数据结构（Java）-排序算法与时间复杂度的介绍

一、排序算法的介绍

        排序也称排序算法，排序是将一组数据，依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排序。

 二、算法的时间复杂度

1.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)。

        例如下面两个计算0~100数和的算法

2.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)=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)

3.常见的时间复杂度

1) 常数阶 O(1)

2) 对数阶 O( log 2^ n )

3) 线性阶 O(n)

4) 线性对数阶 O(n log 2^ n )

5) 平方阶 O(n^2)

6) 立方阶 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： Ο(1) ＜ Ο( log 2 n ) ＜ Ο( n) ＜ Ο( nlog 2 n ) ＜ Ο( n 2 ) ＜ Ο( n 3 ) ＜ Ο( n k ) ＜ Ο( 2 n ) ，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