排序算法总结及JAVA代码实现

已于 2022-08-18 16:43:41 修改
阅读量295 收藏 1
点赞数
分类专栏： java基础 刷题 文章标签： java 排序算法 算法
于 2022-08-18 16:35:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_51013067/article/details/126408545
版权

原文

十大排序从入门到入赘 - 力扣（LeetCode）

文章目录

排序分类

在这里插入图片描述

复杂度与稳定性

在这里插入图片描述

各个排序算法的大致描述

下列说明在正文相应章节均有更详细的描述。

※1冒泡: 输入数组已排序时最好。
※2选择: 时间复杂度与输入数组特点无关。
※3插入: 输入数组已排序时最好。
※4希尔: 复杂度取决于增量序列，两行分别为希尔增量，
    和Knuth增量的希尔排序。输入数组已排序时最好。
※5归并: 所列复杂度为「自顶向下非原地」版本。
    自顶向下/自底向上，非原地/原地的时间空间复杂度见该归并排序一节。
※6快速: 当输入数组有序，且总是选取第一个元素为主轴时，
    时间复杂度退化为O(n^2)。空间开销为递归深度。
※7堆: 原地堆排序空间复杂度为O(1)。输入数组所有数字相等时，
    时间复杂度为O(n)。
※8计数: k是计数数组大小。应用稳定性优化则稳定，否则不稳定。
    朴素版本空间复杂度为O(k)，稳定性优化版本空间复杂度为O(n + k)。
※9基数: d是最大数位数，k是计数数组大小，处理负数时k=19。
※10桶: 稳定性取决于桶内排序是否稳定。空间取决于桶使用数组还是容器，
    若采用数组为O(kn)，容器则为O(n)。所有元素放入同一个桶时复杂度最大。
    最坏时间复杂度取决于采用哪种桶内排序算法。

稳定性: 存在稳定和非稳定版本时，视作「稳定」。

swap的三种实现方法

对于冒泡、选择、插入等采用比较和交换元素的排序方法，由于经常执行交换操作，通常将交换动作写为 swap 方法，需要交换时调用。最常见 swap写法有如下三种：

  1. 方法一: 利用一个临时数 tmp 来交换 arr[i] ，arr[j] 。

  2. 方法二: 利用 arr[i]] 和 arr[j]的加减运算避免临时数 tmp 的开销，但由于涉及到加减法可能导致数字 「提前溢出」 。

  3. 方法三: 利用位运算中的 异或 运算，能够避免 tmp的开销且不会导致数字溢出。异或运算为同0异1。

对于任一位向量a，有aa=0，a0=a，为了实现交换，可以推导出a=aab，b=bba。

需要特别注意的是， 「方法二」和「方法三」要避免 i = j ，若 i = j ，执行 swap 后将导致该数字变为 0。实际上自我交换总是不必要的，因此应当保证 swap被调用时 i != j，这样就无需 if 语句了。

// 方法一: 利用临时数tmp
private void swap(int[] arr, int i, int j) {
    int tmp = arr[i];
    arr[i] = arr[j];
    arr[j] = tmp;
}
// 方法二: 利用加减运算
private void swapCal(int[] arr, int i, int j) {
    if(i == j) return; // 若无法保证swapCal被调用时满足 i != j，则需有此句，否则i == j时此数将变为0
    arr[i] = arr[i] + arr[j]; // a = a + b
    arr[j] = arr[i] - arr[j]; // b = a - b
    arr[i] = arr[i] - arr[j]; // a = a - b
}
// 方法三: 利用异或运算
private void swapXOR(int[] arr, int i, int j) {
    if(i == j) return; // 若无法保证swapXOR被调用时满足 i != j，则需有此句，否则i == j时此数将变为0
    arr[i] = arr[i] ^ arr[j]; // a = a ^ b，也可写成 arr[i] ^= arr[j];
    arr[j] = arr[i] ^ arr[j]; // b = (a ^ b) ^ b = a ^ (b ^ b) = a ^ 0 = a， 也可写成 arr[j] ^= arr[i];
    arr[i] = arr[i] ^ arr[j]; // a = (a ^ b) ^ a = (a ^ a) ^ b = 0 ^ b = b， 也可写成 arr[i] ^= arr[j];
}。

https://blog.csdn.net/CTO_w9691/article/details/101169199

比较排序

冒泡排序

​ 对于要排序的数组，从第一位开始从前往后比较相邻两个数字，若前者大，则交换两数字位置，然后比较位向右移动一位。也就是比较 arr[0] 和 arr[1] ，若 arr[0] > arr[1] ，交换 arr[0] 和 arr[1] 。接着比较位移动一位，比较 arr[1]和 arr[2] ，直到比较到 arr[n - 2]和 arr[n - 1] (n = arr.length)。第1轮从前到后的比较将使得最大的数字 冒泡 到最后，此时可以说一个数字已经被排序。每一轮的比较将使得当前未排序数字中的最大者被排序，未排序数字总数减 1。第 arr.length - 1 轮结束后排序完成。

稳定性：稳定。

​ 冒泡排序始终只交换相邻元素，比较对象大小相等时不交换，相对位置不变，故稳定。

优化思路

提前结束优化

​ 当某一轮比较均未发生交换，说明排序已完成，可设置一个布尔值记录一轮排序是否有发生交换，若无则提前退出循环结束程序。

冒泡界优化

​ 记录前一轮交换的最终位置，说明该位置之后的元素为已排序状态，下一轮的交换只需执行到该处。

复杂度分析

​ 时间复杂度：两层 for循环，第 1 轮比较 n - 1 次 (n = arr.length)，最后一轮比较 1 次。总比较次数为 n*(n - 1) / 2次，时间复杂度为 O(n^2)。当输入数组为已排序状态时，在应用提前结束优化的情况下，只需一轮比较，此时为最佳时间复杂度 O(n)。

​ 空间复杂度：算法中只有常数项变量，O(1)。

代码

提前结束优化
public int[] bubbleSort(int[] arr) {
    if (arr.length < 2) return arr;
    // n - 1轮次执行，当前 n - 1 个元素排好后，最后一个元素无需执行，故i < arr.length - 1
    for (int i = 0; i < arr.length - 1; i++) {
        // 本轮执行是否有交换的标志，若无则false，若有则true
        boolean swapped = false;
        // 每轮循环，通过依次向右比较两个数，将本轮循环中最大的数放到最右
        for (int j = 1; j < arr.length - i; j++) {
            // 若左大于右则交换，并将swapped置为true
            if (arr[j - 1] > arr[j]) {
                swap(arr, j - 1, j);
                swapped = true;
            }
        }
        // 若无交换，表示当前数组已完全排序，退出大循环
        if (!swapped) break;
    }
    return arr;
}
提前结束+冒泡界限优化
public int[] bubbleSort(int[] arr) {
    if (arr.length < 2) return arr;
    boolean swapped = true;
    int lastSwappedIdx = arr.length - 1 ;
    int swappedIdx = -1;
    // lastSwappedIdx表示前一轮交换的最终位置，即下标为lastSwappedIdx是未排序部分中的最后一个数的下标，
    // 因此for中的界是i < lastSwappedIdx而不需要写成i <= lastSwappedIdx
    while (swapped) { // 当swapped = false时，排序完成
        // 本轮执行是否有交换的标志，若无则true，若有则false
        swapped = false;
        // 每轮循环，通过依次向右比较两个数，将本轮循环中最大的数放到最右
        for (int i = 0; i < lastSwappedIdx; i++) {
            // 若左大于右则交换，并将swapped置为true
            if (arr[i] > arr[i + 1]) {
                swap(arr, i, i + 1);
                swapped = true;
                swappedIdx = i;
            }
        }
        lastSwappedIdx = swappedIdx;
    }
    return arr;
}

选择排序

​ 对于要排序的数组，设置一个minIdx记录最小数字下标。先假设第1个数字最小，此时minIdx = 0，将arr[minIdx]与后续数字逐一比较，当遇到更小的数字时，使minIdx等于该数字下标，第1轮比较将找出此时数组中最小的数字。找到后将minIdx下标的数字与第1个数字交换，此时称一个数字已被排序。然后开始第2轮比较，令minIdx = 1，重复上述过程。每一轮的比较将使得当前未排序数字中的最小者被排序，未排序数字总数减1。第arr.length - 1轮结束后排序完成。

微优化：在交换前判断minIdx是否有变化，若无变化则无需交换。当数组大致有序时，能够减少无效交换带来的开销。

稳定性：不稳定。

存在跨越交换。找到本轮次最小值之后，将其与本轮起始数字交换，此时若中间有与起始元素同值的元素，将打破稳定性。

例:　7 7 2 。第一轮交换第一个7和2，则两个7位置关系改变。

双元选择优化

在遍历寻找最小值下标minIdx时，可以同时寻找最大值下标maxIdx，这样就可以一轮遍历确定两个元素的位置，遍历次数减少一半，但每轮次的操作变多，因此该优化只能少量提升选择排序的速度（复杂度介于单元选择排序复杂度及其一半之间，只有系数上的区别）。

复杂度分析

时间复杂度：两层for循环，第1轮比较 n - 1 次(n = arr.length)，最后一轮比较1次。总比较次数为 n*(n - 1) / 2 次，时间复杂度为 O(n^2)。 双元选择优化版本也是 O(n^2)。

