1 排序算法的介绍
排序也称排序算法(SortAlgorithm),排序是将 一组数据,依 指定的顺序进行 排列的过程。
2 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。 - 常见的排序算法分类:
3 算法的时间复杂度
3.1 度量一个程序(算法)执行时间的两种方法
- 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。 - 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。
3.2 时间频度
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,它花费时间就多。 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)。
例如:计算 1-100 所有数字之和, 我们设计两种算法:
int total = 0;
int start = 1;
int end = 100;
// 算法1
for (int i = start; i <= end; i++) {
total += i;
}
System.out.println("算法1:" + total);
// 算法2
total = (start + end) * end / 2;
System.out.println("算法2:" + total);
忽略常数项
结论:
2n+20 和 2n 随着n 变大,执行曲线无限接近, 20可以忽略
3n+10 和 3n 随着n 变大,执行曲线无限接近, 10可以忽略
忽略低次项
分析:
2n^2+3n+10 和 2n^2 随着n 变大, 执行曲线无限接近, 可以忽略 3n+10
n^2+5n+20 和 n^2 随着n 变大,执行曲线无限接近, 可以忽略 5n+20
忽略系数
分析:
随着 n 值变大,5n^2+7n 和 3n^2 + 2n ,执行曲线重合, 说明 这种情况下, 5 和 3 可以忽略。
而 n^3+5n 和 6n^3+4n ,执行曲线分离,说明多少次方式关键
3.3 时间复杂度
- 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。
- 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)。 - 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)=n²+7n+6 => T(n)=n²+7n+1
- 修改后的运行次数函数中,只保留最高阶项
T(n)=n²+7n+1 => T(n) = n²
- 去除最高阶项的系数
T(n) = n² => T(n) = n² => O(n²)
- 用常数 1 代替运行时间中的所有加法常数
3.4 常见的时间复杂度
- 常数阶 O(1)
- 对数阶 O( l o g 2 n log_2 n log2n)
- 线性阶 O(n)
- 线性对数阶 O( n l o g 2 n nlog_2 n nlog2n)
- 平方阶 O( n 2 n^2 n2)
- 立方阶 O( n 3 n^3 n3)
- k 次方阶 O( n k n^k nk)
- 指数阶 O( 2 n 2^n 2n)
常见的时间复杂度对应的图:
说明:
- 常见的算法时间复杂度由小到大依次为:Ο(1)<Ο( l o g 2 n log_2 n log2n)<Ο(n)<Ο( n l o g 2 n nlog_2 n nlog2n)<Ο( n 2 n^2 n2)<Ο( n 3 n^3 n3)< Ο( n k n^k nk) <Ο( 2 n 2^n 2n) ,随着问题规模 n 的不断增大,上述时间复杂度不断增大,算法的执行效率越低。
- 从图中可见,我们应该尽可能避免使用指数阶的算法。
常数阶 O(1)
无论代码执行了多少行,只要是没有循环等复杂结构,那这个代码的时间复杂度就都是O(1)
int i = 1;
int j = 2;
int m = i + j;
对数阶 O( l o g 2 n log_2 n log2n)
先说下对数,知道的可忽略:
如果a的x次方等于N(a>0,且a≠1),那么数x叫做以a为底N的对数(logarithm),记作x=
l
o
g
a
N
log_a N
logaN。其中,a叫做对数的底数,N叫做真数。
int i = 1;
while (i < n) {
i = i * 2;
}
在while循环里面,每次都将 i 乘以 2,乘完之后,i 距离 n 就越来越近了。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 = l o g 2 n log_2 n log2n,也就是说当循环 l o g 2 n log_2 n log2n次以后,这个代码就结束了。因此这个代码的时间复杂度为:O( l o g 2 n log_2 n log2n) ,O( l o g 2 n log_2 n log2n) 的这个2 时间上是根据代码变化的,i = i * 3 ,则是 O( l o g 3 n log_3 n log3n) 。
线性阶O(n)
for (int i = 1; i <= n; i++) {
System.out.println(i);
}
for循环里面的代码会执行n遍,因此它消耗的时间是随着n的变化而变化的,因此这类代码都可以用O(n)来表示它的时间复杂度。
线性对数阶O( n l o g 2 n nlog_2 n nlog2n)
for (int i = 1; i <= n; i++) {
int j = 1;
while (j < n) {
j = j * 2;
}
}
线性对数阶O( n l o g 2 n nlog_2 n nlog2n) 其实非常容易理解,将时间复杂度为O( l o g 2 n log_2 n log2n)的代码循环N遍的话,那么它的时间复杂度就是 n * O( l o g 2 n log_2 n log2n),也就是了O( n l o g 2 n nlog_2 n nlog2n)。
平方阶O(n²)
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= n; j++) {
System.out.println(i + " " + j);
}
}
平方阶O(n²) 就更容易理解了,如果把 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n循环,它的时间复杂度就是 O(n*n)
,即 O(n²) 如果将其中一层循环的n改成m,那它的时间复杂度就变成了 O(m*n)
。
立方阶O(n³)、K次方阶O( n k n^k nk)
参考上面的O(n²) 去理解就好了,O(n³)相当于三层n循环,其它的类似。
3.5平均时间复杂度和最坏时间复杂度
- 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。
- 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。
- 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:)。
排序法 | 平均时间 | 最坏时间 | 稳定度 | 额外空间 | 备注 |
---|---|---|---|---|---|
冒泡 | O( n 2 n^2 n2) | O( n 2 n^2 n2) | 稳定 | O(1) | n小时较好 |
交换 | O( n 2 n^2 n2) | O( n 2 n^2 n2) | 不稳定 | O(1) | n小时较好 |
选择 | O( n 2 n^2 n2) | O( n 2 n^2 n2) | 不稳定 | O(1) | n小时较好 |
插入 | O( n 2 n^2 n2) | O( n 2 n^2 n2) | 稳定 | O(1) | 大部分排序较好 |
基数 | O( l o g R B log_R B logRB) | O( l o g R B log_R B logRB) | 稳定 | O(n) | B是真数(0-9),R是基数(个十百) |
Shell | O(nlogn) | O( n s n^s ns)1<s<2 | 不稳定 | O(1) | s是所选分组 |
快速 | O(nlogn) | O( n 2 n^2 n2) | 不稳定 | O(nlogn) | n大时较好 |
归并 | O(nlogn) | O(nlogn) | 稳定 | O(1) | n大时较好 |
堆 | O(nlogn) | O(nlogn) | 不稳定 | O(1) | n大时较好 |
4 算法的空间复杂度
4.1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(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。
- 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
- 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)。
具体排序算法请看后面的博文