排序算法总结_某排序算法在每轮排序过程中都能使一个关键字就位,且其时间性能受待排序数据-CSDN博客

本文链接：https://blog.csdn.net/lc013/article/details/55505707

本文详细介绍了排序算法，包括冒泡排序、选择排序、插入排序、二分插入排序、希尔排序、堆排序、归并排序、快速排序、计数排序和基数排序。通过算法描述、分析和代码实现，阐述各种排序算法的原理、性能和适用场景，帮助读者理解和掌握排序算法。

摘要由CSDN通过智能技术生成

排序算法

最近打算重新复习和总结排序算法，参考文章有：

《大话数据结构》
找工作知识储备(3)—从头说12种排序算法：原理、图解、动画视频演示、代码以及笔试面试题目中的应用

排序的基本概念与分类

假设含有n个记录的序列为 ${r_1,r_2,\cdots,r_n}$ ，其相应的关键字分别为 ${k_1,k_2,\cdots,k_n}$ ，需要确定 $1,2, \cdots, n$ 的一种排列 $p_1,p_2,\cdots,p_n$ ，使其相应的关键字满足 $k_{p1}\le k_{p2}\le \cdots \le k_{pn}$ 非递减（或非递增）关系，即使得序列成为一个按关键字有序的序列 ${r_{p1}, r_{p2}, \cdots, r_{pn}}$ ，这样的操作就称为排序。

在排序问题中，通常将数据元素称为记录。

排序的依据是关键字之间的大小关系，那么，对同一个记录集合，针对不同的关键字进行排序，可以得到不同序列。

这里关键字 $k_i$ 可以是记录 $r$ 的主关键字，也可以是次关键字，甚至是若干数据项的组合。

排序的稳定性

由于排序不仅是针对主关键字，还有针对次关键字，因为待排序的记录序列中可能存在两个或两个以上的关键字相等的记录，排序结果可能会存在不唯一的情况，下面给出稳定与不稳定排序的定义。

假设 $k_i = k_j \ (1\le i \le n, 1\le j\le n, i\neq j)$ ，且在排序前的序列中 $r_i$ 领先于 $r_j$ （即 $i \lt j$ ）。如果排序后 $r_i$ 仍领先于 $r_j$ ，则称所用的排序方法是稳定的；反之，若可能使得排序后的序列中 $r_j$ 领先于 $r_i$ ，则称所用的排序方法是不稳定的。

不稳定的排序算法有：希尔、快速、堆排和选择排序。

内排序和外排序

根据在排序过程中待排序的记录是否全部被放置在内存中，排序可以分为：内排序和外排序。

内排序是在排序整个过程中，待排序的所有记录全部被放置在内存中。外排序是由于排序的记录个数太多，不能同时放置在内存，整个排序过程需要在内外存之间多次交换数据才能进行。

对于内排序来说，排序算法的性能主要是受到3个方面的影响：

时间性能

在内排序中，主要进行两种操作：比较和移动。高效率的内排序算法应该是具有尽可能少的关键字比较次数和尽可能少的记录移动次数。

辅助空间

辅助存储空间是除了存放待排序所占用的存储空间之外，执行算法所需要的其他存储空间。

算法的复杂性

这里指的是算法本身的复杂度，而不是算法的时间复杂度。

根据排序过程中借助的主要操作，我们把内排序分为：插入排序、交换排序、选择排序和归并排序。

排序用到的结构与函数

这里先提供一个用于排序用的顺序表结构，这个结构将用于接下来介绍的所有排序算法。
#define MAXSIZE 10
typedef struct
{
  // 用于存储待排序数组
  int r[MAXSIZE]; 
  // 用于记录顺序表的长度
  int length;
}SqList;
此外，由于排序最常用到的操作是数组两元素的交换，这里写成一个函数，如下所示：
// 交换L中数组r的下标为i和j的值
void swap(SqList *L, int i, int j){
  int temp = L->r[i];
  L->r[i] = L->r[j];
  L->r[j] = temp;
}
冒泡排序

简介

冒泡排序(Bubble sort)是一种交换排序。它的基本思想是：两两比较相邻记录的关键字，如果反序则交换，知道没有反序的记录为止。

算法描述和分析

比较相邻的元素。如果第一个比第二个大，就交换他们两个。
对每一对相邻元素作同样的工作，从开始第一对到结尾的最后一对。在这一点，最后的元素应该会是最大的数。
针对所有的元素重复以上的步骤，除了最后一个。
持续每次对越来越少的元素重复上面的步骤，直到没有任何一对数字需要比较。

冒泡排序是与插入排序拥有相等的执行时间，但是两种法在需要的交换次数却很大地不同。在最坏的情况，冒泡排序需要 $O(n^2)$ 次交换，而插入排序只要最多 $O(n)$ 交换。冒泡排序的实现通常会对已经排序好的数列拙劣地执行（ $O(n^2)$ ），而插入排序在这个例子只需要O(n)个运算。因此很多现代的算法教科书避免使用冒泡排序，而用插入排序取代之。冒泡排序如果能在内部循环第一次执行时，使用一个旗标来表示有无需要交换的可能，也有可能把最好的复杂度降低到 $O(n)$ 。在这个情况，在已经排序好的数列就无交换的需要。若在每次走访数列时，把走访顺序和比较大小反过来，也可以稍微地改进效率。有时候称为往返排序，因为算法会从数列的一端到另一端之间穿梭往返。

最差时间复杂度 $O(n^2)$
最优时间复杂度 $O(n)$
平均时间复杂度 $O(n^2)$
最差空间复杂度总共 $O(n)$ ，需要辅助空间O(1)

算法代码实现

首先介绍一个简单版本的冒泡排序算法的实现代码。
// 冒泡排序初级版
void BubbleSort0(SqList *L){
    int i, j;
    for (i = 0; i < L->length - 1; i++) {
        for (j = i + 1; j <= L->length - 1; j++){
            if (L->r[i] > L->r[j]){
                // 实现递增排序
                swap(L, i, j);
            }
        }
    }
}
这段代码不算是标准的冒泡排序算法，因为不满足“两两比较相邻记录”的冒泡排序思想，它更应该是最简单的交换排序。它的思路是让每一个关键字都和后面的每一个关键字比较，如果大或小则进行交换，这样关键字在一次循环后，第一个位置的关键字会变成最大值或者最小值。