冒泡排序和选择排序的比较次数均为 O(n^2)，但选择排序的交换次数是 O(n)，而冒泡排序的平均交换次数仍然是二次的。

空间复杂度：算法中只有常数项变量，O(1)。

代码

单元选择排序
public int[] selectSort(int[] arr) {
    if (arr.length < 2) return arr;
    // n - 1 轮次执行,当前 n - 1 个元素排好后，最后一个元素无需执行，故 i < arr.length - 1
    for (int i = 0; i < arr.length - 1; i++) {
        int minIdx = i;
        // 找到本轮执行中最小的元素，将最小值下标赋值给min
        for (int j = i + 1; j < arr.length; j++) {
            if (arr[j] < arr[minIdx])  minIdx = j;
        }
        // 若本轮第一个数字不是最小值，则交换位置
        if (minIdx != i) swap(arr, i, minIdx);
    }
    return arr;
}
双元选择排序
public int[] selectSortDouble(int[] arr) {
    if (arr.length < 2) return arr;
    int n = arr.length;
    // 每轮确定两个数字，因此界也会动态变化
    for (int i = 0; i < n - 1 - i; i++) {
        int minIdx = i, maxIdx = i;
        // 找到本轮执行中最小和最大的元素
        for (int j = i + 1; j < n - i; j++) {
            if (arr[j] < arr[minIdx]) minIdx = j;
            if(arr[j] > arr[maxIdx]) maxIdx = j;
        }
        // 若本轮最大值等于最小值，说明未排序部分所有元素相等，无需再排序
        if(minIdx == maxIdx) break;
        // 若本轮第一个数字不是最小值，则交换位置（将最小值与本轮第一个数字交换位置）
        if (minIdx != i) swap(arr, i, minIdx);
        // 在交换i和minIdx时，有可能出现i即maxIdx的情况，此时需要修改maxIdx为minIdx
        if(maxIdx == i) maxIdx = minIdx;
        // 若本轮最后一个数字不是最大值，则交换位置（将最大值与本轮最后一个数字交换位置）
        if (maxIdx != n - 1 - i) swap(arr, n - 1 - i, maxIdx);
    }
    return arr;
}

插入排序

​ 对于待排序数组，从第2个元素开始(称作插入对象元素)，比较它与之前的元素(称作比较对象元素)，当插入对象元素小于比较对象元素时，继续往前比较，直到不小于(≥)比较对象，此时将插入对象元素插入到该次比较对象元素之后。重复这个插入过程直到最后一个元素作为插入对象元素完成插入操作。

稳定性：简单插入和折半插入(二分插入)排序是稳定的。

对于大小相同的两个数字，简单插入和折半插入均使得后来的数字靠右放置 （因为条件是 ≥），因此不会改变其相对位置。

折半插入优化

注意到插入排序的每一轮向前插入都使得该元素在完成插入后，从第一个元素到该元素是排序状态（指这部分的相对排序状态，在它们中间后续可能还会插入其他数字），利用这一点，对一个新的插入对象向前执行折半插入，能够显著减少比较的次数。另一种优化是增量递减插入排序，也叫希尔排序，将在希尔排序章节中介绍。

折半插入的关键在于找到插入位置，折半过程代码如下。这实际上是二分查找「模版一」中的「小于等于」情形。

while (low <= high) {
    int center = low + (high - low) / 2;
    if (arr[center] <= target) low = center + 1;
    else high = center - 1;
}

复杂度分析

时间复杂度：两层for循环，外层总轮次为n - 1轮(n = arr.length)，当原数组逆序时，移动次数为 n*(n - 1) / 2，最坏时间复杂度为 O(n^2)，平均时间复杂度同为 O(n^2)。当原数组已基本有序时，接近线性复杂度 O(n)。例如原数组已完全排序，则算法只需比较 n - 1 次。

※ 折半插入总的查找(比较)次数虽为 O(nlogn)，但平均移动 (每轮移动一半的数字) 次数仍是 O(n^2)。

空间复杂度：算法中只有常数项变量，O(1)。

代码

简单插入排序
public int[] insertSort(int[] arr) {
    if (arr.length < 2) return arr;
    for (int i = 1; i < arr.length; i++) { // N-1轮次执行
        int target = arr[i], j = i - 1;
        for (; j >= 0; j--) {
            if(target < arr[j]) arr[j + 1] = arr[j];
            else break;
        }
        arr[j + 1] = target; // 若发生移动，此时的插入对象数字≥j位置的数字，故插入位置为j + 1，若未移动也成立，无需判断
        // if(j != i - 1) arr[j + 1] = target; // 也可以用这种写法，表示发生移动才插入，否则不必插入(赋值)，但不判断效率更高
    }
    return arr;
}
折半插入排序
public int[] insertSortBinary(int[] arr) {
    if (arr.length < 2) return arr;
    // n - 1 轮次执行
    for (int i = 1; i < arr.length; i++) {
        // 若当前插入对象大于等于前一个对象，无需插入
        if (arr[i - 1] <= arr[i]) continue;
        int target = arr[i];
        // 折半查找 (二分查找「模版一」)
        int low = 0, high = i - 1;
        // while结束后，target要插入的位置为low或high + 1 (low = high + 1)
        while (low <= high) {
            int center = low + (high - low) / 2;
            if (arr[center] <= target) low = center + 1;
            else high = center - 1;
        }
        for (int j = i; j > low; j--) { // 移动
            arr[j] = arr[j - 1];
        }
        arr[low] = target; // 插入
    }
    return arr;
}

希尔排序

希尔排序是简单插入排序的改进，它基于以下事实。

  1. 简单插入排序对排序程度较高的序列有较高的效率。假设初始序列已完全排序，则每一轮均只需比较一次，将得到 O(n)的线性复杂度，冒泡排序和选择排序做不到这一点，均仍需 O(n^2)次比较(冒泡排序在应用提前结束优化后可以做到)。
  2. 简单插入排序每次比较最多将数字移动一位，效率较低。

Shell增量

Donald Shell在1959年发表的论文中，针对第二点，提出如下方法。对原待排序列中相隔 gap 的数字执行简单插入排序，然后缩小 gap，对新的 gap 间隔的数字再次执行简单插入排序。以一种规则减少 gap 的大小，当 gap 为1时即简单插入排序，因此希尔排序也称作 增量递减排序。希尔在论文中提出的增量序列生成式为 n / (2^k)，k = 1, 2, 3, …，例如 n = 11，则增量序列为 {1,2,5}。在讨论希尔排序时，可将其称为 Shell增量，另有更优的 Hibbard增量、Knuth增量、Sedgewick增量 等。

程序开始时 gap 较大，待排元素较少，因此排序速度较快。当 gap 较小时，基于第一点，此时待排序列已大致有序，排序效率接近线性复杂度。因此能够期待希尔排序复杂度将优于 O(n^2)。详细见「复杂度分析」。

稳定性：不稳定。

gap > 1时，跨越gap的插入可能会改变两个相同值元素的位置关系。例如{0, 1, 4, 3, 3, 5, 6}，当gap = 2时，对{0, 4, 3, 6}简单插入排序后得到{0, 1, 3, 3, 4, 5, 6}，原数组中的两个3的位置互换了。

复杂度分析

时间复杂度：希尔排序的时间复杂度与增量序列的选择有关。最优复杂度增量序列尚未明确。

Shell增量 (Shell, 1959): n / 2^k，最坏时间复杂度 Θ(n^2)。

Hibbard增量 (Hibbard, 1963)：{1, 3, 7, 15,…}，即 2^k - 1，k = 1, 2, 3, …，最坏时间复杂度 Θ(n^(3/2))。

Knuth增量 (Knuth, 1971)：{1, 4, 13, 40,…}，即 (3^k - 1) / 2，k = 1, 2, 3, …，最坏时间复杂度 Θ(n^(3/2))。

Sedgewick增量(Sedgewick, 1982): {1, 8, 23, 77, 281}，即 4^k + 3*2^{k-1} + 1 (最小增量1直接给出)，k = 1, 2, 3, …，最坏时间复杂度 Θ(n^(4/3))。

平均 / 最坏复杂度的证明需要借助数论和组合数学，略 (我不会)。

当输入数组已排序时，达到最好时间复杂度。

空间复杂度：算法中只有常数项变量，O(1)O(1)。

逆序数

希尔排序是较早出现的 突破二次复杂度 的排序算法，下面从 逆序数 的角度来直观地证明为何希尔排序能够突破二次复杂度。

在一个排列中，如果任意一对数的前后位置与大小顺序相反，即前面的数大于后面的数，那么它们就称为一个 逆序，一个排列中逆序的总数就称为这个排列的 逆序数。排序的过程就是不断减少逆序数 直到逆序数为 0 的过程。

回顾冒泡排序和简单插入排序，算法的每一次交换，都只交换相邻元素（简单插入排序中元素每次右移也看作交换），因此每次交换只能减少一个逆序。冒泡排序和简单插入排序的元素平均交换次数均为 O(n^2)， 也即逆序数(或逆序数减少次数)为 O(n^2)。 如果能跨越多个数字进行交换，则可能一次减少多个逆序。在选择排序中，每轮选到最小元素后的交换即是跨越多个元素的，交换次数(减少逆序数的操作)为 O(n)，要少于冒泡和简单插入排序，只是因为比较次数仍是 O(n^2)， 所以整体复杂度为 O(n^2)。

现在来分析跨越多个元素的交换如何减少逆序数，假设 $arr[i] > $arr[j], i < j。对于任意的 $arr[k] (i < k < j)：

  1. 若 $arr[k] < $arr[j]，交换 $arr[i] 和 $arr[j] 后，三者的逆序数从2变为1
  2. 若 $arr[k] > $arr[i]，交换 $arr[i] 和 $arr[j] 后，三者的逆序数从2变为1
  3. 若 $arr[i] > $arr[k] > $arr[j]，交换 $arr[i] 和 $arr[j] 后，三者的逆序数从3变为0

