数据结构与算法学习笔记（七）排序算法预备知识介绍

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：$2n^2+3n+10$ 和 $n^2$，随着n变大，两条执行曲线无线接近，可以忽略系数2和$3n+10$
• 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$O(1)$
  ②对数阶$O(log2n)$
  ③线性阶$O(n)$
  ④线性对数阶$O(nlog2n)$
  ⑤平方阶$O(n^2)$
  ⑥立方阶$O(n^3)$
  ⑦k次方阶$O(n^k)$
  ⑧指数阶$O(2^n)$
  由小到大以此为：$O(1)<O(log2n)<O(n)<O(nlog2n)<O(n^2)<O(n^3)<O(n^k)<O(2^n)$，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。