九大排序算法总结

转自http://blog.csdn.net/xiazdong/article/details/8462393

stable sort：插入排序、冒泡排序、归并排序、计数排序、基数排序、桶排序。
unstable sort：选择排序、快速排序、堆排序。

插入排序，冒泡排序和快速排序的排序趟数与序列的初始状态有关！！！
堆排序和选择排序的排序次数与初始状态无关，即最好情况和最坏情况都一样！！！

一、插入排序

特点：stable sort、In-place sort
最优复杂度：当输入数组就是排好序的时候，复杂度为O(n)，而快速排序在这种情况下会产生O(n^2)的复杂度。
最差复杂度：当输入数组为倒序时，复杂度为O(n^2)
插入排序比较适合用于“少量元素的数组”。

其实插入排序的复杂度和逆序对的个数一样，当数组倒序时，逆序对的个数为n(n-1)/2，因此插入排序复杂度为O(n^2)。
在算法导论2-4中有关于逆序对的介绍。

伪代码：

证明算法正确性：

循环不变式：在每次循环开始前，A[1…i-1]包含了原来的A[1…i-1]的元素，并且已排序。

初始：i=2，A[1…1]已排序，成立。
保持：在迭代开始前，A[1…i-1]已排序，而循环体的目的是将A[i]插入A[1…i-1]中，使得A[1…i]排序，因此在下一轮迭代开 始前，i++，因此现在A[1…i-1]排好序了，因此保持循环不变式。
终止：最后i=n+1，并且A[1…n]已排序，而A[1…n]就是整个数组，因此证毕。

而在算法导论2.3-6中还问是否能将伪代码第6-8行用二分法实现？

实际上是不能的。因为第6-8行并不是单纯的线性查找，而是还要移出一个空位让A[i]插入，因此就算二分查找用O(lgn)查到了插入的位置，但是还是要用O(n)的时间移出一个空位。

问：快速排序（不使用随机化）是否一定比插入排序快？

答：不一定，当输入数组已经排好序时，插入排序需要O(n)时间，而快速排序需要O(n^2)时间。

递归版插入排序

二、冒泡排序

特点：stable sort、In-place sort
思想：通过两两交换，像水中的泡泡一样，小的先冒出来，大的后冒出来。
最坏运行时间：O(n^2)
最佳运行时间：O(n^2)（当然，也可以进行改进使得最佳运行时间为O(n)）

算法导论思考题2-2中介绍了冒泡排序。

伪代码：

证明算法正确性：

运用两次循环不变式，先证明第4-6行的内循环，再证明外循环。

内循环不变式：在每次循环开始前，A[j]是A[j…n]中最小的元素。

初始：j=n，因此A[n]是A[n…n]的最小元素。
保持：当循环开始时，已知A[j]是A[j…n]的最小元素，将A[j]与A[j-1]比较，并将较小者放在j-1位置，因此能够说明A[j-1]是A[j-1…n]的最小元素，因此循环不变式保持。
终止：j=i，已知A[i]是A[i…n]中最小的元素，证毕。

接下来证明外循环不变式：在每次循环之前，A[1…i-1]包含了A中最小的i-1个元素，且已排序：A[1]<=A[2]<=…<=A[i-1]。

初始：i=1，因此A[1..0]=空，因此成立。
保持：当循环开始时，已知A[1…i-1]是A中最小的i-1个元素，且A[1]<=A[2]<=…<=A[i-1]，根据内循环不变式，终止时A[i]是A[i…n]中最小的元素，因此A[1…i]包含了A中最小的i个元素，且A[1]<=A[2]<=…<=A[i-1]<=A[i]
终止：i=n+1，已知A[1…n]是A中最小的n个元素，且A[1]<=A[2]<=…<=A[n]，得证。

在算法导论思考题2-2中又问了”冒泡排序和插入排序哪个更快“呢？

一般的人回答：“差不多吧，因为渐近时间都是O(n^2)”。
但是事实上不是这样的，插入排序的速度直接是逆序对的个数，而冒泡排序中执行“交换“的次数是逆序对的个数，因此冒泡排序执行的时间至少是逆序对的个数，因此插入排序的执行时间至少比冒泡排序快。

递归版冒泡排序

改进版冒泡排序

最佳运行时间：O(n)
最坏运行时间：O(n^2)