$arr[k] = $arr[i] 或 $arr[k] = $arr[j] 的情况一样，都使得三者逆序数从2变为1。

对 $arr[i] 和 $arr[j] 的逆序消除，使得逆序 至少 减少一次，并有机会减少大于一次的逆序 (情况3)，因此能够以比 n^2低阶的次数消除所有逆序。

实际上归并排序，快速排序，堆排序均实现了 长距离交换元素，使得复杂度优于 O(n^2)。

代码

从下列实现可看出，不同增量的代码仅gap初始化和增量递减上有差异，此差异反映了各自不同的增量。

Shell增量
// 希尔排序：采用Shell增量 N / 2^k
public int[] shellSortShell(int[] arr) {
    if (arr.length < 2) return arr;
    int n = arr.length;
    for (int gap = n / 2; gap > 0; gap /= 2) { // gap 初始为 n/2，缩小gap直到1
        for(int start = 0; start < gap; start++) { // 步长增量是gap，当前增量下需要对gap组序列进行简单插入排序
            for (int i = start + gap; i < n; i += gap) { // 此for及下一个for对当前增量序列执行简单插入排序
                int target = arr[i], j = i - gap;
                for (; j >= 0; j -= gap) { 
                     if (target < arr[j]) {
                         arr[j + gap] = arr[j];
                     } else break; 
                }                 
                if (j != i - gap) arr[j + gap] = target;
            }
        }
    }
    return arr;
}
Hibbard增量
// 希尔排序： 采用Hibbard增量 {1, 3, 7, 15,...}
public int[] shellSortHibbard(int[] arr) {
    if (arr.length < 2) return arr;
    int n = arr.length, gap = 1; 
    while (gap < n / 2) gap = gap * 2 + 1; // 初始化gap (Hibbard增量序列)
    for (; gap > 0; gap /= 2) { // 缩小gap直到1
        for(int start = 0; start < gap; start++) { // 步长增量是gap，当前增量下需要对gap组序列进行简单插入排序
            for (int i = start + gap; i < arr.length; i += gap) { // 此for及下一个for对当前增量序列执行简单插入排序
                int target = arr[i], j = i - gap;
                for (; j >= 0; j -= gap) { 
                     if (target < arr[j]) {
                         arr[j + gap] = arr[j];
                     } else break; 
                }                 
                if (j != i - gap) arr[j + gap] = target;
            }
        }
    }
    return arr;
}
Knuth增量
// 希尔排序： 采用Knuth增量 {1, 4, 13, 40,...}
public int[] shellSortKnuth(int[] arr) {
    if (arr.length < 2) return arr;
    int n = arr.length, gap = 1; 
    while (gap < n / 3) gap = gap * 3 + 1; // 初始化gap (Knuth增量序列)
    for (; gap > 0; gap /= 3) { // 缩小gap直到1
        for(int start = 0; start < gap; start++) { // 步长增量是gap，当前增量下需要对gap组序列进行简单插入排序
            for (int i = start + gap; i < arr.length; i += gap) { // 此for及下一个for对当前增量序列执行简单插入排序
                int target = arr[i], j = i - gap;
                for (; j >= 0; j -= gap) { 
                     if (target < arr[j]) {
                         arr[j + gap] = arr[j];
                     } else break; 
                }                 
                if (j != i - gap) arr[j + gap] = target;
            }
        }
    }
    return arr;
}

归并排序

归并排序是 分治思想 的应用，即将原待排数组 递归或迭代地 分为左右两半，直到数组长度为1，然后对左右数组进行合并(merge)，在合并中完成排序。详细过程需结合代码理解。合并过程采用 非原地 合并方法，即依次比较两部分已排序数组，将比较结果依次写入 新空间 中。后续会介绍一种称作 原地(in-place) 归并排序的改进，使得空间复杂度达到 常数级 (自底向上时，O(1))。

如下树状图中的橙色线表示递归的轨迹（自顶向下递归归并排序）。

image.png

稳定性：稳定。

合并时的此判断中的等号if(left[l_next] <= right[r_next])，保证了出现相等元素时，居左的元素总会被放在左侧，稳定性不受影响。

自顶向下和自底向上

可以通过 自顶向下(top-down) 或 自底向上(bottom-up) 的方式实现归并排序。

自顶向下(top-down)：从输入数组出发，不断二分该数组，直到数组长度为1，再执行合并。适合用 递归 实现。

自底向上(bottom-up)：从输入数组的单个元素出发，一一合并，二二合并，四四合并直到数组有序。适合用 迭代 实现。

后续给出 自顶向下原地 / 自顶向下非原地 / 自底向上原地 / 自底向上非原地 四种代码实现。

原地归并

前述归并排序，每一次合并都是将两部分待合并数组的比较结果写入一个与arr等大小的临时数组tmpArr中，写入后再将tmpArr中的合并结果写回到arr中。于是tmpArr的空间开销即为该实现的空间复杂度，为 O(n)。

实际上，通过一种 原地旋转交换 的方法（俗称手摇算法/内存反转算法/三重反转算法），则只需要 O(1)的辅助空间（由于递归空间为 O(logn)，其总的空间复杂度仍为 O(logn)）。以下介绍旋转交换的实现方法。

以 456123 为例，欲将 456 和 123 交换位置转换为 123456，只需要执行三次旋转即可：

  1. 旋转 456，得到 654
  2. 旋转 123，得到 321
  3. 旋转 654321 得到 123456。

应用上述「手摇算法」对两个排序序列的「原地归并」过程如下。

  1. 记左数组第一个数下标为i，记右数组第一个数下标为j。
  2. 找到左数组中第一个 大于 右数组第一个数字的数，记其下标为i。
  3. 以index暂存右数组第一个元素的下标index = j。
  4. 找到右数组中第一个 大于等于 arr[i]的数，记其下标为j。此时必有 [i, index - 1]下标范围序列大于 [index, j - 1] 下标范围序列。
  5. 通过三次翻转交换 [i, index-1] 和 [index, j - 1] 序列 (指下标范围)，即依次翻转[i, index-1]，翻转[index, j - 1]，翻转[i, j - 1]。
  6. 重复上述过程直到不满足(i < j && j <= rightEnd)

※ 第4步如果找「大于」而不是「大于等于」，对于数字数组排序，结果正确，但将 破坏稳定性。建议动手画一下。

以{1, 2, 4, 6, 7}与{3, 5, 8, 9} 两个已排序序列的合并为例，观察借助手摇算法实现原地归并的过程。

  1. 在{1, 2, 4, 6, 7}中找到第一个大于3的数4，其下标为2，i = 2。index = j = 5。在{3, 5, 8, 9}中找到第一个大于arr[i] = arr[2] = 4的数5，其下标为6，j = 6。
  2. 如上操作使得[0, i - 1]必是最小序列，[index, j - 1]必小于arr[i]。因此交换[i, index - 1]和[index, j - 1]（采用三次旋转完成交换），使得这部分序列在整个数组中有序。
  3. 交换后，继续执行上述过程，直到不满足该条件 ：i < j && j <= rightEnd。

image.png

复杂度分析

自顶向下非原地

时间复杂度

每次减半后的左右两半对应元素的对比(if(left[l_next] <= right[r_next]))和赋值(resArr[res_next++] = ??? )总是必须的，也即在每一层递归中(这里的一层指的是 递归树 中的层)，比较和赋值的时间复杂度都是 O(n)，数组规模减半次数为 logn，即递归深度为 logn，也即总共需要 logn 次 O(n)的比较和赋值，时间复杂度为 O(nlogn)。

在这里插入图片描述

空间复杂度

递归深度为 logn，递归过程中需要一个长度为 n 的临时数组保存中间结果，空间复杂度为 O(n)。

在这里插入图片描述

根据上述分析，原地相比非原地，空间消耗较少，采用自底向上原地归并排序时空间复杂度为常数级 O(1)，但需要 O(n^2)的时间复杂度。是一种以时间换空间的做法，通常空间不为瓶颈时，应采用 效率更高的非原地归并排序。

代码

自顶向下非原地归并
public int[] mergeSort(int[] arr) {
    if (arr.length < 2) return arr;
    int[] tmpArr = new int[arr.length];
    mergeSort(arr, tmpArr, 0, arr.length - 1);
    return arr;
}

private void mergeSort(int[] arr, int[] tmpArr, int left, int right) {
    if(left < right) {
        int center = left + (right - left) / 2;
        mergeSort(arr, tmpArr, left, center);
        mergeSort(arr, tmpArr, center + 1, right);
        merge(arr, tmpArr, left, center, right);
    }
}

// 非原地合并方法
private void merge(int[] arr, int[] tmpArr, int leftPos, int leftEnd, int rightEnd) {
    int rightPos = leftEnd + 1;
    int startIdx = leftPos;
    int tmpPos = leftPos;
    while (leftPos <= leftEnd && rightPos <= rightEnd) {
        if (arr[leftPos] <= arr[rightPos]) {
            tmpArr[tmpPos++] = arr[leftPos++];
        }
        else {
            tmpArr[tmpPos++] = arr[rightPos++];
        }
    }
    // 比较完成后若左数组还有剩余，则将其添加到tmpArr剩余空间
    while (leftPos <= leftEnd) {
        tmpArr[tmpPos++] = arr[leftPos++];
    }
    // 比较完成后若右数组还有剩余，则将其添加到tmpArr剩余空间
    while (rightPos <= rightEnd) {
        tmpArr[tmpPos++] = arr[rightPos++];
    }
    // 容易遗漏的步骤，将tmpArr拷回arr中
    // 从小区间排序到大区间排序，大区间包含原来的小区间，需要从arr再对应比较排序到tmpArr中，
    // 所以arr也需要动态更新为排序状态，即随时将tmpArr拷回到arr中
    for(int i = startIdx; i <= rightEnd; i++) {
        arr[i] = tmpArr[i];
    }
}
自顶向下原地归并
public int[] mergeSort(int[] arr) {
    if (arr.length < 2) return arr;
    mergeSort(arr, 0, arr.length - 1);
    return arr;
}

private void mergeSort(int[] arr, int left, int right) {
    if(left < right) {
        int center = left + (right - left) / 2;
        mergeSort(arr, left, center);
        mergeSort(arr, center + 1, right);
        merge(arr, left, center, right);
    }
}

