一篇文章带你走入排序算法的世界

十大经典排序算法总结

算法复杂度

• 算法复杂度分为时间复杂度和空间复杂度：
  • 时间复杂度：执行这个算法所需要的计算工作量
  • 空间复杂度：执行这个算法所需要的内存空间

空间复杂度

• 利用程序的空间复杂度，可以对程序运行所需要的内存空间有个预估；
• 程序执行所需要的内存空间包括以下两个部分：
  • 固定空间：只要包括指令空间（即代码空间），数据空间（常量，简单变量）等所占的空间
  • 可变空间：主要包括动态分配的空间，以及递归栈所需要的空间

时间复杂度

• T(n)=n^2+3n+4
  T(n)=4n^2-5n+3
  

• 为了描述时间频度的变化规律，引入了时间复杂度概念，记为O(…)

• 时间复杂度的计算规则：

  • 当不存在变量时，用常数1来取代时间频度中所有的加法常量
  • 当存在变量时，常量直接舍去
  • 只要高阶项，舍去低阶项
  • 不要高阶项系数

• 时间频度不同，但是时间复杂度可以相同：

  • T(n)=n²+3n+4—>n²+3n—>n²
  • T(n)=4n²-5n+3—>4n²-5n—>4n²—>n²

• 常见的时间复杂度(依次从低到高)：

  • 复杂度	名称
    O(1)	常数阶
    O(logn)	对数阶
    O(n)	线性阶
    O(n*log n)	线性对数阶
    O(n^2)	平方阶
    O(n^3)	立方阶
    O(n^k)	k次方阶（k>3且k∈Z）
    O(2^n)	指数阶

十大排序算法（默认升序）

• 冒泡排序

  • 从索引0开始，当前索引位置的数据和下个索引位置的数据进行比较
  • 如果当前数据大于下个数据，则位置互换，重复第一过程继续比较，直到最后一个数据
  • 一轮结束后，最后一个数据就是最大的数据，再次从索引0位置开始，重复上面过程，直到倒数第二个数据
  • 时间复杂度：O(n^2)
    

• 选择排序

  • 假设索引为0的数据最小
  • 依次和其他索引位置的数据进行比较
  • 当其他索引位置的数据更小时，则位置互换，并且将新的索引为0的数据继续比较下去，直到最后一个
  • 一轮结束后，索引0位置的数据就是最小的数据，从索引1开始，重复上面过程
  • 时间复杂度O(n^2)
    

• 插入排序

  • 从索引0位置的数据开始，加入索引1位置的数据
  • 将新加入的数据依次和旧序列的数据进行比较
  • 当新数据大于前一个数据且小于后一个数据时，则将新数据插入到这两个数据中，组成新的升序序列
  • 一次插入结束后，加入索引2位置的数据，重复上面过程
  • 时间复杂度O(n^2)
    

• 希尔排序（Shell）

  • 希尔排序其实是插入排序的一种改进算法
  • 将原序列长度除以2进行分组，再进行插入排序
  • 如动态图所示，跨度依次为5,2,1，被称为希尔排序的增量
  • 在大多数元素已经有序的情况下，插入排序的工作量降低
  • 上面每一轮的希尔增量是等比的，因此导致了希尔增量存在盲区（例：{2,1,5,3,7,6,9,8}）
  • 最具代表性的希尔增量：Sedgewick的增量序列，依次为1, 5, 19, 41, 109…，通项公式4^k - 3*2^k + 1
  • 时间复杂度O(n^4/3)
  • 稳定性：不稳定
    

• 快速排序

  • 快速排序其实是冒泡排序的一种改进算法
  • 时间复杂度O(n*logn)
  • 如果基准点没有选好，有可能导致冒泡排序
  • 稳定性：不稳定
  • 快速排序需要将所有的数据放入内存依次排完。
    

• 归并排序

  • 核心思路：将两个有需要的序列进行比较，依次从两个队列取出最小的数据进行比较，然后将更小的数据存入合并后的序列中，并且从原序列中去除

  • 时间复杂度O(n*logn)

  • 会占用两倍的内存空间

  • 分割

    • 依次将序列二等分，二等分之后的字序列继续二等分
    • 直到每组序列只有一个数据时，停止分割

  • 合并

    • 按照分割的顺序反向合并，并且做升序排序![在这里插入图片描述](https://img-blog.csdnimg.cn/2020121714453067.gif
      

• 堆排序

  • 每个父节点的值都大于或等于子节点的值，称为大顶堆；每个父节点的值都小于或者等于子节点的值，称为小顶堆；
  • 二分查找树
    • 任意节点
    • 最多有两个子节点
    • 左面的子节点都小于或等于父节点
    • 右面的子节点都大于或等于父节点
    • 排列顺序：从上至下，从左至右
  • 核心思路
    • 将无序的序列构建成一个堆，根据升序降序需求选择大顶堆或小顶堆
    • 将堆顶数据与末尾数据进行交换，将最大数据“沉”到堆末尾
    • 重新调整结构，使其满足大顶堆或小顶堆定义，然后继续交换堆顶数据和堆末尾数据，直到整个堆有序

• 计数排序

  • 一种巧妙的只针对特殊数据的排序算法
  • 数据要求
    • 数据的值固定在一定范围中
    • 有大量重复数据
  • 核心思路：
    • 将数据所有可能出现的值构建成升序数组
    • 依次将无序序列中的数据存放到对应数值的升序数组中
    • 依次从升序数组中取出数据，完成有序序列
      

• 桶排序

  • 将所有可能出现的值确定在一个范围
  • 然后将这个范围划分成多个相同的区间（桶）
  • 每个子区间内的数据自排序，再合并
  • 尽量减少桶内数据的数量是提高效率的唯一办法
  • 时间复杂度（无序序列长度N，一共分M桶）
    • N次循环，将所有数据分到对应桶中，记做O(N)
    • M次循环，所有桶内数据排序，记做O(M∗(N/M∗log(N/M)))
    • 合计O(N∗(log(N/M)+1))
    • 当N=M时，即每一个桶只放一个数据时，复杂度为O(N)
      

• 基数排序

  • 将数字0到9作为桶
  • 按照低位数字依次放入桶中，然后从左至右，从上至下，依次取出
  • 按照高位数字重复上面过程，直至最高位