这个最简单的实现算法效率是非常低的。

下面介绍正宗的冒泡排序算法实现。
// 正宗的冒泡排序算法实现代码
void BubbleSort(SqList *L){
    int i, j;
    for (i = 0; i < L->length; i++) {
        for (j = L->length - 2; j >= i; j--){
            // j是从后往前循环
            if (L->r[j] > L->r[j + 1]){
                // 实现递增排序
                swap(L, j, j + 1);
            }
        }
    }
}
这里改变的地方是在内循环中，j是从数组最后往前进行比较，并且是逐个往前进行相邻记录的比较，这样最大值或者最小值会在第一次循环过后，从后面浮现到第一个位置，如同气泡一样浮到上面。

这段实现代码其实还是可以进行优化的，例如待排序数组是{2,1,3,4,5,6,7,8,9},需要进行递增排序，可以发现其实只需要交换前两个元素的位置即可完成，但是上述算法还是会在交换完这两者位置后继续进行循环，这样效率就不高了，所以可以在算法中增加一个标志，当有一次循环中没有进行数据交换，就证明数组已经是完成排序的，此时就可以退出算法，实现代码如下：
// 改进版冒泡算法
void BubbleSortOptimz(SqList *L){
    int i, j;
    bool flag = true;
    for (int i = 0; i < L->length && flag; i++){
        // 若 flag为false则退出循环
        flag = false;
        for (j = L->length - 2; j >= i; j--){
            // j是从后往前循环
            if (L->r[j] > L->r[j + 1]){
                // 实现递增排序
                swap(L, j, j + 1);
                // 如果有数据交换，则flag是true
                flag = true;
            }
        }
    }
}
完整的冒泡排序算法代码可以查看BubbleSort。

鸡尾酒排序/双向冒泡排序

简介

鸡尾酒排序等于是冒泡排序的轻微变形。不同的地方在于从低到高然后从高到低，而冒泡排序则仅从低到高去比较序列里的每个元素。他可以得到比冒泡排序稍微好一点的效能，原因是冒泡排序只从一个方向进行比对(由低到高)，每次循环只移动一个项目。

算法描述和分析

依次比较相邻的两个数，将小数放在前面，大数放在后面；
第一趟可得到：将最大数放到最后一位。
第二趟可得到：将第二大的数放到倒数第二位。
如此下去，重复以上过程，直至最终完成排序。

鸡尾酒排序最糟或是平均所花费的次数都是 $O(n^2)$ ，但如果序列在一开始已经大部分排序过的话，会接近 $O(n)$ 。

最差时间复杂度 $O(n^2)$
最优时间复杂度 $O(n)$
平均时间复杂度 $O(n^2)$

算法代码实现
void CocktailSort(int *a,int nsize)  
{  
    int tail=nsize-1;  
    for (int i=0;i<tail;)  
    {  
        for (int j=tail;j>i;--j) //第一轮，先将最小的数据排到前面  
        {  
            if (a[j]<a[j-1])  
            {  
                int temp=a[j];  
                a[j]=a[j-1];  
                a[j-1]=temp;  
            }  
        }  
        ++i;                    //原来i处数据已排好序，加1  
        for (j=i;j<tail;++j)    //第二轮，将最大的数据排到后面  
        {  
            if (a[j]>a[j+1])  
            {  
                int temp=a[j];  
                a[j]=a[j+1];  
                a[j+1]=temp;  
            }      
        }  
        tail--;                 //原tail处数据也已排好序，将其减1  
    }  
}  
简单选择排序

简介

简单选择排序算法(Simple Selection Sort)就是通过 $n-i$ 次关键字间的比较，从 $n-i+1$ 个记录中选出关键字中最小的记录，并和第 $i(1\le i \le n)$ 个记录进行交换。它的工作原理如下。首先在未排序序列中找到最小（大）元素，存放到排序序列的起始位置，然后，再从剩余未排序元素中继续寻找最小（大）元素，然后放到已排序序列的末尾。以此类推，直到所有元素均排序完毕。

算法描述和分析

n个记录的文件的直接选择排序可经过n-1趟直接选择排序得到有序结果：

初始状态：无序区为R[1..n]，有序区为空。
第i趟排序(i=1,2,3…n-1)第i趟排序开始时，当前有序区和无序区分别为R[1..i-1]和R(i..n）。该趟排序从当前无序区中选出关键字最小的记录 R[k]，将它与无序区的第1个记录R交换，使R[1..i]和R分别变为记录个数增加1个的新有序区和记录个数减少1个的新无序区。
前n-1趟结束，数组有序化了

简单选择排序的最大特点就是交换移动数据次数相当少。分析其时间复杂度发现，无论最好最差的情况，比较次数都是一样的，都需要比较 $\sum_{i=1}^{n-1} (n-i) = (n-1)+(n-2)+\cdots+2+1=\frac{n(n-1)}{2}$ 次。对于交换次数，最好的时候是交换0次，而最差的情况是 $n-1$ 次。因此，总的时间复杂度是 $O(n^2)$ ，并且在最好，最差和平均情况下时间复杂度都是这个，即 $O(n^2)$ 。虽然与冒泡排序一样的时间复杂度，但是其性能上还是略好于冒泡排序，在 $n$ 值较少时，选择排序会比冒泡排序快。

算法代码实现

下面是实现的代码：
// 简单选择排序算法
void SelectSort(SqList *L){
    int i, j, min;
    for (i = 0; i < L->length - 1; i++){
        // 将当前下标定义为最小值下标
        min = i;
        for (j = i + 1; j <= L->length - 1; j++){
            if (L->r[j] < L->r[min])
                min = j;
        }
        // 若min不等于i，说明找到最小值，进行交换
        if (min != i)
            swap(L, i, min);
    }
}
笔试例题

