数据结构和算法 Java版本（14）排序算法和时间复杂度

数据结构和算法（14）排序算法和时间复杂度

排序算法介绍

排序也称排序算法（Sort Algorithm），排序是将一组数据，依照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（内存）中进行排序

2）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（文件 等）进行排序。

3）常见的排序算法分类

算法的时间复杂度

度量一个程序（算法）执行时间的两种方法

1）事后统计法

这种方法可行，但是有两个问题：一是要想对设计的算法进行性能评测，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，才能比较哪个算法速度更快。

2）事前估计法

通过分析某个算法的时间复杂度来判断哪个算法更优

时间频度

基本介绍：

时间频度：一个算法话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，它花费时间就越多，一个算法中的语句执行次数称为语句频度或者时间频度，记为T(n).

算法的时间复杂度可以忽略常数项。

算法的时间复杂度可以忽略低次项。

算法的时间复杂度可以忽略系数项。

时间复杂度

1.一般情况下，算法中的基本语句操作的语句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趋于无穷大时，T(n)/f(n)的极限值为不等于0的常熟，则称f(n)是T(n)的同数量级函数，记作T(n)=O（T(n)）称O（T(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

3.计算时间复杂度的方法：

• 用常熟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

• 常见的算法时间复杂度从小到大依次为O（1）<O（log2n）<O（n）<O（nlogN）<O（n²）<O（n³）<O（n^k）<O(2n),随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越来越低
• 从图中我们可以看见，我们应该尽可能避免使用指数阶的算法

1）常数阶O（1）

int i=1;
int j=2;
++i;
j++;
int m= i+j;

说明：无论代码执行了多少行，只要没有循环等复杂结构，那么这个代码的时间复杂度就行O（1）

2）对数 阶O（log2n）

int i=1;
while(i<n){
	i=i*2;
}

说明：在while循环里面，每次都将i称2，i距离n越来越近，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啦，因此这个代码的时间复杂度为O（log2n），O（log2n）这个时间是根据代码变化的i=i*3则是O（log3n）

3）线性阶O（n）

for(i = 1; i<=n;++i){
	j=i;
	j++;

}

说明：for循环里面的的代码会执行n遍，因此它消耗的时间是随着n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）

for(m=1;m<n;m++){
	i=1;
	while(i<n){
	 	i=i*2;
	}
}

说明：线性对数阶O（nlogN）其实非常容易理解，将时间复杂度为O（logn）的代码循环n遍的话，它的时间复杂度就是n*O（logn），也就是O（logN）

5. 平方阶O（n²）

for(x=1;i<=n;x++){
	for(i=1; i<=n; i++){
		j=i;
		j++;
	}
}

说明：平方阶O（n²）就更容易理解了，如果遍O（n）的代码再嵌套循环一遍，它的时间复杂度就是O（n²），这段代码其实就是嵌套了2层循环，它的时间复杂度就是O（n*n），即O（n²）如果将其中的一层循环的n改成m，那它的时间复杂度就变成了O（m *n）

6）立方阶O（n³），k次方阶O（n^k）

说明：参考上面的O（n²）去理解就好了，O（n³）相当于三层n循环，其他的类似

算法的时间复杂度

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）最坏的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的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

排序法	平均时间	最差情形	稳定度	额外空间	备注
冒泡	O（n²）	O（n²）	稳定	O（1）	n小时比较好
交换	O（n²）	O（n²）	不稳定	O（1）	n小时比较好
选择	O（n²）	O（n²）	不稳定	O（1）	n小时比较好
插入	O（n²）	O（n²）	稳定	O（1）	大部分已排序时比较好
基数	O(logrB)	O(logrB)	稳定	O（n）	B是真数(0-9)R是基数(个十百)
Shell	O(nlogn)	O(nlogn)	不稳定	O（1）	s是所选分组
快速	O(nlogn)	O（n²）	不稳定	O(nlogn)	n大时比较好
归并	O(nlogn)	O(nlogn)	稳定	O（1）	n大时比较好
堆	O(nlogn)	O(nlogn)	不稳定	O（1）	n大时比较好

算法的空间复杂度

基本介绍

1）类似于时间复杂度的讨论，一个算法的空间复杂度（Space Complexity）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

2）空间复杂度（Speace Complexity）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于解决问的规模n有关，它随着n的增大而增大，当n比较大是，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

3）在做算法分析是，主要讨论的是时间复杂度，从用户体验上看，更看重程序执行的速度，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。