具有

希尔排序是插入排序的优化版本，通过先进行大跨度的元素调整，再逐步缩小间隔，最终用插入排序收尾。这种方法能显著减少小元素远距离移动的次数，提高排序效率。其时间复杂度取决于步长序列的选择，通常在O(n log n)到O(n²)之间。虽然希尔排序不稳定且复杂度不如快速排序等算法优秀，但实现简单且在小数据量下表现良好，适合作为插入排序的优化替代方案。

计数排序是一种非比较排序算法，通过统计元素出现次数实现线性时间复杂度。它适用于整数数据且值域范围较小的情况。算法步骤如下：1)统计元素频次；2)根据频次还原有序序列。稳定版本通过前缀和和逆序回填保持相同元素的原始顺序。时间复杂度为O(n+k)，空间复杂度O(k)，其中n为元素个数，k为值域范围。计数排序是桶排序和基数排序的基础，特别适合小值域整数排序。典型应用如LeetCode 75题颜色分类问题。