数据结构与算法——排序算法(学习笔记)

目录

一. 排序

1.1 排序算法的介绍：

1.2 排序的分类：

二. 算法的时间复杂度

三. 算法的空间复杂度

---

一. 排序

1.1 排序算法的介绍：

排序也称排序算法，排序是将一组数据，依指定的顺序进行排列的过程。

1.2 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(内存)中进行排序。

(2)外部排序：

无法加载到内存中，需要借助外部存储进行排序。

二. 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：二是所得的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那个算法更优。

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，他花费时间就多，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).

举例说明：

比如计算1-100之和我们设计两种算法：

忽略常数项：

 忽略低次项：

忽略系数：

时间复杂度

一般情况下，算法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)的极限值补为不等于零的常数，则称f(n)是T(n)的同数量级函数记作T(n)=O(f(n))为算法的 渐进时间复杂度，简称时间复杂度。

T(n)不同，但时间复杂度可能相同，如T(n)=n²+7n+6与T(n)=3n²+2n+2他们的T(n)不同，担时间复杂度相同，都为O(n)²。

计算时间复杂度的方法：

常见的时间复杂度：

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(n²)

立方阶 O(n³)

k次方阶 O(n ^ k)

指数阶 O(2 ^ n)

常见的时间复杂度对应的图：

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为最坏时间复杂度，一般讨论的时间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意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）

三. 算法的空间复杂度

 基本介绍：

类似于时间复杂度的讨论，一个算法的空间复杂度定义为该算法所耗费存储空间，它也是问题规模n的函数。

空间复杂度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与解决问题的规模n有关，它随着n的增大而增大，当n较小时，将占用较多的存储单元，例如快速排序和归并排序算法，基数排序就属于这种情况。

在做算法分析时，主要讨论的是时间复杂度，从体验上来看更看重程序的执行速度，一些缓存产品（Redis，memcache）和算法本质就是用空间换时间。