例题1

在插入和选择排序中，若初始数据基本正序，则选用 插入排序（到尾部） ；若初始数据基本反序，则选用   选择排序。

例题2

下述几种排序方法中，平均查找长度（ASL）最小的是 B
Ａ. 插入排序      Ｂ.快速排序        Ｃ. 归并排序       Ｄ. 选择排序

直接插入排序

简介

直接插入排序(Straight Insertion Sort)的基本操作是将一个记录插入到已经排好序的有序表中，从而得到一个新的、记录数增加1的有序表。即通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入，在这个过程中，需要反复把已排序元素逐步向后挪位，为最新元素提供插入空间。通常采用in-place排序。

算法描述和分析

具体算法描述如下：

从第一个元素开始，该元素可以认为已经被排序

取出下一个元素，在已经排序的元素序列中从后向前扫描

如果该元素（已排序）大于新元素，将该元素移到下一位置

重复步骤3，直到找到已排序的元素小于或者等于新元素的位置

将新元素插入到该位置后

重复步骤2~5

直接插入排序算法是需要有一个保存待插入数值的辅助空间，辅助空间是 $O(1)$ 。

在时间复杂度方面，最好的情况是待排序的表本身就是有序的，如{2,3,4,5,6}，比较次数则是 $n-1$ 次，然后不需要进行移动，时间复杂度是 $O(n)$ 。

最差的情况就是待排序表是逆序的情况，如{6,5,4,3,2},此时需要比较 $\sum_{i=2}^{n} i = \frac{(n+2)(n-1)}{2}$ 次，而记录的移动次数也达到最大值 $\sum_{i=2}^{n} (i+1) = \frac{(n+4)(n-1)}{2}$ 次。

如果排序记录是随机的，那么根据概率相同的原则，平均比较和移动次数约为 $\frac{n^2}{4}$ 。因此，可以得出直接插入排序算法的时间复杂度是 $O(n^2)$ 。同时也可以看出，直接插入排序算法会比冒泡排序和简单选择排序算法的性能要更好一些。

插入排序不适合对于数据量比较大的排序应用。但是，如果需要排序的数据量很小，例如，量级小于千，那么插入排序还是一个不错的选择。 插入排序在工业级库中也有着广泛的应用，在STL的sort算法和stdlib的qsort算法中，都将插入排序作为快速排序的补充，用于少量元素的排序（通常为8个或以下）

算法代码实现

实现代码如下：

// 直接插入排序 void InsertSort(SqList *L){ int i, j,val; for (i = 1; i <= L->length - 1; i++){ if (L->r[i] < L->r[i - 1]){ // 将L->r[i]插入有序表中,使用val保存待插入的数组元素L->r[i] val = L->r[i]; for (j = i - 1; j >=0 && L->r[j]>val; j--) // 记录后移 L->r[j + 1] = L->r[j]; // 插入到正确位置 L->r[j + 1] =val; } } }

例题

使用插入排序来对一个链表进行排序。解法如下：

/** * Definition for singly-linked list. * struct ListNode { * int val; * ListNode *next; * ListNode(int x) : val(x), next(NULL) {} * }; */ class Solution { public: ListNode* insertionSortList(ListNode* head) { ListNode* new_head = new ListNode(0); new_head -> next = head; ListNode* pre = new_head; ListNode* cur = head; while (cur) { if (cur -> next && cur -> next -> val < cur -> val) { while (pre -> next && pre -> next -> val < cur -> next -> val) pre = pre -> next; /* Insert cur -> next after pre.*/ ListNode* temp = pre -> next; pre -> next = cur -> next; cur -> next = cur -> next -> next; pre -> next -> next = temp; /* Move pre back to new_head. */ pre = new_head; } else cur = cur -> next; } ListNode* res = new_head -> next; delete new_head; return res; } };

上述解法首先定义一个new_head，它是预防有些元素可能会比head还要小的情况。插入排序是从链表的第二个元素开始，每次循环的时候，如果当前值都小于前一个结点的数值，就会从head开始往后查找比当前元素要大的元素，找到的时候，即代码中pre->next->val < cur->next->val条件不成立，此时就将cur->next插入到pre后面，并让pre重新定位到链表的头结点new_head。最后返回链表的时候再删除这个头结点即可。

二分插入排序

算法简介

二分插入排序(Binary insert sort)排序是一种在直接插入排序算法上进行小改动的排序算法。与直接插入排序算法最大的区别是查找插入位置时使用的是二分查找的方式，速度上有一定提升。

算法描述和分析

一般来说，插入排序都采用in-place在数组上实现。具体算法描述如下：

从第一个元素开始，该元素可以认为已经被排序
取出下一个元素，在已经排序的元素序列中二分查找到第一个比它大的数的位置
将新元素插入到该位置后
重复上述两步

1）稳定

2）空间代价： $O(1)$

3）时间代价：插入每个记录需要 $O(log i)$ 比较，最多移动 $i+1$ 次，最少2次。最佳情况 $O(n log n)$ ，最差和平均情况 $O(n^2)$ 。

二分插入排序是一种稳定的排序。当n较大时，总排序码比较次数比直接插入排序的最差情况好得多，但比最好情况要差，所元素初始序列已经按排序码接近有序时，直接插入排序比二分插入排序比较次数少。二分插入排序元素移动次数与直接插入排序相同，依赖于元素初始序列。

算法代码实现

void BinInsertSort(int a[], int n) { int key, left, right, middle; for (int i=1; i<n; i++) { key = a[i]; left = 0; right = i-1; while (left<=right) { middle = (left+right)/2; if (a[middle]>key) right = middle-1; else left = middle+1; } for(int j=i-1; j>=left; j--) { a[j+1] = a[j]; } a[left] = key; } }

希尔排序

算法简介

上述三种排序算法的时间复杂度都是 $O(n^2)$ ，而希尔排序是突破这个时间复杂度的第一批算法之一。

其实直接插入排序的效率在某些情况下是非常高效的，这些情况是指记录本来就很少或者待排序的表基本有序的情况，但是这两种情况都是特殊情况，在现实中比较少见。而希尔排序就是通过创造条件来改进直接插入排序的算法。

