排序也叫排序算法,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。
3)常见的排序算法分类:
内部排序:
(1)插入排序:直接插入排序、希尔排序
(2)选择排序:简单选择排序、堆排序
(3)交换排序:冒泡排序、快速排序
(4)归并排序、基数排序
我们先回顾知识点: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,那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)。
,其中的常数项、低次项、系数都可以忽略。
时间复杂度:
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0的长树,则称f(n)时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)=n^2+7n+6与T(n)=3n^2+2n+2,它们的T(n)不同,但时间复杂度相同,都为O(n^2)
3)计算时间复杂度的方法:用常数1代替运行时间中的所有加法常数;修改后的运行次数函数中,只保留最高阶项;去除最高阶项的系数。
常见的时间复杂度:
1)常数阶:O(1)
2)对数阶:O(log2 n)此处2为底数
3)线性阶:O(n)
4)线性对数阶:O(n log2 n)
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)
说明:常见的算法时间复杂度由小到大依次为:O(1)<O(log2 n)<O(n)<O(n log2 n)<O(n^2)<O(n^3)<O(n^k)<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。应该尽量避免使用指数阶的算法。
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最欢时间复杂度。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,如图:
排序法 | 平均时间 | 最差情形 | 稳定度 | 额外空间 | 备注 |
---|---|---|---|---|---|
冒泡 | O(n^2) | O(n^2) | 稳定 | O(1) | n小时比较好 |
交换 | O(n^2) | O(n^2) | 不稳定 | O(1) | n小时比较好 |
选择 | O(n^2) | O(n^2) | 不稳定 | O(1) | n小时比较好 |
插入 | O(n^2) | O(n^2) | 稳定 | O(1) | 大部分已排序时比较好 |
基数 | O(logR B) | O(logR B) | 稳定 | O(n) | B是真数(0-9) R是基数(个十百) |
希尔 | O(n logn) | O(n^s) 1<s<2 | 不稳定 | O(1) | s是所选分组 |
快速 | O(n logn) | O(n^2) | 不稳定 | O(n logn) | n大时比较好 |
归并 | O(n logn) | O(n logn) | 稳定 | O(1) | n大时比较好 |
堆 | O(n logn) | O |