三、选择排序

特性：In-place sort，unstable sort。
思想：每次找一个最小值。
最好情况时间：O(n^2)。
最坏情况时间：O(n^2)。

定义：首先，选出数组中最小的元素，将它与数组中第一个元素交换。然后找出次小的元素，并将它与数组中第二个元素交换。按照这种方法一直进行下去，直到整个数组排完序。

交换次数：N-1

伪代码：

证明算法正确性：

循环不变式： A[1…i-1]包含了A中最小的i-1个元素，且已排序。

初始： i=1，A[1…0]=空，因此成立。
保持：在某次迭代开始之前，保持循环不变式，即A[1…i-1]包含了A中最小的i-1个元素，且已排序，则进入循环体后，程序从A[i…n]中找出最小值放在A[i]处，因此A[1…i]包含了A中最小的i个元素，且已排序，而i++，因此下一次循环之前，保持循环不变式：A[1..i-1]包含了A中最小的i-1个元素，且已排序。
终止： i=n，已知A[1…n-1]包含了A中最小的i-1个元素，且已排序，因此A[n]中的元素是最大的，因此A[1…n]已排序，证毕。

算法导论2.2-2中问了”为什么伪代码中第3行只有循环n-1次而不是n次”？

在循环不变式证明中也提到了，如果A[1…n-1]已排序，且包含了A中最小的n-1个元素，则A[n]肯定是最大的，因此肯定是已排序的。

递归版选择排序

四、归并排序

特点：stable sort、Out-place sort
思想：运用分治法思想解决排序问题。
最坏情况运行时间：O(nlgn)
最佳运行时间：O(nlgn)

分治法介绍：分治法就是将原问题分解为多个独立的子问题，且这些子问题的形式和原问题相似，只是规模上减少了，求解完子问题后合并结果构成原问题的解。
分治法通常有3步：Divide（分解子问题的步骤） 、 Conquer（递归解决子问题的步骤）、 Combine（子问题解求出来后合并成原问题解的步骤）。
假设Divide需要f(n)时间，Conquer分解为b个子问题，且子问题大小为a，Combine需要g(n)时间，则递归式为：
T(n)=bT(n/a)+f(n)+g(n)

算法导论思考题4-3（参数传递）能够很好的考察对于分治法的理解。

就如归并排序，Divide的步骤为m=(p+q)/2，因此为O(1)，Combine步骤为merge()函数，Conquer步骤为分解为2个子问题，子问题大小为n/2，因此：
归并排序的递归式：T(n)=2T(n/2)+O(n)

而求解递归式的三种方法有：
(1)替换法：主要用于验证递归式的复杂度。
(2)递归树：能够大致估算递归式的复杂度，估算完后可以用替换法验证。
(3)主定理：用于解一些常见的递归式。

伪代码：

证明算法正确性：

其实我们只要证明merge()函数的正确性即可。
merge函数的主要步骤在第25~31行，可以看出是由一个循环构成。

循环不变式：每次循环之前，A[p…k-1]已排序，且L[i]和R[j]是L和R中剩下的元素中最小的两个元素。
初始：k=p，A[p…p-1]为空，因此已排序，成立。
保持：在第k次迭代之前，A[p…k-1]已经排序，而因为L[i]和R[j]是L和R中剩下的元素中最小的两个元素，因此只需要将L[i]和R[j]中最小的元素放到A[k]即可，在第k+1次迭代之前A[p…k]已排序，且L[i]和R[j]为剩下的最小的两个元素。
终止：k=q+1，且A[p…q]已排序，这就是我们想要的，因此证毕。

归并排序的例子：

问：归并排序的缺点是什么？

答：他是Out-place sort，因此相比快排，需要很多额外的空间。

问：为什么归并排序比快速排序慢？

答：虽然渐近复杂度一样，但是归并排序的系数比快排大。

问：对于归并排序有什么改进？

答：就是在数组长度为k时，用插入排序，因为插入排序适合对小数组排序。在算法导论思考题2-1中介绍了。复杂度为O(nk+nlg(n/k)) ，当k=O(lgn)时，复杂度为O(nlgn)