希尔排序的做法是将原本有大量记录数的记录进行分组，分割成若干个序列，这样每个子序列待排序的记录就比较少了，然后就可以对子序列分别进行直接插入排序，当整个序列基本有序时，再对全体记录进行一次直接插入排序。

这里的基本有序是指小的关键字基本在前面，大的基本在后面，不大不小的在中间。像{2,1,3,6,4,7,5,8,9}可以称为基本有序。

这里的关键就是如何进行分割，希尔排序采取的是跳跃分割的策略：将相距某个“增量”的记录组成一个子序列，这样才能保证在子序列内分别进行直接插入排序后得到的结果是基本有序而不是局部有序。

算法描述和分析

先取一个小于n的整数d1作为第一个增量，把文件的全部记录分成d1个组。
所有距离为d1的倍数的记录放在同一个组中，在各组内进行直接插入排序。
取第二个增量d2

算法代码实现

实现的代码如下：

// 希尔排序 void ShellSort(SqList *L){ int i, j,val; int increment = L->length; do{ // 增量序列 increment = increment / 3 + 1; for (i = increment; i <= L->length - 1; i++){ if (L->r[i]<L->r[i - increment]){ // 将L->r[i]插入有序表中,使用val保存待插入的数组元素L->r[i] val = L->r[i]; for (j = i - increment; j >= 0 && L->r[j]>val; j -= increment) // 记录后移，查找插入位置 L->r[j + increment] = L->r[j]; L->r[j + increment] = val; } } } while (increment > 1); }

上述代码中增量的选取是increment = increment / 3 + 1，实际上增量的选取是非常关键的，现在还没有人找到一种最好的增量序列，但是大量研究表明，当增量序列是 $\delta [k] = 2^{t-k+1} - 1 (0\le k \le t \le \lfloor log_2(n+1)\rfloor)$ 时，可以获得不错的效率，其时间复杂度是 $O(n^{\frac{3}{2}})$ ，要好于直接插入排序的 $O(n^2)$ 。当然，这里需要注意的是增量序列的最后一个增量值必须等于1才行。此外，由于记录是跳跃式的移动，希尔排序是不稳定的排序算法。

桶排序

简介

桶排序 (Bucket sort)或所谓的箱排序，是一个排序算法，工作的原理是将数组分到有限数量的桶子里。每个桶子再个别排序（有可能再使用别的排序算法或是以递归方式继续使用桶排序进行排序）。

桶排序是稳定的，且在大多数情况下常见排序里最快的一种,比快排还要快，缺点是非常耗空间,基本上是最耗空间的一种排序算法，而且只能在某些情形下使用。

算法描述和分析

桶排序具体算法描述如下：

设置一个定量的数组当作空桶子。
寻访串行，并且把项目一个一个放到对应的桶子去。
对每个不是空的桶子进行排序。
从不是空的桶子里把项目再放回原来的串行中。

桶排序最好情况下使用线性时间 $O(n)$ ，很显然桶排序的时间复杂度，取决与对各个桶之间数据进行排序的时间复杂度，因为其它部分的时间复杂度都为 $O(n)$ ;很显然，桶划分的越小，各个桶之间的数据越少，排序所用的时间也会越少。但相应的空间消耗就会增大。

可以证明，即使选用插入排序作为桶内排序的方法，桶排序的平均时间复杂度为线性。

一个桶排序的示例如下图所示：

桶排序是一种很巧妙的排序方法，在处理密集型数排序的时候有比较好的效果(主要是这种情况下空间复杂度不高)。

算法代码实现

实现思路是建立一个数量跟待排序数组数量相同的数组B，然后将待排序数组中每个元素都整除10，根据得到的结果放到数组B中，并对该位置上保存的数据进行排序，当遍历一遍后，就可以根据B来对A进行排序，此时只需要按照顺序将B中保存的数据依次输出到原数组，得到的就是排序好的序列。实现如下：

void BucketSort(int * arr, int n) { /* int **bucket = new int*[10]; for (int i = 0; i<10; i++) { bucket[i] = new int[n]; }*/ vector<vector<int> > bucket; for (int i = 0; i < n; i++){ vector<int> t(n, 0); bucket.push_back(t); } int count[10] = { 0 }; for (int i = 0; i < n; i++) { int temp = arr[i]; int flag = (int)(arr[i] / 10); //flag标识小数的第一位 bucket[flag][count[flag]] = temp; //用二维数组的每个向量来存放小数第一位相同的数据 int j = count[flag]++; /* 利用插入排序对每一行进行排序 */ for (; j > 0 && temp < bucket[flag][j - 1]; --j) { bucket[flag][j] = bucket[flag][j - 1]; } bucket[flag][j] = temp; } /* 所有数据重新链接 */ int k = 0; for (int i = 0; i < n; i++) { for (int j = 0; j< count[i]; j++) { arr[k++] = bucket[i][j]; } } /* for (int i = 0; i<10; i++) { delete bucket[i]; bucket[i] = NULL; } delete[]bucket; bucket = NULL;*/ }

堆排序

简介

简单选择排序在待排序的 $n$ 个记录中选择一个最小的记录需要比较 $n-1$ 次，这是查找第一个数据，所以需要比较这么多次是比较正常的，但是可惜的是它没有把每一趟的比较结果保存下来，这导致在后面的比较中，实际有许多比较在前一趟中已经做过了。因此，如果可以做到每次在选择到最小记录的同时，并根据比较结果对其他记录做出相应的调整，那样排序的总体效率就会变得很高了。

堆排序(Heap Sort)就是对简单选择排序进行的一种改进，并且效果非常明显。

堆是具有下列性质的完全二叉树：每个结点的值都大于或等于其左右孩子结点的值，称为最大堆或者大顶堆；或者每个结点的值都小于或等于其左右孩子结点的值，称为最小堆或者小顶堆。