// 原地归并（手摇算法）
private void merge(int[] arr, int leftPos, int leftEnd, int rightEnd) {
    int i = leftPos, j = leftEnd + 1; // #1
    while(i < j && j <= rightEnd) {
        while(i < j && arr[i] <= arr[j]) i++; // #2
        int index = j; // #3
        while(j <= rightEnd && arr[j] < arr[i]) j++; // #4 注意是 arr[j] < arr[i]，即找到j使得arr[j] 为第一个大于等于 arr[i]值
        exchange(arr, i, index - 1, j - 1); // #5
    }
}

// 三次翻转实现交换
private void exchange(int[] arr, int left, int leftEnd, int rightEnd) {
    reverse(arr, left, leftEnd);
    reverse(arr, leftEnd + 1, rightEnd);
    reverse(arr, left, rightEnd);
}

private void reverse(int[] arr, int start, int end) {
    while(start < end) {
        swap(arr, start, end);
        start++;
        end--;
    }
}
自底向上非原地归并
public int[] mergeSortBU(int[] arr) {
    if (arr.length < 2) return arr;
    int[] tmpArr = new int[arr.length];
    // 间隔，注意不能写成gap < arr.length / 2 + 1，此种写法只适用于元素个数为2的n次幂时
    for(int gap = 1; gap < arr.length; gap *= 2) {
        // 基本分区合并(随着间隔的成倍增长，一一合并，二二合并，四四合并...)
        for(int left = 0; left < arr.length - gap; left += 2 * gap) {
            // 调用非原地合并方法。leftEnd = left+gap-1; rightEnd = left+2*gap-1;
            merge(arr, tmpArr, left, left + gap - 1, Math.min(left + 2 * gap - 1, arr.length - 1));
        }
    }
    return arr;
}

在这里插入图片描述

自底向上原地归并
public int[] mergeSortBUInPlace(int[] arr) {
    if (arr.length < 2) return arr;
    // 间隔，注意不能写成gap < arr.length / 2 + 1，此种写法只适用于元素个数为2的n次幂时
    for(int gap = 1; gap < arr.length; gap *= 2) {
        // 基本分区合并(随着间隔的成倍增长，一一合并，二二合并，四四合并...)
        for(int left = 0; left < arr.length - gap; left += 2 * gap) {
            // 调用原地合并方法。leftEnd = left+gap-1; rightEnd = left+2*gap-1;
            merge(arr, left, left + gap - 1, Math.min(left + 2 * gap - 1, arr.length - 1));
        }
    }
    return arr;
}

快速排序

​ 与归并排序一样，快速排序也是一种利用 分治思想 的排序方法，确定 主轴及分区 是快速排序的核心操作。首先在数组中确定一个主轴元素(下标记为 pivot )，然后将数组分为两部分，小于主轴的放在（确定最终位置的）主轴左侧，大于等于主轴的放在主轴右侧。递归地对主轴左右两侧数组执行这个过程，每次递归都传入待排序数组 arr和本次要处理的部分的左右界，只处理这个范围内的序列。当所有递归都到达基准情形时，排序完成。因为是原地交换，递归过程中 arr总是在动态排序，递归过程无需返回，为尾递归形式。

主轴pivot的选择

  1. 主轴为起始元素 ( quickSortSimple )。每次选取当前数组第一个元素作为主轴。
    • 优点：实现简单。
    • 缺点：若输入是较为有序的数组，pivot 总是不能均匀地分割数组。若输入数组本身有序，复杂度退化到 O(n^2)。
  2. 主轴为随机下标元素 ( quickSortRandom)。每次随机选取当前数组的下标，将该下标元素作为主轴。
    • 优点：避免了主轴为起始元素时对于基本有序的输入，因不能均匀分割数组导致复杂度退化的情况。
    • 缺点：随机数的选取本身消耗一定的性能。
  3. 主轴为左中右三数大小居中者 ( quickSortMedian3)。每次比较当前数组起始、中间和末尾三个元素的大小，选择大小居中者为主轴。
    • 优点：实现相对简单，且有效避免简单快排中的 劣质分割。
    • 缺点：三数取中方法消耗一定性能。
  4. 快速排序也可以与其他排序相结合，例如当元素较少时使用简单插入排序能够获得更高的排序效率，实际上这就是 JDK 的做法，这里不展开介绍。

分区方法(partition)

快速排序中的 核心方法为 partition。 partition方法执行后，要实现主轴左边元素均小于主轴，主轴右边元素均大等于主轴元素。

选定一个数作为主轴后（无论是上述哪种方法选取主轴元素， 都将选定的主轴置于当前数组的起始位置 ），设置一个 index (index = pivot + 1)动态更新最终的主轴下标。从左到右将主轴后的所有元素依次与主轴元素比较，若小于主轴则将该数字与下标为 index的数字交换，index 右移一位，使得 index 的前一位总是当前最后一个小于主轴的元素。遍历比较结束后，交换下标为 pivot 与 index - 1的数字，并将当前主轴的下标 index - 1返回。

稳定性：不稳定。

partition 中在确定了主轴位置后，将一开始设置的主轴元素与最后一个小于主轴的元素 x 交换时，若中间有与 x 同值的元素，则稳定性被破坏。

例：7 2 4 4 8 9

7 为主轴元素，partition过后交换 7 和第二个 4 ，则两个 4 的位置关系发生变化。

非递归快排

前述快排以递归形式写出，递归地确定 [left, right]区间的 pivot 位置并对新的左区间 [left, pivot - 1] 和右边区间 [pivot + 1, right]区间执行同样的过程。若要求不以递归形式实现快排，容易想到利用 栈保存区间左右界，每次 partition 划分确定 pivot 后将得到的 pivot 左右两侧的区间的 left,right界压入栈中。过程如下：

  1. 初始时区间左右界是 0, arr.length -1 ，将他们压入栈（按 right, left顺序入栈）。
  2. 以 while询问当前栈是否空，不空则弹出栈顶的一对界（依次为 left，right ）。
  3. 若满足 left < right ，则对当前这对 left,right 界的区间执行一次 partition 方法，得到该区间的 pivot 。
  4. 若满足 left < pivot，则将 pivot 左侧区间的左右界压入栈（按 pivot - 1,left 顺序入栈）。并列地，若满足 right > pivot ，则将 pivot 右侧区间的左右界压入栈（按 right,pivot + 1 顺序入栈）
  5. while 结束时排序完成，返回此时的 arr 。

非递归快排代码实现后续给出，与递归快排一样，在 partition 方法前加入如下两行实现主轴的随机选取；

int randomIndex = new Random().nextInt(right - left) + left + 1; // 在[left + 1, right]范围内的随机值
swap(arr, left, randomIndex); // arr[left]与它之后的某个数交换

在 partition方法前加入如下一行实现主轴的三数取中选取。

median3(arr, left, right);

双轴快排

双轴快排是单轴快排的改进，初次学习双轴快排需要仔细深入地理解各处细节，因此本小节将详细介绍其实现细节，展示确定双轴位置既区间划分的过程。

前述快排每次递归确定当前区间的主轴，并利用该主轴将当前区间划分为左右两个部分。双轴快排则以 两个轴 (pivot1, pivot2) 将当前区间划分为 三个子区间，双轴三区间的划分结果要满足如下。为方便叙述，将 [left, pivot1)称作区间1，(pivot1, pivot2)称作区间2， (pivot2, right]称作区间3，其中 pivot1 ，pivot2 指的是最终位置，区间1，区间2，区间3均指划分后的最终区间。

arr[i] < arr[pivot1],  i ∈ [left, pivot1) 区间1
arr[pivot1] ≤ arr[i] ≤ arr[pivot2], i ∈ (pivot1, pivot2) 区间2
arr[i] > arr[pivot2], i ∈ (pivot2, right] 区间3

对三个子区间执行同样的过程，直到无法划分时排序完成。算法主要过程和说明如下，结合后续代码实现的注释可准确把握各处细节。

  1. dualPivotQuickSort执行开始，首先以 if(left < right) 为条件，只对大小大于等于 2 的区间执行双轴快排。
  2. 以如下语句 令左右两端元素中较小者居左 ，后续以 left 为初始 pivot1 (下标)，right 为初始 pivot2 (下标)，保证 pivot1 为左右两端元素中的较小者。

