算法设计与分析——排序算法（七）：快速排序-[快速排序的分析]

分类目录：《算法设计与分析》总目录
相关文章：
· 排序算法（一）：插入排序
· 排序算法（二）：归并排序
· 排序算法（三）：堆排序
· 排序算法（四）：选择排序
· 排序算法（五）：冒泡排序
· 排序算法（六）：希尔排序
· 排序算法（七）：快速排序
\qquad · ①基础知识
\qquad · ②快速排序的性能
\qquad · ③快速排序的随机化
\qquad · ④快速排序的分析
· 排序算法（八）：计数排序
· 排序算法（九）：基数排序
· 排序算法（十）：桶排序
· 排序算法：比较排序算法的下界
· 排序算法：十大排序算法总结

---

在《快速排序-[快速排序的性能]》中，我们给出了在最坏情况下快速排序性能的直观分析，以及它速度比较快的原因。在本文中，我们要给出快速排序性能的更严谨的分析。我们首先从最坏情况分析开始，其方法可以用于原版和随机化版本的quick_sort(arr,low,high)的分析，然后给出随机化版本的quick_sort(arr,low,high)的期望运行时间。

在《快速排序-[快速排序的性能]》中，我们得到在最坏情况下，快速排序的每一层递归的时间复杂度是$\Theta (n^2)$。我们也从直观上了解了为什么随机化版本的quick_sort(arr,low,high)的期望运行时间是$O(n\lg n)$。

如果在递归的每一层上，randomized_partition(arr,low,high)将任意常数比例的元素划分到一个子数组中，则算法的递归树的深度为$\Theta (\log n)$，并且每一层上的工作量都是$O(n)$。即使在最不平衡的划分情况下，会增加一些新的层次，但总的运行时间仍然保持是$O(n\log n)$。要准确地分析随机化版本的quick_sort(arr,low,high)的期望运行时间，首先要理解划分操作是如何进行的；然后，在此基础之上，推导出期望运行时间的一个$O(\lg n)$的界。有了这一期望运行时间的上界，再加《快速排序-[快速排序的性能]》中得到的最好情况界$O(\lg n)$，我们就能得到$O(\lg n)$这一期望运行时间。在这里，假设待排序的元素始终是互异的。

运行时间和比较操作

原版和随机化版本的quick_sort(arr,low,high)除了如何选择主元元素有差异以外，其他方面完全相同。因此，我们可以在讨论quick_sort(arr,low,high)和partition(arr,low,high)的基础上分析randomized_partition(arr,low,high)。

quick_sort(arr,low,high)的运行时间是由在partition(arr,low,high)操作上所花费的時间浃是的。每次对partition(arr,low,high)的调用时，都会选择一个主元元素，而且该元素不会被包含在后续的对quick_sort(arr,low,high)的和partition(arr,low,high)的递归调用中。因此，在快速排序算法的整个执行期间，至多只可能调用partition(arr,low,high)操作$n$次。调用一次 partition(arr,low,high)的时间为$O(1)$再加上一段循环时间这段时间与partition(arr,low,high)中for循环的迭代次数成正比。这一for循环的每一轮迭代都要进行一次比较：比较主元元素与数组arr中另一个元素。因此，如果我们可以统计执行的总次数，就能够给出在 quick_sort(arr,low,high)的执行过程中，for循环所花时间的界了。

我们还可以很容易地得出：当在一个包含$n$个元素的数组上运行quick_sort(arr,low,high)时，假设在partition(arr,low,high)的比较的次数为$X$，那么quick_sort(arr,low,high)的运行时间为$O(n+X）$。那么对于随机化版本的quick_sort(arr,low,high)，它的时间复杂度为$O(n\lg n)$。