下图是一个例子，左边的是大顶堆，而右边的是小顶堆。

而根据堆的定义，可以知道根结点一定是堆中所有结点最大或者最小者。如果按照层遍历的方式给结点从1开始编号，则结点之间满足下列关系：

${k i \geq k 2 i k i \geq k 2 i + 1 或 {k i \leq k 2 i k i \leq k 2 i + 1 1 \leq i \leq ⌊ n 2 ⌋$ $\begin{cases} k_i \ge k_{2i} \\ k_i \ge k_{2i+1} \end{cases} 或 \begin{cases} k_i \le k_{2i} \\ k_i \le k_{2i+1} \end{cases} 1 \le i \le \lfloor \frac{n}{2} \rfloor$
如果将上图按照层遍历存入数组，则一定满足上述关系表达，得到的数组如下图所示。

堆排序的基本思想是，将待排序的序列构成一个最大堆。此时，整个序列的最大值就是堆顶的根结点。将它移走（其实就是将其与堆数组的末尾元素进行交换，此时末尾元素就是最大值），然后将剩余的 $n-1$ 个序列重新构成一个堆，这样就会得到 $n$ 个元素中的次最大值。如此反复执行，便能得到一个有序序列。

算法描述和分析

堆排序的运行时间主要是消耗在初始构造堆和在重建堆时的反复筛选上。

在构建堆的过程中，因为是从完全二叉树的最下层最右边的非叶结点开始构建，将它与其孩子进行比较和若有必要的交换，对每个非叶结点，最多进行两次比较和互换操作，这里需要进行这种操作的非叶结点数目是 $\lfloor \frac{n}{2} \rfloor$ 个，所以整个构建堆的时间复杂度是 $O(n)$ 。

在正式排序的时候，第 $i$ 取堆顶记录重建堆需要用 $O(log i)$ 的时间(完全二叉树的某个结点到根结点的距离是 $\lfloor log_2i \rfloor + 1$ )，并且需要取 $n-1$ 次堆顶记录，因此，重建堆的时间复杂度是 $O(nlogn)$ 。

所以，总体上来说，堆排序的时间复杂度是 $O(nlogn)$ 。由于堆排序对原始记录的排序状态并不敏感，因此它无论最好、最坏和平均时间复杂度都是 $O(nlogn)$ 。同样由于记录的比较与交换是跳跃式进行，堆排序也不是稳定的排序算法。

另外，由于初始构建堆需要的比较次数较多，因此，它并不适合待排序序列个数较少的情况。

算法代码实现

下面将给出堆排序算法的代码实现。

// 已知L->r[s...m]中记录的关键字除L->r[s]之外均满足堆的定义 // 本函数调整L->r[s]的关键字，使L->r[s..m]成为一个大顶堆 void HeapAdjust(SqList *L, int s, int m){ int temp, j; temp = L->r[s]; for (j = 2 * s; j <= m - 1; j *= 2){ // 沿关键字较大的孩子结点向下筛选 if (j < m-1 && L->r[j] < L->r[j + 1]) // j是关键字中较大的记录的下标 ++j; if (temp >= L->r[j]) // 当前值不需要进行调整 break; L->r[s] = L->r[j]; s = j; } // 插入 L->r[s] = temp; } // 堆排序 void HeapSort(SqList *L){ int i; for (i = L->length / 2; i >= 0; i--){ // 将待排序的序列构成一个最大堆 HeapAdjust(L, i, L->length); } // 开始进行排序 for (i = L->length - 1; i > 0; i--){ // 将堆顶记录与当前未经排序的子序列的最后一个记录交换 swap(L, 0, i); // 重新调整为最大堆 HeapAdjust(L, 0, i - 1); } }

从代码中可以看出，堆排序分两步走，首先是将待排序的序列构造成最大堆，这也是HeapSort()中第一个循环所做的事情，第二个循环也就是第二步，进行堆排序，逐步将每个最大值的根结点和末尾元素进行交换，然后再调整成最大堆，重复执行。

而在第一步中构造最大堆的过程中，是从 $\lfloor \frac{n}{2} \rfloor$ 的位置开始进行构造，这是从下往上、从右到左，将每个非叶结点当作根结点，将其和其子树调整成最大堆。

归并排序

简介

归并排序(Merging Sort)就是利用归并的思想实现的排序方法，它的原理是假设初始序列有 $n$ 个记录，则可以看成是 $n$ 个有序的子序列，每个子序列的长度为1，然后两两合并，得到 $\lceil \frac{n}{2} \rceil$ ( $\lceil x \rceil$ 表示不小于 $x$ 的最小整数)个长度为2或1的有序子序列；再两两合并， $\cdots \cdots$ ，如此重复，直至得到一个长度为 $n$ 的有序序列为止，这种排序方法称为2路归并排序。

归并排序算法是采用分治法的一个非常典型的应用，是一种稳定的排序算法。

算法描述和分析

归并排序具体算法描述如下(递归版本)：

Divide: 把长度为n的输入序列分成两个长度为n/2的子序列。

Conquer: 对这两个子序列分别采用归并排序。

Combine: 将两个排序好的子序列合并成一个最终的排序序列。

归并排序的效率是比较高的，设数列长为 $N$ ，将数列分开成小数列一共要 $logN$ 步，每步都是一个合并有序数列的过程，时间复杂度可以记为 $O(N)$ ，故一共为 $O(N*logN)$ 。因为归并排序每次都是在相邻的数据中进行操作，所以归并排序在 $O(N*logN)$ 的几种排序方法（快速排序，归并排序，希尔排序，堆排序）也是效率比较高的。

归并排序的时间复杂度是 $O(nlogn)$ ，并且无论是最好、最坏还是平均都是同样的时间性能。另外，在归并过程中需要与原始记录序列同样数量的存储空间存放归并结果，并且递归时需要深度为 $log_2 n$ 的栈空间，因此空间复杂度是 $O(n+logn)$ 。