在程序后续内容中，arr[left]为 pivot1 的值(左轴值)，arr[right] 为 pivot2 的值(右轴值)。

if(arr[left] > arr[right]) {
    swap(arr, left, right);
}

代码

递归快排
三数取中快排
import java.util.Arrays;

public class Main {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        quickSortMedian3(arr);
        System.out.println(Arrays.toString(arr));
    }
    // 三数取中快排
    static int[] quickSortMedian3(int[] arr) {
        if (arr.length < 2) {
            return arr;
        }
        // 后两个参数是下标值
        quickSortMedian3(arr, 0, arr.length - 1);
        return arr;
    }
    static void quickSortMedian3(int[] arr, int left, int right) {
        if (left < right) {
            // 执行median3将左，中，右三数中值放到left位置上
            median3(arr, left, right);

            int pivot = partition(arr, left, right);
            quickSortMedian3(arr, left, pivot - 1);
            quickSortMedian3(arr, pivot + 1, right);
        }
    }
    // 将left, center, right下标三个数中，大小居中者放到left下标处
    static void median3(int[] arr, int l, int r) {
        int center = l + (r - l) / 2;
        // 左中，大者居中
        if (arr[l] > arr[center]) {
            swap(arr, l, center);
        }
        // 中右，大者居右，此时最大者居右
        if (arr[center] > arr[r]) {
            swap(arr, center, r);
        }
        // 左中，大者居左，此时中者居左
        if (arr[center] > arr[l]) {
            swap(arr, l, center);
        }
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
    //　partition方法
    static int partition(int[] arr, int left, int right) {
        int pivot = left, index = pivot + 1;
        // 注意此时right是坐标，要执行到最后一个元素，所以是<=
        for (int i = index; i <= right; i++) {
            if (arr[i] < arr[pivot]) {
                swap(arr, index, i);
                index++;
            }
        }
        // 最后一个小于主轴元素的元素下标是index - 1
        swap(arr, pivot, index - 1);
        return index - 1;
    }
}
随记主轴快排
import java.util.Arrays;
import java.util.Random;

public class Main2 {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        quickSortRandom(arr);
        System.out.println(Arrays.toString(arr));
    }
    // 随机主轴快排
    static int[] quickSortRandom(int[] arr) {
        if (arr.length < 2) {
            return arr;
        }
        // 后两个参数是下标值
        quickSortRandom(arr, 0, arr.length - 1);
        return arr;
    }
    static void quickSortRandom(int[] arr, int left, int right) {
        if (left < right) {
            // 取区间内随机下标，
            // 注意Random().nextInt(int x)方法的使用（含0不含x）
            // 在[left + 1, right]范围内的随机值
            int randomIndex = new Random().nextInt(right - left) + left + 1;
            // 交换随机取得的下标元素与当前起始元素
            swap(arr, left, randomIndex); // arr[left]与它之后的某个数交换
            int pivot = partition(arr, left, right);
            quickSortRandom(arr, left, pivot - 1);
            quickSortRandom(arr, pivot + 1, right);
        }
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
    //　partition方法
    static int partition(int[] arr, int left, int right) {
        int pivot = left, index = pivot + 1;
        // 注意此时right是坐标，要执行到最后一个元素，所以是<=
        for (int i = index; i <= right; i++) {
            if (arr[i] < arr[pivot]) {
                swap(arr, index, i);
                index++;
            }
        }
        // 最后一个小于主轴元素的元素下标是index - 1
        swap(arr, pivot, index - 1);
        return index - 1;
    }
}
朴素快排(首位为主轴)
import java.util.Arrays;

public class Main3 {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        quickSortSimple(arr);
        System.out.println(Arrays.toString(arr));
    }
    // 朴素快排(首位为主轴)
    static int[] quickSortSimple(int[] arr) {
        if (arr.length < 2) {
            return arr;
        }
        // 后两个参数是下标值
        quickSortSimple(arr, 0, arr.length - 1);
        return arr;
    }
    static void quickSortSimple(int[] arr, int left, int right) {
        // 若left == right，
        // 表示此时arr只有一个元素，即为基准情形，完成递归(准确说是完成递进)
        // (尾递归，“回归”过程中不做任何事情）
        if (left < right) {
            int pivot = partition(arr, left, right);
            quickSortSimple(arr, left, pivot - 1);
            quickSortSimple(arr, pivot + 1, right);
        }
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
    //　partition方法
    static int partition(int[] arr, int left, int right) {
        int pivot = left, index = pivot + 1;
        // 注意此时right是坐标，要执行到最后一个元素，所以是<=
        for (int i = index; i <= right; i++) {
            if (arr[i] < arr[pivot]) {
                swap(arr, index, i);
                index++;
            }
        }
        // 最后一个小于主轴元素的元素下标是index - 1
        swap(arr, pivot, index - 1);
        return index - 1;
    }
}
非递归快排（迭代快排）
import java.util.ArrayDeque;
import java.util.Arrays;
import java.util.Deque;

public class Main4 {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        quickSortStack(arr);
        System.out.println(Arrays.toString(arr));
    }
    static int[] quickSortStack(int[] arr) {
        // 用于保存区间左右边界的栈，按right到left的顺序将初始区间界入栈
        Deque<Integer> stack = new ArrayDeque<>();
        stack.push(arr.length - 1);
        stack.push(0);
        // 判断栈是否空，不空则弹出一对left，right界
        while (!stack.isEmpty()) {
            int left = stack.pop(), right = stack.pop();
            // 执行partition的前提是left小于right
            if (left < right) {
            // 加入后续两行实现随机轴快排
                // int randomIndex = new Random().nextInt(right - left) + left + 1; // 在[left + 1, right]范围内的随机值
                // swap(arr, left, randomIndex); // arr[left]与它之后的某个数交换
            // 加入下行实现三数取中快排
                median3(arr, left, right);

                // 对[left, right]区间执行partition方法，得到pivot
                int pivot = partition(arr, left, right);
                // 当前pivot的左区间存在则将该区间right，left界入栈
                if(pivot > left) {
                    stack.push(pivot - 1);
                    stack.push(left);
                }
                // 当前pivot的右区间存在则将该区间right，left界入栈
                if(right > pivot) {
                    stack.push(right);
                    stack.push(pivot + 1);
                }
            }
        }
        return arr;
    }

    // 将left, center, right下标三个数中，大小居中者放到left下标处
    static void median3(int[] arr, int l, int r) {
        int center = l + (r - l) / 2;
        // 左中，大者居中
        if (arr[l] > arr[center]) {
            swap(arr, l, center);
        }
        // 中右，大者居右，此时最大者居右
        if (arr[center] > arr[r]) {
            swap(arr, center, r);
        }
        // 左中，大者居左，此时中者居左
        if (arr[center] > arr[l]) {
            swap(arr, l, center);
        }
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
    //　partition方法
    static int partition(int[] arr, int left, int right) {
        int pivot = left, index = pivot + 1;
        // 注意此时right是坐标，要执行到最后一个元素，所以是<=
        for (int i = index; i <= right; i++) {
            if (arr[i] < arr[pivot]) {
                swap(arr, index, i);
                index++;
            }
        }
        // 最后一个小于主轴元素的元素下标是index - 1
        swap(arr, pivot, index - 1);
        return index - 1;
    }
}
双轴快排

没太看懂

import java.util.Arrays;

public class demo {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        dualPivotQuickSort(arr);
        System.out.println(Arrays.toString(arr));
    }
    static int[] dualPivotQuickSort(int[] arr) {
        if (arr.length < 2) {
            return arr;
        }
        dualPivotQuickSort(arr, 0, arr.length - 1);
        return arr;
    }
    static void dualPivotQuickSort(int[] arr, int left, int right) {
        // 排序对象是right大于left的区间（即大小大于等于2的区间）
        if (left < right) {
            // 令左右两端元素中较小者居左，
            // 以left为初始pivot1，right为初始pivot2
            // 即arr[left]为选定的左轴值，arr[right]为选定的右轴值
            if (arr[left] > arr[right]) {
                swap(arr, left, right);
            }
            // 当前考察元素下标
            int index = left + 1;
            // 用于推进到pivot1最终位置的动态下标，
            // 总有[left, lower)确定在区间1中
            int lower = left + 1;
            // 用于推进到pivot2最终位置的动态下标，
            // 总有(upper, right]确定在区间3中
            int upper = right - 1;
            // [lower, index)确定在区间2中，
            // [index, upper]为待考察区间。

            // upper以右（不含upper）的元素都是确定在区间3的元素
            // 所以考察元素的右界是upper
            while (index <= upper) {
                // 若arr[index] < arr[left]，即arr[index]小于左轴值，
                // 则arr[index]位于区间1
                if (arr[index] < arr[left]) {
                    // 交换arr[index]和arr[lower]，
                    // 配合后一条lower++，保证arr[index]位于区间1
                    swap(arr, index, lower);
                    // lower++，扩展区间1，lower位置向右一位靠近pivot1的最终位置
                    lower++;
                } else if (arr[index] > arr[right]) {
                    // 若arr[index] > arr[right]，
                    // 即arr[index]大于右轴值，则arr[index]位于区间3

                    // 先扩展区间3，使得如下while结束后
                    // upper以右（不含upper）的元素都位于区间3
                    // 区间3左扩不可使index == upper，
                    // 否则之后的第二条upper--将导致upper为一个已经确定了区间归属的元素的位置（即index - 1）
                    while(arr[upper] > arr[right] && index < upper) {
                        upper--;
                    }
                    // 交换arr[index]和arr[upper]，
                    // 配合后一条upper--，保证arr[index]位于区间3
                    swap(arr, index, upper);
                    upper--;
                    // 上述交换后，index上的数字已经改变，只知道此时arr[index] ≤ arr[right]
                    // arr[index]有可能在区间1或区间2，

                    // 若arr[index] < arr[left]，即arr[index]小于左轴值，则arr[index]位于区间1
                    if(arr[index] < arr[left]) {
                        // 交换arr[index]和arr[lower]，配合后一条lower++，保证arr[index]位于区间1
                        swap(arr, index, lower);
                        // lower++，扩展区间1，lower位置向右一位靠近pivot1的最终位置
                        lower++;
                    }
                }
                index++;// 考察下一个数字
            }
            // while(index <= upper)结束后最后一个确定在区间1的元素的下标是lower--，
            // 最后一个确定在区间3的元素下标是upper++。
            lower--;
            upper++;
            // 双轴归位。此时的lower，upper即分别为
            // 最终pivot1(初始时为left)，最终pivot2(初始时为right)。
            swap(arr, left, lower);
            swap(arr, upper, right);
            // 对三个子区间分别执行双轴快排
            dualPivotQuickSort(arr, left, lower - 1); // 区间1
            dualPivotQuickSort(arr, lower + 1, upper - 1); // 区间2
            dualPivotQuickSort(arr, upper + 1, right); // 区间3
        }
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
}

