一文弄懂快速选择算法（Quickselect）

以下是一个使用C++实现的 快速选择算法（Quickselect） 示例，用于在未排序数组中高效查找第k小的元素，基于分治策略并优化了快速排序的分区过程：

#include <iostream>
#include <vector>
#include <ctime>
using namespace std;

// 分区函数（Lomuto分区方案）
int partition(vector<int>& nums, int left, int right) {
    int pivot = nums[right];  // 选择最后一个元素作为基准
    int i = left - 1;         // 指向小于基准的区域的右边界
    
    for (int j = left; j < right; ++j) {
        if (nums[j] <= pivot) {
            swap(nums[++i], nums[j]);  // 将较小元素交换到左侧
        }
    }
    swap(nums[i+1], nums[right]);      // 将基准放到正确位置
    return i + 1;                      // 返回基准的最终位置
}

// 快速选择递归实现
int quickSelect(vector<int>& nums, int left, int right, int k) {
    if (left == right) return nums[left];  // 基准情形
    
    // 随机选择基准优化（避免最坏情况）
    int random = left + rand() % (right - left);
    swap(nums[random], nums[right]);
    
    int pivotIndex = partition(nums, left, right);
    
    if (k == pivotIndex) {
        return nums[k];
    } else if (k < pivotIndex) {
        return quickSelect(nums, left, pivotIndex - 1, k);
    } else {
        return quickSelect(nums, pivotIndex + 1, right, k);
    }
}

int main() {
    srand(time(0));  // 初始化随机种子
    vector<int> nums = {3, 2, 1, 5, 6, 4};  // 测试数组
    int k = 2;  // 查找第2小的元素（索引从0开始）

    int result = quickSelect(nums, 0, nums.size() - 1, k);
    
    cout << "数组元素：";
    for (int num : nums) cout << num << " ";
    cout << "\n第" << k+1 << "小的元素是：" << result << endl;

    return 0;
}

---

算法核心思想演示（图书馆找书场景）

想象场景：图书馆有未排序的书堆（数组），需要快速找到第k薄的书（第k小元素），但不想花时间整理全部书籍

1. 随机抽检

   • 随便选一本书（随机基准）作为厚度参考
   • 将更薄的书放左边，较厚的放右边（分区操作）

2. 智能筛选

   • 若目标书在左边区域：只关注左边
   • 若在右边区域：只关注右边
   • 重复直到找到目标

示例过程（k=2即第3小）：
初始书堆：[3,2,1,5,6,4] → 随机选4号书（厚度6）  
分区后：[3,2,1,5,4 |6] → 目标在左区  
继续处理左区[3,2,1,5,4] → 随机选2号书（厚度1）  
分区后：[1 |2,3,5,4] → 目标在右区  
最终找到第3小元素：3

---

算法三步走

1. 随机基准选择
   swap(nums[random], nums[right]) 避免最坏时间复杂度

2. 分区重组

   • 基准左侧全为更小元素
   • 基准右侧全为更大元素

3. 递归筛选

   • 根据基准位置决定处理左/右分区
   • 直到基准位置等于k索引

---

执行结果

数组元素：3 2 1 5 6 4 
第3小的元素是：3

---

算法特性

特性	说明
时间复杂度	平均O(n)，最坏O(n²)（随机优化后概率极低）
空间复杂度	O(1) 原地操作
优势	比完全排序快，无需额外内存
适用场景	大数据量Top K问题、中位数计算

---

关键代码解析

1. 随机基准选择

   int random = left + rand() % (right - left);
   swap(nums[random], nums[right]);
   

   通过随机化避免有序数组的最坏情况

2. 递归筛选逻辑

   if (k == pivotIndex) return nums[k];  // 找到目标
   else if (k < pivotIndex) ...        // 处理左区
   else ...                            // 处理右区
   

3. 分区优化
   使用Lomuto分区方案，比Hoare方案更易理解

---

实际应用场景

1. 成绩分析：快速找到年级第100名的分数
2. 数据监控：实时获取传感器数据的中位数
3. 金融系统：确定交易金额的百分位数
4. 机器学习：选择特征值的中位数进行数据分割