另外，归并排序是使用两两比较，不存在跳跃，所以归并排序是一个稳定的排序算法。**

总体来说，归并排序是一个比较占用内存，但效率高且稳定的算法。

算法代码实现

递归实现

// 归并排序,使用递归 void MergeSort(SqList *L){ MSort(L->r, L ->r, 0, L->length-1); } // 将SR[s..t]归并排序为TR1[s..t] void MSort(int SR[], int TR1[], int s, int t){ int m; int TR2[MAXSIZE]; if (s == t) TR1[s] = SR[s]; else{ // 将SR[s..t]平分为SR[s...m-1]和SR[m...t] m = (s + t) / 2+1; MSort(SR, TR2, s, m-1); MSort(SR, TR2, m, t); // 将TR2[s..m-1]和TR2[m..t]归并到TR1[s..t] Merge(TR2, TR1, s, m-1, t); } } // 将有序的SR[i..m]和SR[m+1..n]归并为有序的TR[i..n] void Merge(int SR[], int TR[], int i, int m, int n){ int j, k, l; for (j = m+1, k = i; i <= m && j <= n; k++){ // 将SR中记录由小到大并入TR if (SR[i] < SR[j]) TR[k] = SR[i++]; else TR[k] = SR[j++]; } if (i <= m){ for (l = 0; l <= m - i; l++) // 将剩余的SR[i..m]复制到TR TR[k + l] = SR[i + l]; } if (j <= n){ for (l = 0; l <= n - j; l++) // 将剩余的SR[j..n-1]复制到TR TR[k + l] = SR[j + l]; } }

上述代码是一个递归版本的归并排序实现算法，其中函数MSort()的作用是将待排序序列进行分割，然后Merge()函数会对需要归并的序列进行排序并两两归并在一起。

迭代实现

// 非递归版本的归并排序 void MergeSort2(SqList *L){ // 申请额外空间 int* TR = (int *)malloc(L->length * sizeof(int)); int k = 1; while (k < L->length){ MergePass(L->r, TR, k, L->length); // 子序列长度加倍 k = 2 * k; MergePass(TR, L->r, k, L->length); k = 2 * k; } } // 将SR[]中相邻长度为s的子序列两两归并到TR[] void MergePass(int SR[], int TR[], int s, int n){ int i = 0; int j; while (i <= n - 2 * s){ // 两两归并 Merge(SR, TR, i, i + s - 1, i + 2 * s - 1); i = i + 2 * s; } if (i < n - s + 1) // 归并最后两个子序列 Merge(SR, TR, i, i + s - 1, n - 1); else{ // 若最后剩下单个子序列 for (j = i; j <= n - 1; j++) TR[j] = SR[j]; } } // 将有序的SR[i..m]和SR[m+1..n]归并为有序的TR[i..n] void Merge(int SR[], int TR[], int i, int m, int n){ int j, k, l; for (j = m+1, k = i; i <= m && j <= n; k++){ // 将SR中记录由小到大并入TR if (SR[i] < SR[j]) TR[k] = SR[i++]; else TR[k] = SR[j++]; } if (i <= m){ for (l = 0; l <= m - i; l++) // 将剩余的SR[i..m]复制到TR TR[k + l] = SR[i + l]; } if (j <= n){ for (l = 0; l <= n - j; l++) // 将剩余的SR[j..n-1]复制到TR TR[k + l] = SR[j + l]; } }

非递归版本的归并排序算法避免了递归时深度为 $log_2 n$ 的栈空间，空间复杂度是 $O(n)$ ，并且避免递归也在时间性能上有一定的提升。应该说，使用归并排序时，尽量考虑用非递归方法。

快速排序

简介

在前面介绍的几种排序算法，希尔排序相当于直接插入排序的升级，它们属于插入排序类，而堆排序相当于简单选择排序的升级，它们是属于选择排序类，而接下来介绍的快速排序就是冒泡排序的升级，它们属于交换排序类。

快速排序(Quick Sort)的基本思想是：通过一趟排序将待排序记录分割成独立的两部分，其中一部分记录的关键字均比另一部分记录的关键字小，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的目的。

算法描述和分析

快速排序使用分治法来把一个串（list）分为两个子串行（sub-lists）。

步骤为：

从数列中挑出一个元素，称为 “基准”（pivot），
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。
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。

递归的最底部情形，是数列的大小是零或一，也就是永远都已经被排序好了。虽然一直递归下去，但是这个算法总会退出，因为在每次的迭代（iteration）中，它至少会把一个元素摆到它最后的位置去。

快速排序的时间性能取决于快速排序递归的深度。在最优情况下，Partition()每次都划分得很均匀，如果排序 $n$ 个关键字，其递归树的深度技术 $\lfloor log_ n \rfloor +1$ ，即需要递归 $log_2n$ 次，其时间复杂度是 $O(nlogn)$ 。而最坏的情况下，待排序的序列是正序或逆序，得到的递归树是斜树，最终其时间复杂度是 $O(n^2)$ 。

平均情况可以得到时间复杂度是 $O(nlogn)$ ，而空间复杂度的平均情况是 $O(logn)$ 。但是由于关键字的比较和交换是跳跃进行的，所以快速排序也是不稳定排序。

最差时间复杂度 $O(n^2)$
最优时间复杂度 $O(n log n)$
平均时间复杂度 $O(n log n)$
最差空间复杂度根据实现的方式不同而不同

算法代码实现

下面给出实现的快速排序算法代码：

// 快速排序 void QuickSort(SqList *L){ QSort(L, 0, L->length - 1); } // 对待排序序列L中的子序列L->r[low...high]做快速排序 void QSort(SqList *L, int low, int high){ int pivot; if (low < high){ // 将L->r[low...high]一分为二，算出枢轴值pivot pivot = Partition(L, low, high); // 对低子序列递归排序 QSort(L, low, pivot - 1); // 对高子序列递归排序 QSort(L, pivot + 1, high); } } // 交换待排序序列L中子表的记录，使枢轴记录到位，并返回其所在位置 // 并使得其之前位置的值小于它，后面位置的值大于它 int Partition(SqList *L, int low, int high){ int pivot_key; // 初始值设置为子表的第一个记录 pivot_key = L->r[low]; while (low < high){ while (low < high && L->r[high] >= pivot_key) high--; // 将小于枢轴记录的值交换到低端 swap(L, low, high); while (low < high && L->r[low] <= pivot_key) low++; // 将大于枢轴记录的值交换到高端 swap(L, low, high); } return low; }

