0x01 排序
排序也成为排序算法(Sort Algorithm),排序是将一组数据,按照指定的顺序进行排列的过程。
0x02 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(内存)中进行排序。 - 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(文件等)进行排序。 - 常见的排序算法分类
0x03 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
– 事后统计的方法:需要实际运行该程序;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。
– 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。 - 时间频度
– 时间频度: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);一个算法花费的时间与算法中语句的执行次数成正比,哪个算法中语句执行次数多,他花费时间就多。
– 时间频度一般可忽略常数项、低次项、以及系数
比如: 2 n 2 + 3 n + 10 2n^2+3n+10 2n2+3n+10 和 n 2 n^2 n2,随着n变大,两条执行曲线无线接近,可以忽略系数2和 3 n + 10 3n+10 3n+10 - 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) ),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)=n²+7n+6 与 T(n)=3n²+2n+2 它们的 T(n) 不同,但时间复杂度相同,都为 O(n²)。
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 T(n)=2n²+7n+6 => T(n)=2n²+7n+1
– 修改后的运行次数函数中,只保留最高阶项 T(n)=2n²+7n+1 => T(n) = 2n²
– 去除最高阶项的系数 T(n) = 2n² => T(n) = n² => O(n²) - 常见的时间复杂度
①常数阶 O ( 1 ) O(1) O(1)
②对数阶 O ( l o g 2 n ) O(log2n) O(log2n)
③线性阶 O ( n ) O(n) O(n)
④线性对数阶 O ( n l o g 2 n ) O(nlog2n) O(nlog2n)
⑤平方阶 O ( n 2 ) O(n^2) O(n2)
⑥立方阶 O ( n 3 ) O(n^3) O(n3)
⑦k次方阶 O ( n k ) O(n^k) O(nk)
⑧指数阶 O ( 2 n ) O(2^n) O(2n)
由小到大以此为: O ( 1 ) < O ( l o g 2 n ) < O ( n ) < O ( n l o g 2 n ) < O ( n 2 ) < O ( n 3 ) < O ( n k ) < O ( 2 n ) O(1)<O(log2n) <O(n) <O(nlog2n) <O(n^2) <O(n^3) <O(n^k) <O(2^n) O(1)<O(log2n)<O(n)<O(nlog2n)<O(n2)<O(n3)<O(nk)<O(2n),随着问题规规模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。 - 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坏时间复杂度。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。
注:额外空间又叫辅助空间,是评价算法性能的一个重要标准。辅助空间是执行算法所需要的辅助存储空间。辅助存储空间是除了存放待排序数据所占用的存储空间之外,执行算法所需要的其他存储空间。 - 算法的空间复杂度
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(Space 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 临时工作单元数与解决问题的规模 n 有关,它随着 n 的增大而增大,当 n 较大时,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。
3)在做算法分析时,主要讨论的是时间复杂度。从用户使用体验上看,更看重的程序执行的速度。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。