堆排序

将输入数组建立为一个 大顶堆，之后反复取出堆顶并对剩余元素重建大顶堆，将依次取出的堆顶逆序排列，即可将原数组从小到大排列完成排序。

一个直接的想法是在原数组之外新建一个数组保存每次取得的堆顶，这样会有 O(n) 的空间开销，可以用一种称作 **「原地堆排序」**的技巧避免此开销，具体做法如下。

  1. 首先将原待排序数组$arr[]建立为一个大顶堆 (heapify堆化方法)。
  2. 交换堆顶和当前未排序部分中最末尾元素，则堆顶元素已排序（此时在数组最末尾）。
  3. 剩余元素中 只有当前堆顶（之前被交换的末尾元素）可能造成 堆失序，因此只需对堆顶调用一次调整堆序的下滤(siftDown)操作（操作范围为未排序部分），即可恢复未排序部分的堆序。
  4. 重复2，3直到所有元素已排序，返回$arr[]。

上述通过交换堆顶与当前未排序部分末尾元素的做法，避免了额外的空间开销，即 原地堆排序，程序结束后返回的$arr[]为已排序状态。

稳定性：不稳定。

交换可能会破坏稳定性。

堆化方法 (heapify)

将原输入数组看作一棵 完全二叉树(Complete Binary Tree)。根节点下标为0，于是根据完全二叉树的结构性质，任意一个节点(下标为 i )的左子节点下标为 2 * i + 1，右子节点下标为 2 * i + 2，父节点下标为 i / 2。 堆化过程即使得整棵树满足堆序性质，也即任意一个节点大于等于其子节点（大顶堆）。堆化操作总结为一句话就是：对最后一个非叶子节点到根节点，依次执行下滤操作(siftDown)。

从最后非一个叶子开始下滤的原因是此节点之后的节点均为叶子节点，叶子节点无子节点，故其本身已满足堆序性质，也就无下滤的必要（也无法下滤）。每一次下滤使得该节点及其之后的节点都满足堆序性质，直到根节点。

下滤方法(siftDown)

下滤(siftDown)是堆排序的核心方法，在堆排序中用于在程序开始时 创建大顶堆，以及在每次排序堆顶时用于 恢复未排序部分的堆序。

该方法来源于删除堆顶元素操作，先介绍下滤在删除堆顶元素操作中的处理过程。

  • 删除堆顶，堆中元素减1，将当前最后一个元素M暂时置为堆顶。
  • 可以看到，此时影响堆序的只有该堆顶元素,，于是交换其与左右子节点中的较大者。
  • 对元素M重复操作2，直到M再无子节点，堆序恢复。

恢复堆序的过程就是将影响堆序的元素不断向下层移动（并交换）的过程，因此形象地称之为下滤(siftDown)。

※ 注意，此处沿用JDK源码中下滤操作的方法名"siftDown"，sift为过滤之意，网上有的博客文章将其讹误成shift。

可以看到，对节点x的下滤操作的本质是恢复以x为根节点的树的堆序。因此在堆化操作中，只需要分别依次地对最后一个非叶子节点到根节点执行下滤操作，即可使整棵树满足堆序。在排序过程中，每次原地交换后（交换当前堆顶与当前未排序部分最后一个元素），只有新堆顶影响堆序，对其执行 一次 下滤操作（范围为未排序部分）即可使未排序部分重新满足堆序。

复杂度

时间复杂度：原地堆排序的时间复杂度为 O(nlogn)。

建堆时间复杂度: O(n)

原地交换至排序完成时间复杂度：O(nlogn)

于是时间复杂度为 O(nlogn)。最好 / 平均 / 最坏时间复杂度均为 O(nlogn)。

但若考虑数组所有元素均相等，则建堆和原地交换时下滤次数为0，时间复杂度取决于建堆和原地交换时的比较次数，为 O(n)，

空间复杂度：原地对排序算法中只有常数项变量，O(1)。

代码

import java.util.Arrays;

public class demo9 {
    public static void main(String[] args) {
        int[] arr = new int[]{1,56,35,87,26,31,29,87};
        heapSort(arr);
        System.out.println(Arrays.toString(arr));
    }
    static int[] heapSort(int[] arr) {
        if (arr.length < 2) {
            return arr;
        }
        heapify(arr, arr.length - 1); // 构建大顶堆
        for (int i = arr.length - 1; i > 0; i--) { // i > 0即可，无需写成i >= 0，当n - 1个元素排序时，最后一个元素也已排序
            swap(arr, 0, i); // 交换堆顶和当前未排序部分最后一个元素
            // 此时除当前堆顶元素外都是保持堆序的，只需要对该堆顶调用一次下滤操作
            siftDown(arr, 0, i - 1); // i - 1是未排序部分最后一个元素下标，确保下滤不会超过此范围
        }
        return arr;
    }
    // 堆化
    static void heapify(int[] arr, int endIdx) {
        // (endIdx - 1) / 2伪最后一个非叶子节点下标
        for (int hole = (endIdx - 1) / 2; hole >= 0; hole--) {
            siftDown(arr, hole, endIdx);
        }
    }
    // 下滤
    static void siftDown (int[] arr, int hole, int endIdx) {
        int target = arr[hole]; // target是要下滤的节点
        int child = hole * 2 + 1;
        while(child <= endIdx) {
            // 满足第一个条件child < endIdx表示hole有右孩子，
            // 不满足则hole无右孩子，跳过
            
            // 第二个条件arr[child + 1] > arr[child]只在第一个条件成立前提下进行判断
            // （因此不必担心arr[child + 1]越界），
            // 若满足，表示hole有右孩子且右孩子更大，令child为右孩子下标。
            // 因此此if过后使得child是hole的孩子中较大的那个
            if (child < endIdx && arr[child + 1] > arr[child]) {
                child++;
            }
            // 若child大于target，则child上移到当前hole，hole下滤到child位置
            if (arr[child] > target) {
                arr[hole] = arr[child];
                hole = child;
                child = hole * 2 + 1; // 当然也可以写成child = child * 2 + 1
            } else break; // 若无需交换hole与child，说明hole已经满足堆序(无需/无法再下滤)，退出while
        }
        arr[hole] = target; // 将target填入hole中
    }
    static void swap (int[] arr, int i, int j) {
        if (i == j) {
            return;
        }
        arr[i] ^= arr[j];
        arr[j] ^= arr[i];
        arr[i] ^= arr[j];
    }
}

非比较排序

计数排序

计数排序是我们介绍的第一种 非比较排序，通常 适用于整数数组，是一种利用整数特点取得 线性复杂度 的非比较排序方法。假设待排序数组 arr为正整数数组， 朴素 的计数排序过程如下：

  1. 创建一个计数数组 countArr ，其大小为 arr 中的最大值 max再加 1。
  2. 遍历 arr ，每读取一个arr[i] ，直接令countArr[arr[i]]++。
  3. 从下标 1 开始遍历 countArr ，依次输出 counter[i] 个 i ，即为排序结果。

朴素做法有两个明显的缺陷，首先是 无法处理负数，其次是当元素个数较多，但很多相等元素使得元素分布 集中在较小范围 时，max+1 大小的 countArr 中大部分空间是多余的。改进方法很简单，即创建大小为 max - min + 1 的 countArr ，max 和 min 分别是 arr中最大和最小元素。后续代码均会采用该改进。

稳定性：取决于是否采用稳定性优化版本。

采用则稳定，不采用则不稳定，稳定优化方法见后。

稳定性优化

经过上述改进的计数排序仍存在 稳定性缺陷，即通过计数来排序，当遍历到 countArr[i] 时，只是连续地输出 countArr[i] 次 i + min ，稳定性得不到保证。要保证稳定，必须使 先记录的先输出。可以通过对 countArr 进行 变形 来满足稳定性，使得遍历到同一个数字，例如 k 时，能够将不同位置的 k 按他们在 arr 中出现的顺序放入到输出数组中。具体做法如下。

  1. 得到 countArr 后，遍历一次 countArr ，使得每一个 countArr[i] 的值都是从 countArr[0]到 countArr[i] 中值不为 0 的项的值之和（前缀和）。例如对于待排序数组 {5, 5, 4, 4, 1, 1} ，得到大小为 5 - 1 + 1 = 5 的 countArr ，具体为 {2, 0, 0, 2, 2}，表示有两个1，0个2，0个3，2个4，2个5。按照前述方法将其变形为 {2, 0, 0, 4, 6} ，表示 1 的最大位置为第 2 位 (下标为1)， 4 的最大位置为 4 (下标为 3 )， 5 的最大位置为 6 (下标为 5 )。
  2. 在输出排序结果时，新建一个大小等于 arrarr 的 sortedArr 数组，于是 countArr[arr[i] - min] - 1 即为 arr[i] 这个数应当放入 sortedArr 的位置(下标)，即 sortedArr[countArr[arr[i] - min] - 1] = arr[i] ，以倒序从 arr.length 遍历到 0 ，每次向 sortedArr填入一个数字后，令 countArr[arr[i] - min]-- 。遍历结束后得到的 sortedArr 即为 arr的稳定排序结果 (建议实际动手验证这个过程) 。