上述代码同样是使用了递归，其中Partition()函数要做的就是先选取待排序序列中的一个关键字，然后将其放在一个位置，这个位置左边的值小于它，右边的值都大于它，这样的值被称为枢轴。

快速排序的优化

快速排序算法是有许多地方可以优化的，下面给出一些优化的方案。

优化选取枢轴

枢轴的值太大或者太小都会影响快速排序的性能，一个改进方法是三数取中法，即取三个关键字先进行排序，将中间数作为枢轴，一般是取左端、右端和中间三个数。

需要在Partition()函数中做出下列修改：

int pivot_key; // 使用三数取中法选取枢轴 int m = low + (high - low) / 2; if (L->r[low] > L->r[high]) // 保证左端最小 swap(L, low, high); if (L->r[m] > L->r[high]) // 保证中间较小 swap(L, high, m); if (L->r[m] > L->r[low]) // 保证左端较小 swap(L, m, low); pivot_key = L->r[low];

三数取中对小数组有很大的概率取到一个比较好的枢轴值，但是对于非常大的待排序的序列还是不足以保证得到一个比较好的枢轴值，因此还有一个办法是九数取中法，它先从数组中分三次取样，每次去三个数，三个样品各自取出中数，然后从这三个中数当中再取出一个中数作为枢轴。

优化不必要的交换

优化后的代码如下：

pivot_key = L->r[low]; int temp = pivot_key; while (low < high){ while (low < high && L->r[high] >= pivot_key) high--; // 将小于枢轴记录的值交换到低端 // swap(L, low, high); // 采用替换而不是交换的方式进行操作 L->r[low] = L->r[high]; while (low < high && L->r[low] <= pivot_key) low++; // 将大于枢轴记录的值交换到高端 // swap(L, low, high); // 采用替换而不是交换的方式进行操作 L->r[high] = L->r[low]; } // 将枢轴值替换回L.r[low] L->r[low] = temp; return low;

这里可以减少多次交换数据的操作，性能上可以得到一定的提高。

优化小数组时的排序方案

当数组比较小的时候，快速排序的性能其实还不如直接插入排序(直接插入排序是简单排序中性能最好的)。其原因是快速排序使用了递归操作，在有大量数据排序时，递归操作的影响是可以忽略的，但如果只有少数记录需要排序，这个影响就比较大，所以下面给出改进的代码。

#define MAX_LENGTH_INSERT_SORT 7 // 对待排序序列L中的子序列L->r[low...high]做快速排序 void QSort(SqList *L, int low, int high){ int pivot; if ((high - low) > MAX_LENGTH_INSERT_SORT){ // 当high - low 大于常数时用快速排序 // 将L->r[low...high]一分为二，算出枢轴值pivot pivot = Partition(L, low, high); // 对低子序列递归排序 QSort(L, low, pivot - 1); // 对高子序列递归排序 QSort(L, pivot + 1, high); } else{ // 否则使用直接插入排序 InsertSort(L); } }

上述代码是先进行一个判断，当数组的数量大于一个预设定的常数时，才进行快速排序，否则就进行直接插入排序。这样可以保证最大化地利用两种排序的优势来完成排序工作。

优化递归操作

递归对性能是有一定影响的，QSort()在其尾部有两次递归操作，如果待排序的序列划分极端不平衡，递归的深度将趋近于 $n$ ，而不是平衡时的 $log_2 n$ ，这就不仅仅是速度快慢的问题了。栈的大小是很有限的，每次递归调用都会耗费一定的栈空间，函数的参数越多，每次递归耗费的空间也越多。因此，如果能减少递归，将会大大提高性能。

下面给出对QSort()实施尾递归优化的代码。

// 对待排序序列L中的子序列L->r[low...high]做快速排序 void QSort(SqList *L, int low, int high){ int pivot; if ((high - low) > MAX_LENGTH_INSERT_SORT){ // 当high - low 大于常数时用快速排序 while (low < high){ // 将L->r[low...high]一分为二，算出枢轴值pivot pivot = Partition(L, low, high); // 对低子序列递归排序 QSort(L, low, pivot - 1); // 尾递归 low = pivot + 1; } } else{ // 否则使用直接插入排序 InsertSort(L); } }

上述代码中使用while循环，并且去掉原来的对高子序列进行递归，改成代码low = privot + 1，那么在进行一次递归后，再进行循环，就相当于原来的QSort(L,privot+1,high);，结果相同，但是从递归变成了迭代，可以缩减堆栈深度，从而提高了整体性能。

计数排序

简介

计数排序(Counting sort)是一种稳定的排序算法。计数排序使用一个额外的数组C，其中第i个元素是待排序数组A中值等于i的元素的个数。然后根据数组C来将A中的元素排到正确的位置。它只能对整数进行排序。

算法描述和分析

  算法的步骤如下：

找出待排序的数组中最大和最小的元素
统计数组中每个值为i的元素出现的次数，存入数组C的第i项
对所有的计数累加（从C中的第一个元素开始，每一项和前一项相加）
反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个元素就将C(i)减去1

当输入的元素是n 个0到k之间的整数时，它的运行时间是 $O(n + k)$ 。计数排序不是比较排序，排序的速度快于任何比较排序算法。

由于用来计数的数组C的长度取决于待排序数组中数据的范围（等于待排序数组的最大值与最小值的差加上1），这使得计数排序对于数据范围很大的数组，需要大量时间和内存。例如：计数排序是用来排序0到100之间的数字的最好的算法，但是它不适合按字母顺序排序人名。但是，计数排序可以用在基数排序中的算法来排序数据范围很大的数组。

算法代码实现

一种实现思路是：有一个数量为Size个数的数组A，数组的值范围为(0 - Max)，然后创建一个大小为Max+1的数组B，每个元素都为0.从头遍历A，当读取到A[i]的时候，B[A[i]]的值+1，这样所有的A数组被遍历后，直接扫描B之后，输出表B就可以了。然后再根据B来对A进行排序，因为B的索引值就是A中元素的数值，而对应B每个非空位置上的数值就是其索引值在A中出现的次数，所以可以根据B的索引及对应保存数值来对A重新排序。

