数据结构（Java）学习笔记——知识点：排序算法（一）

排序算法的学习分为三个部分：
数据结构（Java）学习笔记——知识点：排序算法（一）
数据结构（Java）学习笔记——知识点：排序算法（二）
数据结构（Java）学习笔记——知识点：排序算法（三）

十、排序算法（Sort Algorithm）

1、排序分类

 1）内部排序
　内部排序指将所有要处理的数据都加载到内存存储器中进行排序。
　
　2）外部排序
　当数据量过大的时候，内存装不下了，就需要用到外部存储器进行排序。
　那么常见的排序有哪些呢？
　

2、算法的时间复杂度

1）度量一个程序（算法）执行时间的两种方法

a、事后统计法

 通过直接运行程序，来统计算法的执行时间，并且在同一计算机环境下对两种算法进行比较，用时最短的就算法就是彳亍。

b、事前估算法

 通过分析算法的时间复杂度来判断哪个算法更优。

2）时间频度

 在一个算法中，花费的时间和算法执行语句的数量成正比，也就是代码量行数越多，执行的时间越长。一个算法中语句执行次数称为语句频度或时间频度。记为T(n)。
　举例：计算1-100所有数字之和，有两种算法。

 a、第一种

int total = 0;
int end = 100;
//for循环
for(int i = 1; i <= end; i++){
	total += i;
}

 这种时间复杂度就是T(n) = n + 1，也就是101，为什么不是100而是101呢？那是因为，当 i = 100 的时候，还是要进行 i <= end 的判断。即使判断结果是假，但是判断还是进行了，所以时间复杂度是101。

 b、第二种（像不像等差数列求和公式）

int total = 0;
int end = 100;
//直接计算
total = (1 + end) * end / 2;

 这种时间复杂度就是T(n) = 1，因为只执行了一行语句，就结束了计算。

时间复杂度的特点：

 第一：忽略常数项

 由图可见，2n+20 和 2n 会随着 n 的逐渐变大，中间20的差值已经非常小了，所以可以忽略不计。3n+10 和 3n 中间差10，当 n 无限大的时候，20可以忽略不记。就像做数学极限题的时候的抓大头一样。

 第二：忽略低次项
 和上面的理解方法一样。抓大头，高次项的增速远大于一次项。

 第三：忽略系数

 如图，平方项两种算法时间复杂度曲线逐渐重合，但是立方项却逐渐分离。所以低次项不用过多考虑系数问题，越高次差距越明显。

3）时间复杂度

 一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用 T(n) 表示，如果有某个辅助函数 f(n) ，当 n 趋近于无穷大时，T(n) / f(n) 的极限值是一个不为 0 的常数，则称 T(n) 和 f(n) 是同等数量级的函数（同阶无穷小）。记作 T(n) = O( f(n) )，O( f(n) )就是算法的渐进时间复杂度，简称时间复杂度。
 T(n) 不相同，但是时间复杂度有可能相同。

计算时间复杂度的方法：

 a、用常数1代替运行时间种的所有加法常数
 b、修改后的运行次数函数中，只保留最高阶的项
 c、去掉最高阶项的系数

 算法的效率和它对应的时间复杂度的函数增速是成反比的，所以应该避免指数函数类型的时间复杂度。

常见的时间复杂度：

 1、常数阶 O(1)
 2、对数阶 O(log₂n)

	int i = 1;
	while(i < n){
		i = i * 2;
	}

 在while循环里，当n = 1024时，实际上while执行了log₂1024 = 11次。所以这个算法的时间复杂度就是11。
 3、线性阶 O(n)

	for(int i = 1; i <= n; ++i){
		j = i;
		j++;
	}

 在for循环中，不管 n 的值为多少，这段代码都是随着 n 的变化而变化的。
 4、线性对数阶 O(nlog₂N)

	for(int m = 1; m < n; m++){
		i = 1;
		while(i < n){
			i = i * 2;
		}
	}

 实际上就是把时间复杂度为log₂N的代码段执行了 n 遍。
 5、平方阶 O(n²)

	for(int x = 1; i <= n; x++){
		for(i = 1; i <= n; i++){
			j = i;
			j++;
		}
	}

 平方阶其实就是把 O(n) 的代码再嵌套循环 n 遍。
 6、立方阶 O(n³)、K次方阶 O(n^k)
 参照上面的理解，层层嵌套循环。

平均时间复杂度和最坏时间复杂度：

 平均时间复杂度：是指所有可能的输入实例均以等概率出现的情况下，该算法的运行时间。
 最坏时间复杂度：我们一般都用最坏时间复杂度，因为这个值是一个边界值，没有比这个数值更大（更坏）的情况出现了。

排序法	平均时间	最差情形	稳定度	额外空间	备注
冒泡	O(n2)	O(n2)	稳定	O(1)	n小时较好
交换	O(n2)	O(n2)	不稳定	O(1)	n小时较好
选择	O(n2)	O(n2)	不稳定	O(1)	n小时较好
插入	O(n2)	O(n2)	稳定	O(1)	大部分已排序时较好
基数	O(logRB)	O(logRB)	稳定	O(n)	B是真数，R是基数
Shell	O(nlogn)	O(ns) 1<s<2)	不稳定	O(1)	s是所选分组
快速	O(nlogn)	O(n2)	不稳定	O(nlogn)	n大时较好
归并	O(nlogn)	O(nlogn)	稳定	O(1)	n大时较好
堆	O(nlogn)	O(nlogn)	不稳定	O(1)	n大时较好

4）空间复杂度（Space Complexity）

基本介绍

 类似于时间复杂度的讨论，一个算法的空间复杂度定义为该算法所消耗的存储空间，它也是问题规模n的函数。
 空间复杂度是对一个算法在运行时，临时占用存储空间大小的度量。例如：快速排序和归并排序算法就是属于会占用较多存储单元的情况。
 在做算法分析时，主要讨论时间复杂度，而对于缓存产品像redis时，其实就是用空间交换时间。