五、快速排序

基本思想：在待排序的N个记录中任意取一个记录，把该记录放在最终位置后，数据序列被此记录分成两部分。所有关键字比该记录关键字小的放在前一部分，所有比它大的放置在后一部分，并把该记录排在这两部分的中间，这个过程称作一次快速排序。重复上述过程，直到每一部分内只有一个记录为止。
特性：unstable sort、In-place sort。
最坏运行时间：当输入数组已排序时，时间为O(n^2)，当然可以通过随机化来改进（shuffle array 或者 randomized select pivot）,使得期望运行时间为O(nlgn)。
最佳运行时间：O(nlgn)
快速排序的思想也是分治法。
当输入数组的所有元素都一样时，不管是快速排序还是随机化快速排序的复杂度都为O(n^2)，而在算法导论第三版的思考题7-2中通过改变Partition函数，从而改进复杂度为O(n)。

注意：只要partition的划分比例是常数的，则快排的效率就是O(nlgn)，比如当partition的划分比例为10000:1时（足够不平衡了），快排的效率还是O(nlgn)

“A killer adversary for quicksort”这篇文章很有趣的介绍了怎么样设计一个输入数组，使得quicksort运行时间为O(n^2)。

伪代码：

随机化partition的实现：

改进当所有元素相同时的效率的Partition实现：

证明算法正确性：

对partition函数证明循环不变式：A[p…i]的所有元素小于等于pivot，A[i+1…j-1]的所有元素大于pivot。
初始：i=p-1,j=p，因此A[p…p-1]=空，A[p…p-1]=空，因此成立。
保持：当循环开始前，已知A[p…i]的所有元素小于等于pivot，A[i+1…j-1]的所有元素大于pivot，在循环体中，
-如果A[j]>pivot，那么不动，j++，此时A[p…i]的所有元素小于等于pivot，A[i+1…j-1]的所有元素大于pivot。
-如果A[j]<=pivot，则i++，A[i+1]>pivot，将A[i+1]和A[j]交换后，A[P…i]保持所有元素小于等于pivot，而A[i+1…j-1]的所有元素大于pivot。
终止：j=r，因此A[p…i]的所有元素小于等于pivot，A[i+1…r-1]的所有元素大于pivot。

六、堆排序

1964年Williams提出。

特性：unstable sort、In-place sort。
最优时间：O(nlgn)
最差时间：O(nlgn)
此篇文章介绍了堆排序的最优时间和最差时间的证明：http://blog.csdn.net/xiazdong/article/details/8193625
思想：运用了最小堆、最大堆这个数据结构，而堆还能用于构建优先队列。

优先队列应用于进程间调度、任务调度等。
堆数据结构应用于Dijkstra、Prim算法。

证明算法正确性：

（1）证明build_max_heap的正确性：
循环不变式：每次循环开始前，A[i+1]、A[i+2]、…、A[n]分别为最大堆的根。

初始：i=floor(n/2)，则A[i+1]、…、A[n]都是叶子，因此成立。
保持：每次迭代开始前，已知A[i+1]、A[i+2]、…、A[n]分别为最大堆的根，在循环体中，因为A[i]的孩子的子树都是最大堆，因此执行完MAX_HEAPIFY(A,i)后，A[i]也是最大堆的根，因此保持循环不变式。
终止：i=0，已知A[1]、…、A[n]都是最大堆的根，得到了A[1]是最大堆的根，因此证毕。

（2）证明heapsort的正确性：
循环不变式：每次迭代前，A[i+1]、…、A[n]包含了A中最大的n-i个元素，且A[i+1]<=A[i+2]<=…<=A[n]，且A[1]是堆中最大的。

初始：i=n，A[n+1]…A[n]为空，成立。
保持：每次迭代开始前，A[i+1]、…、A[n]包含了A中最大的n-i个元素，且A[i+1]<=A[i+2]<=…<=A[n]，循环体内将A[1]与A[i]交换，因为A[1]是堆中最大的，因此A[i]、…、A[n]包含了A中最大的n-i+1个元素且A[i]<=A[i+1]<=A[i+2]<=…<=A[n]，因此保持循环不变式。
终止：i=1，已知A[2]、…、A[n]包含了A中最大的n-1个元素，且A[2]<=A[3]<=…<=A[n]，因此A[1]<=A[2]<=A[3]<=…<=A[n]，证毕。

七、计数排序

特性：stable sort、out-place sort。
最坏情况运行时间：O(n+k)
最好情况运行时间：O(n+k)

当k=O(n)时，计数排序时间为O(n)

