04算法-快速排序（深入分析）

abstract

本文是对快速排序算法的深入分析，主要讲解了快速排序算法的基本原理，时间复杂度分析以及如何去改进的快排算法，本文提供快排的伪代码，以及用Golang实现的具体代码。
这里补充一下一般算法设计的思路，首先根据问题分析建模，设计最初版本的代码，分析代码的running time，然后找到问题所在，解决问题。这样的。

the idea of algorithm

快速排序算法是典型的使用分治法设计的算法，算法主要分为：
divide：key这是快排的关键，
conquer：recursive sort 2 part
combine：这部分不做什么，因为快排不像merge sort没有消耗而外的空间
实现快排的关键就是在线性的时间，完成对子数组的分割

common quick sorting

我们先开快排的伪代码

//其中分割函数
partition(A, p, q)
	X <- A[p]  
	curr <- p
	for j <- p+1 to q
		do if A[j] <= X 
			then curr <- curr+1
				exch A[curr] A[j]
	exch A[p] A[curr]
	return curr

//对于combine部分
quickSort(A, p, q)
	if p < q then
		mid <- partion(A, p, q)
		quickSort(A, p, mid-1)
		quickSort(A, mid+1, q)

使用GO实现的代码如图所示：

func partition(A []int, left, right int)  int{
	midNum := A[left]
	startFLag := left
	for i := left+1; i <=right; i++{
		if A[i] <= midNum{
			startFLag++
			A[i], A[startFLag] = A[startFLag], A[i]
		}
	}
	A[left], A[startFLag] = A[startFLag], A[left]
	return startFLag
}

func QuickSort(A []int, left

 - [ ] List item

, right int)  {
	if right > left{
		mid := partition(A, left, right)
		QuickSort(A, left, mid-1)
		QuickSort(A, mid+1, right)
	}
}

下面说一下时间复杂度

上述算法的运行时间是取决于输入数据的情况。
我们来考虑==最好的情况（卵用没有）==假设每次选择的数据都会置换到当前数据段的中心，那递归公式为$T(n)=2T(n/2)+\Theta (n)$ 所以其running time为$\Theta (nlgn)$
我们考虑最坏的情况，每次置换过后的位置都是$left+1$，那递归公式就是$T(n)=T(0)+T(n-1)+\Theta (n)$所以其running time为$\Theta (n^2)$
对于一个普通的情况，一般会偏向于好的情况一点，但是这种程度的算法是达不到实际使用需求的。

rand quick sorting

考虑到上面的问题，我们需要改进快速排序算法，其中最容易想到的是：将挑选的元素随机话。

func randPartition(A []int, left, right int)  int{
	key := int(rand.Int63n(int64(right-left))) + left
	A[left], A[key] = A[key], A[left]

	midNum := A[left]
	startFLag := left
	for i := left+1; i <=right; i++{
		if A[i] <= midNum{
			startFLag++
			A[i], A[startFLag] = A[startFLag], A[i]
		}
	}
	A[left], A[startFLag] = A[startFLag], A[left]
	return startFLag
}

其中随机话处理的代码如上所示。这样处理能够带来什么样的好处了。这样能保证算法的$runningtime<=anlgn$
下面是纯数学分析，如果不想了解太深，完全没有必要看
在证明上面的结论上，需要使用到一个定律${\sum }_{k=2}^{n-1}klgk<=\frac{1}{2}{n}^{2}lgn-\frac{1}{8}{n}^2$
首先定义了一个这样的概率分布函数$x_k=1(ifthereisapartitionk:n-k-1)and{x}_k=0(other)$
对于T(n)这个函数，它的表现形式就可以写成 T ( n ) = ∑ k = 2 n − 1 x k { T ( k ) + T ( n − k − 1 ) + Θ ( n ) } T(n)=\sum_{k=2}^{n-1}{x_k\{T(k)+T(n-k-1)+\Theta(n)\}} T(n)=∑k=2n−1​xk​{T(k)+T(n−k−1)+Θ(n)}式中可以不考虑k=0和1的情况。
根据独立分布的特性可以推导为 E ( T ( n ) ) = 2 n ∑ k = 2 n − 1 { T ( k ) + Θ ( n ) } E(T(n))={\frac 2n}\sum_{k=2}^{n-1}{\{T(k)+\Theta(n)\}} E(T(n))=n2​∑k=2n−1​{T(k)+Θ(n)}
即$E(T(n))=\frac{2}{n}{\sum }_{k=2}^{n-1}T(k)+\Theta (n)$
再用代换法加上上面给出的定理来证明：
假设$<=\frac{2}{n}{\sum }_{k=2}^{n-1}aklgk+\Theta (n)$
$<=\frac{2a}{n}(\frac{1}{2}{n}^{2}lgn-\frac{1}{8}{n}^2)+\Theta (n)$
$<=anlgn-\frac{a}{4}n+\Theta (n)$
so when $\frac{a}{4}n>\Theta (n)$, the next is proved
$<=anlgn$