复杂度分析

时间复杂度：朴素版为 O(max)，max 为原数组中最大值。改进版为 O(n + k)，n 为元素个数， k 计数数组大小。当元素个数较少但最大最小值差值很大时，复杂度取决于 k。

空间复杂度：不考虑输入数组 arr，朴素版的 countArr 的大小为 k+1 ，故空间复杂度为 O(k)。稳定性优化版为 O(n + k)， n 为 sortedArr 的大小，等于 arr 的大小。

代码

不稳定计数排序
public int[] countSortUnstable(int[] arr) {
    if (arr.length < 2) return arr;
    int min = arr[0], max = arr[0];
    for (int i = 1; i < arr.length; i++) {
        min = Math.min(min, arr[i]);
        max = Math.max(max, arr[i]);
    }
    int[] countArr = new int[max - min + 1];
    //每个位置的元素个数
    for (int i = 0; i < arr.length; i++) {
        countArr[arr[i] - min]++;
    }
    int index = 0;
    for (int i = 0; i < countArr.length; i++) { // 遍历countArr
        for (int j = 0; j < countArr[i]; j++) { // countArr[i]可能有多个相同数字
            arr[index] = i + min; // 复用了原输入数组arr
            index++;
        }
    }
    return arr; 
}
稳定计数排序
public int[] countSort(int[] arr) {
    if (arr.length < 2) return arr;
    int n = arr.length, min = arr[0], max = arr[0];
    for (int i = 1; i < n; i++) {
        min = Math.min(min, arr[i]);
        max = Math.max(max, arr[i]);
    }
    int[] countArr = new int[max - min + 1]; // arr最多有max-min+1种数字
    for (int i = 0; i < n; i++) {
        countArr[arr[i] - min]++; // arr[i]的值出现一次，则countArr[arr[i]-min]加1
    }
    for (int i = 1; i < countArr.length; i++) { // 变形
        countArr[i] += countArr[i - 1];
    }
    int[] sortedArr = new int[n]; // 根据sortedArr, nums, countArr三者关系完成sortedArr的输出
    for (int i = n - 1; i >= 0; i--) {
        sortedArr[countArr[arr[i] - min] - 1] = arr[i];
        countArr[arr[i] - min]--;
    }
    return sortedArr;
}

基数排序

非比较排序，「基」指的是数的位，例如十进制数 123，共有百十个位，共 3 个位。基数排序 按数字的位进行循环，每一轮操作都是对当前位（基数）的计数排序，使得输出到 arr后所有数字在截止到当前位上（即去掉未考察的位后）是排序状态，考察完最大位后完成排序。具体过程如下：

  1. 遍历待排序数组 arr，找到最大值，计算其位数，例如 arr 中最大数为 123 ，则 maxDigitLen = 3 。
  2. 数组的数字为 n 进制，就创建大小为 n 的计数数组 countArr，也可以称为 n 个桶。
  3. 开始「位」的 for 循环，循环次数等于 maxDigitLen ，每一轮对 当前所有数字的当前位 执行一次 计数排序。
  4. 每次计数排序结束后将结果写回 arr 。
  5. for 循环结束后返回排序结果 arr 。

也可以不使用计数排序，而是创建一个二维数组（可看作19个桶）保存每次遍历的中间结果，此写法耗费的空间较大 (每个桶的大小都要等于 arr 大小 +1，空间复杂度为 O(19n) )，是稳定排序，不详细说明，可以参考后续给出的代码实现。

  • 以计数排序为基础的基数排序，每一位循环时都对所有数做该位的计数排序。
  • 不以计数排序为基础的基数排序，每一位循环时都将所有数按顺序放入相应的桶中。

稳定性：稳定。

基数排序要求对每一位的排序 (计数排序或非计数排序) 必须是稳定排序，否则无法得到正确结果。例如对 {25,13,24} 执行排序。第一轮针对个位的排序过后得到 {13,24,25}，若对位的排序不稳定，则第二轮针对十位上的 {1,2,2}的排序将可能得到 {13,25,24}，排序结束得到错误结果。因此基于稳定的位排序的基数排序，也一定是稳定的。

代码

以计数排序为基础
public int[] radixSort(int[] arr) {
    if (arr.length < 2) return arr;
    int max = Math.abs(arr[0]); // 找到arr中绝对值最大者
    for (int i = 1; i < arr.length; i++) {
        max = Math.max(max, Math.abs(arr[i]));
    }
    int maxDigitLen = 0, base = 10; // 最大位数 & 基（几进制就是几）
    while (max != 0) {
        maxDigitLen++;
        max /= base;
    }
    // 在接下来的for中，每一轮都对当前位(基数)执行一次计数排序
    int[] sortedArr = new int[arr.length];
    for (int i = 0; i < maxDigitLen; i++) {
        int[] countArr = new int[19]; // 处理负数优化
        // 根据每一个数字当前位的数字，累计相应位置的计数
        for (int j = 0; j < arr.length; j++) {
            // 此步处理要注意，当base大于10时，例如base=100时，1234%100=34
            // 还需要再除以(base/10)，得到的3，然后再+9（考虑负数）才是本次的bucketIdx
            int bucketIdx = (arr[j] % base) / (base / 10) + 9;
            countArr[bucketIdx]++;
        }
        // countArr变形，得到每个下标所代表的arr中的数的当前位在arr中的最大位置（从1开始）
        for (int j = 1; j < countArr.length; j++) {
            countArr[j] += countArr[j - 1];
        }
        // 逆序输出保持稳定性
        for (int j = arr.length - 1; j >= 0; j--) {
            int thisBase = (arr[j] % base) / (base / 10) + 9;
            // countArr[thisBase]得到的从1开始计算的位置，转成下标要-1
            sortedArr[countArr[thisBase] - 1] = arr[j]; 
            countArr[thisBase]--;
        }
        // 完成当前位的计数排序后将排序结果拷贝回原数组
        arr = Arrays.copyOf(sortedArr, sortedArr.length);
        // base进一位，准备下一轮对下一位的计数排序
        base *= 10;
    }
    return arr;
}
不以计数排序为基础
public int[] radixSort(int[] arr) {
    if (arr.length < 2) return arr;
    // 找到arr中绝对值最大者
    int max = Math.abs(arr[0]);
    for (int i = 1; i < arr.length; i++) {
        max = Math.max(max, Math.abs(arr[i]));
    }
    int maxDigitLen = 0, base = 10; // 最大位数 & 基
    while (max != 0) {
        maxDigitLen++;
        max /= base;
    }
    // arr.length + 1的作用是令每个桶的第0位保存该桶的元素个数。
    int[][] buckets = new int[19][arr.length + 1]; // 处理负数优化
    // 在每一位上将数组中所有具有该位的数字装入对应桶中
    for (int i = 0; i < maxDigitLen; i++) {
        for (int j = 0; j < arr.length; j++) {
            // 此步处理要注意，当base大于10时，例如base=100时，1234%100=34
            // 还需要再除以(base/10)，得到的3才是本次的bucketIndex
            int bucketIdx = (arr[j] % base) / (base / 10) + 9; // +9使其可以处理负数
            int currentBucketQuantity = buckets[bucketIdx][0];
            buckets[bucketIdx][currentBucketQuantity + 1] = arr[j];
            buckets[bucketIdx][0]++;
        }
        // 将当前所有桶的数按桶序，桶内按低到高输出为本轮排序结果
        int arrIdx = 0;
        for (int j = 0; j < buckets.length; j++) {
            for (int k = 1; k <= buckets[j][0]; k++) {
                arr[arrIdx++] = buckets[j][k];
            }
        }
        // 每一轮过后将桶计数归零
        for (int[] bucket : buckets) bucket[0] = 0;
        base *= 10; // 调整base
    }
    return arr;
}

桶排序

桶排序将原数组划分到称为 「桶」 的多个区间中，然后对每个桶单独进行排序，之后再按桶序和桶内序输出结果。适合于分布较均匀的数据，具体做法如下。

  1. 根据数据规模按照 一定的方法 将待排序数组arr划分为多个区间，每个区间称作一个桶。
  2. 每个桶可以是数组，也可以是泛型容器，用于保存arr中落在该桶范围内的数。
  3. 对每一个桶都单独排序，需要 以适当的排序 方法支持，例如插入排序，快速排序等。
  4. 所有桶完成排序后，按桶序，桶内序依次输出所有元素，得到arr的排序结果。

稳定性：取决于桶内排序方法的稳定性。

复杂度

时间复杂度：找最大最小值和分配桶均耗费 O(n)，之后的复杂度取决于每个桶内的排序算法复杂度之和。假设有k个桶，且数据分布均匀，若采用 O(n^2)的排序算法，那么总排序时间复杂度为 O(n^2/k)，若采用 O(nlogn) 的排序算法，总排序时间复杂度为 O(k(n/k)log(n/k))，即 O(nlog(n/k))。若桶内排序采用 O(nlogn) 算法，且k的大小适当，例如 k = n/p，p是一个较小的数例如2，3等。那么整体的时间复杂度约为 O(n)。虽然形式上为线性复杂度，但其n的系数较大，未必优于O(nlogn)的排序算法。

