一. 排序算法的介绍
- 概述:排序也称排序算法,排序是将一组数据,依指定的顺序进行排列的过程。
- 排序的分类
(1) 内部排序:指将需要处理的所有数据都加载到内部存储器中进行排序。
(2) 外部排序:数据量过大,无法全部加载到内存中,需要借助外部存储进行排序。
二. 时间复杂度的相关概念
-
度量一个程序(算法)执行时间的两种方法。
(1) 事后统计的方法
(2) 事前估算的方法 -
时间频度的介绍。
时间频度:一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。
-
时间复杂度的基本介绍。
(1) 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,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n) / f(n) 的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作 T(n)=O( f(n) ),称O( f(n) ) 为算法的渐进时间复杂度,简称时间复杂度。
(2) T(n) 不同,但时间复杂度可能相同。 如:T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同,但时间复杂度相同,都为O(n²)。 -
计算时间复杂度的方法。
(1)用常数1代替运行时间中的所有加法常数。 T(n)=n²+7n+6 => T(n)=n²+7n+1
(2)修改后的运行次数函数中,只保留最高阶项。 T(n)=n²+7n+1 => T(n) = n²
(3)去除最高阶项的系数。 T(n) = n² => T(n) = n² => O(n²) -
常见的时间复杂度(从小到大排列)。
(1)常数阶O(1)
(2)对数阶O(log2n)
(3)线性阶O(n)
(4)线性对数阶O(nlog2n)
(5)平方阶O(n^2)
(6)立方阶O(n^3)
(7)k次方阶O(n^k)
(8)指数阶O(2^n) -
平均时间复杂度和最坏时间复杂度。
(1) 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。
(2) 最坏情况下的时间复杂度称为最坏时间复杂度。一般讨论的时间复杂度均是最坏情况下的时间复杂度。 这样做的原因是:最坏情况下的时间复杂度是算法在任何输入实例上运行时间的界限,这就保证了算法的运行时间不会比最坏情况更长。
(3) 平均时间复杂度和最坏时间复杂度是否一致,和算法有关,如下图:
三. 空间复杂度简介
- 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耗费的存储空间,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过程中临时占用存储空间大小的量度。有的算法需要占用的临时工作单元数与解决问题的规模n有关,它随着n的增大而增大,当n较大时,将占用较多的存储单元,例如快速排序和归并排序算法就属于这种情况。
- 在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。一些缓存产品(redis, memcache)和算法(基数排序)本质就是用空间换时间。
四. 常用排序算法的时间复杂度对比
- 对比图如下:
- 相关术语解释。
(1) 稳定:如果a原本在b前面,而a=b,排序之后a仍然在b的前面。
(2) 不稳定:如果a原本在b的前面,而a=b,排序之后a可能会出现在b的后面。
(3) 内排序:所有排序操作都在内存中完成。
(4) 外排序:由于数据太大,因此把数据放在磁盘中,而排序通过磁盘和内存的数据传输才能进行。
(5) 时间复杂度: 一个算法执行所耗费的时间。
(6) 空间复杂度:运行完一个程序所需内存的大小。
(7) n: 数据规模。
(8) k: “桶”的个数。
(9) In-place: 不占用额外内存。
(10) Out-place: 占用额外内存。