伪代码：
B[n]存放排序结果；C[k+1]提供临时存储区

算法的步骤如下：

1、找出待排序的数组中最大和最小的元素
2、统计数组中每个值为t的元素出现的次数，存入数组C的第t项
3、对所有的计数累加（从C中的第一个元素开始，每一项和前一项相加）
4、反向填充目标数组：将每个元素t放在新数组的第C(t)项，每放一个元素就将C(t)减去1
例子：

假设数字范围在 0 到 9. 
输入数据: 1, 4, 1, 2, 7, 5, 2
  1) 使用一个数组记录每个数组出现的次数
  Index:     0  1  2  3  4  5  6  7  8  9
  Count:     0  2  2  0   1  1  0  1  0  0

  2) 累加所有计数（从C中的第一个元素开始，每一项和前一项相加）
  Index:     0  1  2  3  4  5  6  7  8  9
  Count:     0  2  4  4  5  6  6  7  7  7

更改过的计数数组就表示 每个元素在输出数组中的位置

  3) 反向填充目标数组：将每个元素i放在新数组的第C(i)项，每放一个元素就将C(i)减去1
 例如对于: 1, 4, 1, 2, 7, 5, 2. 1 的位置是 2.
把1放在输出数组的第2个位置.并把计数减 1，下一个1出现的时候就放在了第1个位置。(方
向可以保持稳定)

习题8.2-4
给出一个算法，使之对于给定介于0和k之间的n个整数进行预处理，并能在O(1)时间内，回答出输入的整数中有多少个落在区间[a..b]内。你给出的算法的预处理时间应为Θ(n + k)。

用一个数组C，记录小于或等于其每个下标的值的元素个数。C[b] - C[a-1]为落在区间内的元素个数。

#include <stdio.h>
#include <stdlib.h>

int count(int A[], int length, int k, int a, int b);

int main(){
    int num, i, k, a, b, cnt;
    printf("Input the k:\n");
    scanf("%d", &k);
    printf("Input the a and b:\n");
    scanf("%d %d", &a, &b);
    printf("Input the number of the elements:\n");
    scanf("%d", &num);
    int *array = malloc((num + 1) * sizeof(int));
    printf("Input the element:");
    for(i = 1; i <= num; i++){
        scanf("%d", &array[i]);
    }

    cnt = count(array, num, k, a, b);
    printf("The number of the elements which are in the [a..b] is %d\n", cnt);
    return 0;
}

int count(int A[], int length, int k, int a, int b){
    int *C = malloc((k + 1) * sizeof(int));
    for(int i = 0; i <= k; i++)
        C[i] = 0;
    for(int j = 1; j <= length; j++)
        C[A[j]]++;

    for(int i = 1; i <= k; i++)
        C[i] += C[i-1];

    return C[b] - C[a-1] ;
}

八、基数排序

本文假定每位的排序是计数排序。
特性：stable sort、Out-place sort。
最坏情况运行时间：O((n+k)d)
最好情况运行时间：O((n+k)d)

当d为常数、k=O(n)时，效率为O(n)
我们也不一定要一位一位排序，我们可以多位多位排序，比如一共10位，我们可以先对低5位排序，再对高5位排序。
引理：假设n个b位数，将b位数分为多个单元，且每个单元为r位，那么基数排序的效率为O[(b/r)(n+2^r)]。
当b=O(nlgn)，r=lgn时，基数排序效率O(n)

比如算法导论习题8.3-4：说明如何在O(n)时间内，对0~n^3-1之间的n个整数排序？
答案：考虑n个三位数（即d=3）的基数排序，每个数字在0~n-1区间（即k=n）。总共有三次调用计数排序，每次花费O(n+k)=O(n+n)=O(n)时间，因此总时间为O(n)。

九、桶排序

假设输入数组的元素都在[0,1)之间。
特性：out-place sort、stable sort。
最坏情况运行时间：当分布不均匀时，全部元素都分到一个桶中，则O(n^2)，当然[算法导论8.4-2]也可以将插入排序换成堆排序、快速排序等，这样最坏情况就是O(nlgn)。
最好情况运行时间：O(n)

桶排序的例子：

伪代码：

证明算法正确性：

对于任意A[i]<=A[j]，且A[i]落在B[a]，A[j]落在B[b]，我们可以看出a<=b，因此得证。