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