排序算法.

排序算法

排序算法的介绍

排序也称为排序算法(Sort Aigorithm),排序是将一组数据,依次指定的顺序进行排列的过程.

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.外部排序算法
数据量过大,无法全部加载到内存中,需要借助外部存储进行百姓
3,常见的排序算法(见下图)
在这里插入图片描述
在这里插入图片描述

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

事后统计法

这种方法可行,但是有两个问题:

• 先要运行这个程序,(无法度量,可能很耗时,也可能因为算法设计的不好,直接让系统瘫痪)
• 所得到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的速度更快

事前估计法

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的次数多,它花费的时间就多,**一个算法中的语句执行次数称为语句频度,**记为T(n)[举例说明]
比如计算1-100所有数字之和,我们设计两种算法

int total=0;
int end=100;
//使用for循环
for(int i=1;i<=end;i++){
total+=1;
}

n=100,T(n)=n+1;上面的这个时间频度为n+1,我们for中走了100次,但是我们还有一次是判断,我们虽然没有进行循环里面的内容,但是我们是判断不满足了,以后我们才退出循环的.

int total=0;
int end=100;
//直接计算
total=(1+end)*end/2;

**T(n)=1

举例说明-忽略常数项

结论:

• 2n+20和2n随着n的变大,执行曲线无线接近,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.

举例说明->忽略低次项

结论

• 2n²+3n+10和2n²随着n变大,执行曲线无线接近,可以忽略3n+10
• n²+5n+20和n²随着n变大,执行曲线无线接近,可以忽略5n+20

举例说明,可以忽略系数

结论

• 随着n值变大,5n²+7n和3n²+2n,执行曲线重合,说明这种情况下,5和3可以忽略,
• 而n³+5n和6n³+4n,执行曲线分离,说明多少次方是关键

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一个问题规模n的某个函数,用T(n)表示,若有个辅助函数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)同数量级函数,记作T(n)=O(f(n)),称为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,但是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,但是时间复杂度相同,都为O(n²).
3.计算时间复杂度的方法.

• 用常数1代替允许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)=3n²
• 去除最高阶项系数T(n)=3n²=>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(n²)
6.立方阶O(n³)
7.k次方阶O(n^k)
8.指数阶O(2ⁿ)

说明
常见的算法时间复杂度有小到大依次为:O(1)<O(log₂n)<O(n)<O(nlog₂n)<O(n²)<O(n³)<O(n^k)<O(2ⁿ)
<O(n!),随着问题规模n的不断的增大,上述时间复杂度不断增大,算法的执行效率越低
从图中可以看出我们应该尽可能的避免使用指数阶算法.

常见时间复杂度

1.常数阶
无论代码执行了多少行,只有没有循环等复杂结构,那这个代码的时间复杂度就是O(1)

int i=1;
int j=2;
++i;
j++;
int m=i+j;

上述代码在执行的时候,它消耗的时候,并不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),这里不一定是以2为底数,可能是任何数

int i=1;
while(i<n)
{
  i=i*2;
 }

说明
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,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=log₂n次之后,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时间上是更具代码变化的,i=i*3,则是O(log₃n).

线性阶O(n)

for(i=1;i<=n;i++){
j=1;
j++;
}

说明这段代码,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(log_aN)

for(int m=1;m<n;m++){
i=1;
while(i<n){
i=i*2
}
}

说明
线性对数阶O(nlog_aN)其实是非常容易理解,将时间复杂度O(log_an)的代码循环N遍的话,那么它的时间复杂度就是n*O(log_aN),也就是O(nlog_an)

5.平方阶O(n²)

for(x=1;i<=n;x++){
for(i=1;i<=n;i++){
j=i;
j++;
}
}

说明
平方阶O(n²)就更容易理解了,如果把O(n)的代码在嵌套循环一遍,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(nn).即O(n²)如果将其中一层循环的n改为m,那么它的时间复杂度就变成了O(mn)

立方解决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(n²)相当于三层循环,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度称为最坏时间复杂度,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,这就保证了算法的时间不必最坏情况更长.
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):

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🔒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和解决问题的规模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就属于这种情况.
3,在做算法分析的时候,主要讨论的就是时间复杂度,从用户使用体验上看,更看重的程序执行速度,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.