实现代码如下：

//获得未排序数组中最大的一个元素值 int GetMaxVal(int* arr, int len) { int maxVal = arr[0]; //假设最大为arr[0] for (int i = 1; i < len; i++) //遍历比较，找到大的就赋值给maxVal { if (arr[i] > maxVal) maxVal = arr[i]; } return maxVal; //返回最大值 } void CountSort(int *numbers, int length, int max){ if (numbers == NULL || length <= 0){ cout << "wrong input!"; return; } vector<int> bucket(max,0); // 计算数组中每个元素出现的次数 for (int i = 0; i < length; i++){ bucket[numbers[i]] ++; } // 排序 int count = 0; for (int i = 0; i < max; i++){ if (bucket[i] > 0){ for (int j = 0; j < bucket[i]; j++){ numbers[count++] = i; } } } }

另一种实现代码如下：

int ctsort(int *data, int size, int k) { // k是数组中最大值max+1 int * counts = NULL,/*计数数组*/ *temp = NULL;/*保存排序后的数组*/ int i = 0; /*申请数组空间*/ if ((counts = (int *)malloc(k * sizeof(int))) == NULL) return -1; if ((temp = (int *)malloc(k * sizeof(int))) == NULL) return -1; /*初始化计数数组*/ for (i = 0; i < k; i++) counts[i] = 0; /*数组中出现的元素，及出现次数记录*/ for (i = 0; i < size; i++) counts[data[i]] += 1; /*调整元素计数中，加上前一个数，记录不比该位置的元素i大的个数*/ for (i = 1; i < k; i++) counts[i] += counts[i - 1]; /*使用计数数组中的记录数值，来进行排序，排序后保存的temp*/ for (i = size - 1; i >= 0; i--){ // 减一是减去data[i]本身 counts[data[i]] -= 1; temp[counts[data[i]]] = data[i]; } memcpy(data, temp, size * sizeof(int)); free(counts); free(temp); return 0; }

基数排序

简介

基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。

算法描述和分析

   整个算法过程描述如下：

将所有待比较数值（正整数）统一为同样的数位长度，数位较短的数前面补零。
从最低位开始，依次进行一次排序。
这样从最低位排序一直到最高位排序完成以后, 数列就变成一个有序序列。

基数排序的时间复杂度是 $O(kn)$ ，其中 $n$ 是排序元素个数， $k$ 是数字位数。

注意这不是说这个时间复杂度一定优于 $O(n·log(n))$ ，因为 $k$ 的大小一般会受到 $n$ 的影响。用排序 $n$ 个不同整数来举例，假定这些整数以B为底，这样每位数都有B个不同的数字， $k$ 就一定不小于 $logB(n)$ 。由于有B个不同的数字，所以就需要B个不同的桶，在每一轮比较的时候都需要平均 $n·log2(B)$ 次比较来把整数放到合适的桶中去，所以就有：

$k \ge logB(n)$

每一轮(平均)需要 $n·log_2(B)$ 次比较

所以，基数排序的平均时间T就是：

$T ≥ logB(n)·n·log2(B) = log2(n)·logB(2)·n·log2(B) = log2(n)·n·logB(2)·log2(B) = n·log2(n)$

所以和比较排序相似，基数排序需要的比较次数： $T ≥ n·log2(n)$ 。故其时间复杂度为 $Ω(n·log2(n)) = Ω(n·log n)$ 。

基数排序的示例如下图所示：

算法代码实现

void radixSort(int data[], int size, int k) { // size是数组长度，k是数组中数值最大的位数 vector<vector<int> > temp; for (int i = 0; i < size; i++){ vector<int> t(size, 0); temp.push_back(t); } vector<int> order(10); int n = 1; int maxBits = pow(10,k-1); while (n <= maxBits) { int i; for (i = 0; i < size; i++) { // 得到当前数位上的数值 int lsd = ((data[i] / n) % 10); temp[lsd][order[lsd]] = data[i]; // 计算数位值为lsd的个数 order[lsd]++; } // 重新排列 int k = 0; for (i = 0; i < 10; i++) { if (order[i] != 0) { int j; for (j = 0; j < order[i]; j++, k++) { data[k] = temp[i][j]; } } order[i] = 0; } n *= 10; } } int main(void) { int data[10] = {73, 22, 93, 43, 55, 14, 28, 65, 39, 81}; printf("\n排序前: "); int i; for(i = 0; i < 10; i++) printf("%d ", data[i]); putchar('\n'); radixSort(data, 10, 2); printf("\n排序後: "); for(i = 0; i < 10; i++) printf("%d ", data[i]); return 0; }

上述是以一个长度为10的待排序数组作为例子实现的基数排序算法。

总结

上述总共介绍了12种排序算法，首先是根据排序过程中借助的主要操作，将内排序分为：插入排序、交换排序、选择排序和归并排序。

事实上，目前还没有十全十美的排序算法，都是各有优点和缺点，即使是快速排序算法，也只是整体上性能优越，它也存在排序不稳定、需要大量辅助空间、对少量数据排序无优势等不足。

下面是对上述排序算法的各种指标进行对比，如下图所示：

从算法的简单性来看，可以分为两类：

简单算法：冒泡、简单选择、直接插入。
改进算法：快速、堆、希尔、归并。

从平均情况看，快速、堆、归并三种改进算法都优于希尔排序，并远远胜过3种简单算法。

从最好情况看，冒泡和直接插入排序要更好一点，即当待排序序列是基本有序的时候，应该考虑这两种排序算法，而非4种复杂的改进算法。

从最坏情况看，堆和归并排序比其他排序算法都要更好。

从空间复杂度看，归并排序和快速排序都对空间有要求，而其他排序反而都只是 $O(1)$ 的复杂度。

从稳定性上看，归并排序是改进算法中唯一稳定的算法。而不稳定的排序算法有“快些选堆”，即快速、希尔、选择和堆排序四种算法（书中给出的简单选择排序是不稳定的，但是从网上查找资料看到选择排序是一个不稳定的算法）。

排序算法的总结就到这里，实际上还是要根据实际问题来选择适合的排序算法。

全部排序算法的代码可以查看排序算法实现代码。