数据结构与算法单排日记-2020/3/21-排序算法-简介 & 复杂度

一. 简介

排序也称排序算法(Sort Algorithm)，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：

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。
外部排序法： 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。

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：
   这种方法可行, 但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素, 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。
2. 事前估算的方法：
   通过分析某个算法的时间复杂度来判断哪个算法更优.

二. 算法的时间复杂度

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。记为T(n)。

例子：

比如计算1-100所有数字之和, 我们设计两种算法：

T[N] = n + 1 （100次计算，多一次判断）

T[N] = 1

时间复杂度特点

• 忽略常数项
• 忽略低次项
• 忽略系数

计算时间复杂度的方法：

Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。

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

1)常数阶

• 无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)
  

2)对数阶O(log2n)

• 在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log2n也就是说当循环 log2n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log2n) 。
  O(log2n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log3n) .
  

3)线性阶O(n)

• 单纯的for循环，无嵌套
  
  这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度

4)线性对数阶O(nlogN)

• 将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)
  

5)平方阶O(n²)

• 2个for循环嵌套

6)立方阶O(n³)、K次方阶O(n^k)

• 3个for循环嵌套，n个for循环嵌套