当所有元素都被分到同一个桶中，达到最大时间复杂度，为 O(n^2)或 O(nlogn)（取决于桶内排序采用的排序方法）。

空间复杂度：取决于桶的数据结构，若采用静态数组，由于每个桶都需要保证有n个位置，则空间复杂度为 O(kn)，若采用泛型容器，则为 O(n)。

代码

public int[] bucketSort(int[] arr) {
    int min = arr[0], max = arr[0];
    for (int i = 0; i < arr.length; i++) {
        min = Math.min(min, arr[i]);
        max = Math.max(max, arr[i]);
    }
    // 用泛型List存储所有桶，每个桶是一个ArrayList<Integer>，并初始化所有桶。
    // arr.length/3表示设置数组大小三分之一数量的桶
    List<ArrayList<Integer>> buckets = new ArrayList<>(arr.length / 3);
    for (int i = 0; i < arr.length; i++) {
        buckets.add(new ArrayList<>());
    }
    // 遍历arr，根据元素值将所有元素装入对应值区间的桶中
    for (int i = 0; i < arr.length; i++) {
        // (arr[i] - min)/D为arr[i]元素应该装入的桶的下标，间隔D = (max-min)/(arr.length-1)
        // 虽可写成(arr[i] - min)*(arr.length-1)/(max-min)的形式，但当输入数组取值范围较大且元素较多时
        // (arr[i] - min)*(arr.length-1)可能会超过int上限，因此先做除法求出double类型的D
        // 再做一次除法求出bucketIndex，可以避免计算精度不够高带来的问题
        double interval = (double)(max - min) / (double)(arr.length - 1);
        int bucketIdx = (int) ((arr[i] - min) / interval);
        buckets.get(bucketIdx).add(arr[i]);
    }
    // 桶内排序(调用库函数，从小到大)
    for (int i = 0; i < buckets.size(); i++) {
        Collections.sort(buckets.get(i));
    }
    int index = 0;
    for (ArrayList<Integer> bucket : buckets) {
        for (int sortedItem : bucket) {
            arr[index] = sortedItem; // 复用输入数组arr
            index++;
        }
    }
    return arr;
}

原文：

十大排序从入门到入赘 - 力扣（LeetCode）

今日推歌

----《松烟入墨 》

总有一砚风雨，
流连过峰石贫瘠，
夫曰:“曲水流觞，已为陈迹”，
以千古而序。
总有一纸淋漓，
恣意如虬根百曲，
所谓老树迎客，林海奔啼，
分明是墨乡故里。

星回昭以烂
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
拓扑排序算法原理及Java代码实现
weixin_43048780的博客
04-21 2366
一、拓扑排序的概念 对一个有向无环图(Directed Acyclic Graph简称DAG)G进行拓扑排序，是将G中所有顶点排成一个线性序列，使得图中任意一对顶点u和v，若边<u,v>∈E(G)，则u在线性序列中出现在v之前。通常，这样的线性序列称为满足拓扑次序(Topological Order)的序列，简称拓扑序列。 拓扑(ta pu)排序：BFS + 贪心，专门用于解决任务调度、课程顺序问题； 核心元素：入度，即有向图中某个顶点作为终点的次数之和； 二、算法原理 将问题转化为有向图
十大经典排序算法总结（Java实现+动画）
meibenxiang的博客
06-19 5万+
最近在梳理《数据结构与算法》的内容，在网上看了几篇不错的文章，现在根据自己的理解重新整理一下十大经典排序算法。实际生产中，最好的算法一定是结合数据集本身的特点（大小，长度，是否已经基本有序等等）来选择的，不要拘泥于算法本身。 我参考的文章有：https://www.cnblogs.com/guoyaohua/p/8600214.html，https://blog.csdn.net/liang_g...
Java代码实现—冒泡排序
热门推荐
weixin_44580000的博客
05-09 7万+
目录 1、前言 2、冒泡排序 2.1 算法思路 2.2 代码实现过程： 3、代码优化 3.1趟数优化 3.2 循环次数优化 3.3 排序完成优化 4、结语 1、前言 我们书接上回，接着数组中的遗留问题来讲解这节的冒泡排序，干货满满，里面还涉及到代码的优化，希望大家有所收获 2、冒泡排序 冒泡排序思想：给定一个数组，让数组升序 (降序) 排序。 2.1 算法思路 假设排升序： 将数组中相邻元素从前往后依次进行比较，如果前一个元素比后一个元素大，则交换，一趟下来后最大元素就在数.
排序算法总结及Java实现
weixin_53341657的博客
01-06 223
1. 整体介绍 分类 排序大的分类可以分为两种，内排序和外排序。在排序过程中，全部记录存放在内存，则称为内排序，如果排序过程中需要使用外存，则称为外排序。主要需要理解的都是内排序算法： 内排序可以分为以下几类： (1)、插入排序：直接插入排序、二分法插入排序、希尔排序。 (2)、选择排序：简单选择排序、堆排序。 (3)、交换排序：冒泡排序、快速排序。 (4)、归并排序 (5)、基数排序 性能对比 稳定性：就是能保证排序前两个相等的数据其在序列中的先后位置顺序与排序后它们两个先后位置顺序相同。即如果A
排序算法总结及java实现
u014120554的专栏
01-18 464
前面三篇博文分别实现了快速排序：排序算法之快速排序java实现、堆排序：排序算法之堆排序java实现和归并排序：排序算法之归并排序java实现。 本篇博文主要分析常用的几种排序算法。 首先来看一下各个排序算法的复杂度，如下图所示（图片来自百度图片） 1、插入排序 插入排序（Insert Sort），每步将一个待排序的对象，按其排序码大小，茶如道前面已经排好序的一组对
java 算法之快速排序实现代码
08-30
下面是 Java 实现的快速排序算法的代码实现： ```java public static void _quickSort(int[] arr, int left, int right) { if (left >= right) { return; } int low = left; int high = right; int tmp = arr...
java堆排序原理及算法实现
08-30
以下是一个简单的Java堆排序算法实现： ```java public class HeapSort { public void sort(int[] arr) { int n = arr.length; // 构建最大堆 for (int i = n / 2 - 1; i >= 0; i--) { adjustHeap(arr, i, n...
Java实现几种常见排序算法代码
09-05
【Java实现几种常见排序算法代码】的描述中提到了排序的重要性以及分类，下面将详细讲解这些排序算法。 1. **排序算法的意义与稳定度** - 排序是计算机科学中的基本操作，它使得数据组织有序，便于查找、分析和...
详解堆排序算法原理及Java版的代码实现
09-02
总结来说，堆排序是一种基于完全二叉树结构的排序算法，通过构建和调整堆来实现排序。它具有O(N*logN)的时间复杂度和原地排序的特点，适用于处理大规模数据。在实际应用中，根据具体场景选择合适的排序算法至关重要...
Java实现快速排序算法（源代码）
05-07
在Java实现中，快速排序算法通过quickSort方法接收待排序数组和左右索引作为参数，递归地调用partition方法进行数据划分，并分别对划分后的子序列进行排序。partition方法选择数组中的一个元素作为基准，通过比较和...
日常工作记录目录
与海
06-21 16
EasyExcel实现二维码下载与展示
数据结构与算法-差分数组及应用
qq_36115196的博客
06-20 605
差分数组： 其实差分数组是创建一个一个辅助数组，用来表示给定数组的变化，一般用来对数组进行区间修改的操作。
Day43
m0_67496588的博客
06-20 546
JSON，Ajax
Homebrew使用
gghh2015的博客
06-21 119
具体参考：https://blog.csdn.net/m0_67402970/article/details/126434901。简介：https://www.jianshu.com/p/f4c9cf0733ea。2、查看安装路径：brew list maven。官网：https://brew.sh/
【仿真建模-anylogic】FlowchartPort原理解析
zhaoyaxuan001的博客
06-14 426
FlowchartPort是流图组件端口的基类，一般不会直接使用；如果需要自行封装组件库时会用到；FlowchartPort继承Port类，并定义了一系列抽象函数；用于输入端口判定此刻是否不能接收Agent。用于输出端口判定是否有Agent准备离开。判定端口是否发生错误。
Javase.认识异常
最新发布
Joseit的博客
06-21 692
在Java开发中，异常处理是确保程序稳定性和可靠性的关键环节。这篇blog深入解析了Java异常的概念、体系、处理策略及自定义异常类。它介绍了异常的基本概念与分类，详细阐述了异常抛出、捕获与处理的最佳实践，包括防御式编程策略、try-catch结构的使用、以及finally块在资源清理中的作用。此外，还涵盖了自定义异常类以满足特定业务需求的重要性。通过学习本blog，读者可以深入理解Java异常处理机制，提升代码质量。
高通Android 12/13 Launcher3修改RecentView与屏幕方向保持一致
qq_15950325的博客
06-18 328
最近同事遇到一个需求说，recentview应用预览与屏幕方向不一致，问题，于是加了一些日志，实现此需求。3、最后展示RecentView与屏幕方向保持一致。2、源码修改diff如下所示。源码修改路径汇总如下。
java-System 概述 2
weixin_41247813的博客
06-18 799
模块化和高内聚性是设计优良系统的重要原则。`System`类通过`setSecurityManager`和`getSecurityManager`方法允许设置和获取当前的安全管理器（Security Manager）。`System`类中的许多方法（例如`currentTimeMillis`和`arraycopy`）都是通过类似的机制实现的。- **使用`arraycopy`进行数组拷贝**：与手动循环相比，`System.arraycopy`方法在性能上更优，因为它是本地实现的，直接操作内存。
什么是try-catch?
qq_60504665的博客
06-18 400
try-catch是编程中用于处理异常（errors 或 exceptions）的一种结构，特别是在许多编程语言中，如 JavaScript、Java、C#、Python（尽管 Python 的语法略有不同）等。它的主要目的是在代码执行过程中捕获并处理运行时错误，从而防止程序因未处理的异常而意外终止。以下是try-catch。
Java 代码实现快速排序算法
02-24
Java代码实现快速排序算法的基本思想是：通过一趟排序将要排序的数据分割成独立的两部分，其中一部分的所有数据都比另外一部分的所有数据都要小，然后再按此方法对这两部分数据分别进行快速排序，整个排序过程可以...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

星回昭以烂

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值