关于冒泡排序

            闲来无事自己写的冒泡排序，感觉几分钟就可以写完的，结果不熟练Java用法花了半个多小时，最开始写的：

     package testjson;


import org.junit.Test;


public class maopao {
private int i;
private int j;
@Test
public void mp() {
int temp;
int[] score = {11,8,0,4, 2, 6, 3, 7, 1,33,22,24,14,16,15 };


for(int str1 : score){
   System.out.print(str1+",");
   }
for (i = 0; i < score.length; i++) {
for(j = 0; j < score.length-1 ; j++){   

if(score[j]<score[j+1]){   
temp = score[j];
score[j] = score[j+1];
score[j+1] = temp;
//System.out.println(j);

}
}
}
System.out.println("排序完成后的结果：");
for(i=0;i<score.length;i++){
   System.out.print(score[i]+",");
   }


}


}

结果是对的；但是感觉有点太简单了，于是改成下边的：

package testjson;


import org.junit.Test;


public class maopao {
private int i;
private int j;
@Test
public void mp() {
int temp;
int[] score = {11,8,0,4, 2, 6, 3, 7, 1,33,22,24,14,16,15 };


for(int str1 : score){
   System.out.print(str1+",");
   }
for (i = 0; i < score.length-1; i++) {
for(j = i+1; j < score.length ; j++){   //这是小梅帮忙改进之后 ，我之前写的那个是i=0;循环，j=0,再全体循环是效率最差的

if(score[j]<score[i]){   
temp = score[j];
score[j] = score[i];
score[i] = temp;
//System.out.println(j);

}
}
}
System.out.println("排序完成后的结果：");
for(i=0;i<score.length;i++){
   System.out.print(score[i]+",");
   }


}


}

立马感觉效率提高了不少，时间复杂度好像提高了，BUT，这个算法并不是冒泡排序，而是直接选择排序，它们的时间复杂度一样都是O（n^2）

以下是百度找出来的内容对理解很有帮助：

1，简单排序和直接选择排序的区别：

     冒泡是从第一个数开始，往下每两个数进行比较，如果后面闭前面小，就调换位置，这样一趟下来就将最大的放到最后，如排序：8 5 2 7 第一趟结果：5 2 7 8（注意没相邻的两个数都有进行比较，符合后面比前面小的都有交换） 选择排序是将第一个数和后面的每个数进行比较，如果后面的比前面小，就两个数调换位置，最后就将最小的数放在最前面 如排序：8 5 2 7 第一趟结果 2 5 8 7（注意，它是后面的每个数和第一个数比较）

2，时间复杂度的求法：

对于这些算法
(1)   for(i=1;i<=n;i++)
for(j=1;j<=n;j++)
s++;

(2)   for(i=1;i<=n;i++)
for(j=i;j<=n;j++)
s++;

(3)   for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
s++;

(4)   i=1;k=0;
while(i<=n-1){
k+=10*i;
i++;
}

(5)   for(i=1;i<=n;i++)
for(j=1;j<=i;j++)
for(k=1;k<=j;k++)
x=x+1;

对应的时间复杂度为：

1.时间复杂度O(n^2)
2.时间复杂度O(n^2)
3.时间复杂度O(n^2)
4.时间复杂度O(n)
5.时间复杂度O(n^3)

一般来说，时间复杂度是总运算次数表达式中受n的变化影响最大的那一项(不含系数)
比如：一般总运算次数表达式类似于这样：
a*2^n+b*n^3+c*n^2+d*n*lg(n)+e*n+f
a<>0时，时间复杂度就是O(2^n);
a=0,b<>0 =>O(n^3);
a,b=0,c<>0 =>O(n^2)依此类推

那么，总运算次数又是如何计算出的呢？
一般来说，我们经常使用for循环，就像刚才五个题，我们就以它们为例
1.循环了n*n次，当然是O(n^2)
2.循环了(n+n-1+n-2+...+1)≈(n^2)/2，因为时间复杂度是不考虑系数的，所以也是O(n^2)
3.循环了(1+2+3+...+n)≈(n^2)/2,当然也是O(n^2)
4.循环了n-1≈n次，所以是O(n)
5.循环了(1^2+2^2+3^2+...+n^2)=n(n+1)(2n+1)/6(这个公式要记住哦)≈(n^3)/3，不考虑系数，自然是O(n^3)

另外，在时间复杂度中，log(2,n)(以2为底)与lg(n)(以10为底)是等价的，因为对数换底公式：
log(a,b)=log(c,b)/log(c,a)
所以，log(2,n)=log(2,10)*lg(n),忽略掉系数，二者当然是等价的

看到这应该就彻底明白了

下边来个辅助资料，也是百度来的

时间复杂度
时间频度
一个算法执行所耗费的时间，从理论上是不能算出来的，必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试，只需知道哪个算法花费的时间多，哪个算法花费的时间少就可以了。并且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。记为T(n)。

计算方法
1. 一般情况下，算法的基本操作重复执行的次数是模块n的某一个函数f（n），因此，算法的时间复杂度记做：T（n）=O（f（n））
分析：随着模块n的增大，算法执行的时间的增长率和f（n）的增长率成正比，所以f（n）越小，算法的时间复杂度越低，算法的效率越高。
2. 在计算时间复杂度的时候，先找出算法的基本操作，然后根据相应的各语句确定它的执行次数，再找出T（n）的同数量级（它的同数量级有以下：1，Log2n ，n ，nLog2n ，n的平方，n的三次方，2的n次方，n！），找出后，f（n）=该数量级，若T(n)/f(n)求极限可得到一常数c，则时间复杂度T（n）=O（f（n））

例：算法：
for（i=1;i<=n;++i）
{
for(j=1;j<=n;++j)
{
c[ i ][ j ]=0; //该步骤属于基本操作 ，执行次数：n的平方 次
for(k=1;k<=n;++k)
c[ i ][ j ]+=a[ i ][ k ]*b[ k ][ j ]; //该步骤属于基本操作 ，执行次数：n的三次方 次
}
}
则有 T（n）= n的平方+n的三次方，根据上面括号里的同数量级，我们可以确定 n的三次方 为T（n）的同数量级
则有f（n）= n的三次方，然后根据T（n）/f（n）求极限可得到常数c
则该算法的 时间复杂度：T（n）=O（n^3） 注：n^3即是n的3次方。
3.在pascal中比较容易理解，容易计算的方法是：看看有几重for循环，只有一重则时间复杂度为O（n）,二重则为O（n^2），依此类推，如果有二分则为O(logn)，二分例如快速幂、二分查找，如果一个for循环套一个二分，那么时间复杂度则为O(nlogn)。

分类
按数量级递增排列，常见的时间复杂度有：
常数阶O(1),对数阶O(log2n),线性阶O(n),
线性对数阶O(nlog2n),平方阶O(n^2)，立方阶O(n^3),...，
k次方阶O(n^k), 指数阶O(2^n) 。随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低