常用排序算法时间空间复杂度以及稳定性总结

• 冒泡排序：时间复杂度为O(n²)，空间复杂度为O(1)，是稳定的排序算法。
• 插入排序：时间复杂度为O(n²)，空间复杂度为O(1)，是稳定的排序算法。
• 选择排序：时间复杂度为O(n²)，空间复杂度为O(1)，不是稳定的排序算法。
• 快速排序：时间复杂度为O(nlogn)，空间复杂度为O(logn)，不是稳定的排序算法。
• 希尔排序：时间复杂度为O(nlogn)，空间复杂度为O(1)，不是稳定的排序算法。
• 堆排序：时间复杂度为O(nlogn)，空间复杂度为O(1)，不是稳定的排序算法。
• 归并排序：时间复杂度为O(nlogn)，空间复杂度为O(n)，是稳定的排序算法。
• 基数排序：时间复杂度为O(n)，空间复杂度为O(n)，是稳定的排序算。

1. 冒泡排序：

   • 独特特点：通过依次比较相邻的元素并交换，每一轮都将未排序部分的最大元素浮动到最右边。
   • 特点描述：简单易懂，适用于小规模数据或已基本有序的数据。

2. 选择排序：

   • 独特特点：在未排序部分选择最小（或最大）元素，放置到已排序部分的末尾，循环执行直到整个数组有序。
   • 特点描述：不稳定排序，不适用于大规模数据，但是相对于冒泡排序，减少了元素交换次数。

3. 插入排序：

   • 独特特点：将未排序的元素逐个插入到已排序部分的合适位置，直到整个数组有序。
   • 特点描述：对于基本有序的数据表现良好，实现简单，适用于小规模数据。

4. 希尔排序：

   • 独特特点：是插入排序的一种改进版本，通过对间隔序列的插入排序，逐渐缩小间隔，最终完成排序。
   • 特点描述：相对于插入排序，希尔排序在大规模数据上有较好的性能，取决于间隔序列的选择。

5. 归并排序：

   • 独特特点：采用分治策略，将数组逐步分为小块，然后合并这些小块以达到排序的目的。
   • 特点描述：稳定排序，适用于大规模数据，时间复杂度稳定在O(n log n)。

6. 快速排序：

   • 独特特点：采用分治策略，通过选取一个基准值，将数组划分为两个子数组，然后递归地对子数组进行排序。
   • 特点描述：平均情况下性能较好，不稳定排序，适用于大规模数据。

7. 堆排序：

   • 独特特点：通过建立最大堆（或最小堆），实现对整个数组的排序。
   • 特点描述：不稳定排序，相对于快速排序，对于数据的随机访问要求较低。

8. 基数排序：

   • 独特特点：根据数字的位数，从低位到高位进行排序，每一轮都是一次稳定排序。
   • 特点描述：适用于整数或字符串等具有分布范围的数据，但可能不如其他算法在一般情况下高效。

值得一提的是：

快速排序在最坏情况下的时间复杂度是O(n^2)。这种最坏情况发生在以下两种情况：

1. 已排序或逆序排序的数组： 如果输入数组已经是有序的或逆序的，而选择的基准值不是随机的，而是每次都选择数组的最大或最小元素作为基准值，那么每次划分都只能将一个元素放在其正确的位置上，导致递归树呈现单边扩展的形式，时间复杂度达到O(n^2)。

2. 所有元素值相同的数组： 如果输入数组中的所有元素都相同，那么每次划分后得到的两个子数组大小相等，递归树呈现平衡的形式，但是在每一层递归中，只能将一个元素放在其正确位置上，因此时间复杂度仍然是O(n^2)。

为了避免最坏情况的发生，通常在实际应用中会采用一些优化策略，如随机选择基准值、三数取中法（选择左端、右端和中间位置的元素中间值作为基准值）等，以减少最坏情况的概率。在平均情况下，快速排序的时间复杂度为O(n log n)，因此它在实践中通常表现良好。

  堆排序适合在大数据中找出最大或者最小的前一组数据