数据结果与算法（排序算法 ，时间复杂度，空间复杂度）

排序算法的介绍

排序也称排序算法

     （Sort Algorithm），排序是将一组数据，依指定顺序进行排序的过程。

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中进行排序。

（2）外部排序：数据量过大，无法全部加载到内存中，需要借助外部储存进行排序

（3）常见的排序算法分类（如图）

 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：是想要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，才能比较哪个算法速度更快。

（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

基本介绍

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，那个算法中语句执行次数多，他花费时间就多。一个算法中语句执行次数称为语句频度或者时间频度。记为(n)。

举例说明-基本案例

比如计算1-100所有数字之和，我们设计两种算法：

 举例说明—忽略常数项

 举例说明---忽略低次项

 举例说明-忽略系数

 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)的极限值不等于零的常数，则f(n)是T(n)的同量级函数。记做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)=n2+7n+6=》T(n)=n2+7n+1

·   修改后运行次数函数中，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)

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)立法阶O(n^3)

（7）k次方阶O(n^k)

（8）指数阶O(2^n)

说明：

常见的算法时间复杂度由小到大依次为：O(1)<O(log2n)<O(n)<O(nlog2n)<O(n^2)<O(n^3)<O(n^k)<O(2^n),随着问题n规模的不断增大，上述时间复杂度不断增大，算法执行效率越低

从图中可见，我们应该尽可能避免使用指数阶的算法

 (1)常数阶O(1)

无论执行多少行，只要是没有循环等复杂结构，那么代码的时间复杂度就是O(1)

 说明:上述代码在执行的时候，它消耗的时间并不是随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。

（2）对数阶O(log2n)

 说明：在while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，次数这个循环就推出了，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，这个代码就结束了。因此这个代码的时间复杂度为：O(log2n)。O(log2n)的这个2时间是根据代码变化的，i=i*3，则O(log3n).

（3）线性阶O(n)

 说明：这段代码for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，因此这段代码都可以用O(n)来表示它的时间复杂度

（4）线性对数阶O(nlogN)

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

（5）平方阶O(n2)

 说明：平方阶O(n2)就更容易理解了，如果O(n)的代码再嵌套循环一把，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，那么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

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称最坏时间复杂度，一把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：最后情况下的时间复杂度是算法在任何输入实例上运行的时间界限，这就保证了算法的运行时间不会比最坏情况下更长。

（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）

 算法的空间复杂度简介

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，他也是问题规模n的函数。

（2）空间复杂度(Space Complexity)是对一个算法在运行过程中占用储存空间大小的度量。有的算法需要占用的临时工作单元数与解决问题n的规模有关，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）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。