数据结构与算法-基础算法篇-排序优化（如何实现一个通用的、高性能的排序函数？）

5. 排序优化：

1. 如何选择合适的排序算法？

1. 排序算法一览表
   
2. 为什选择快速排序？
   1. 线性排序时间复杂度很低但使用场景特殊，如果要写一个通用排序函数，不能选择线性排序。
   2. 为了兼顾任意规模数据的排序，一般会首选时间复杂度为O(nlogn)的排序算法来实现排序函数。
   3. 同为O(nlogn)的快排和归并排序相比，归并排序不是原地排序算法，所以最优的选择是快排。

2. 如何优化快速排序？

1. 导致快排时间复杂度降为O(n)的原因是分区点选择不合理，最理想的分区点是：被分区点分开的两个分区中，数据的数量差不多。如何优化分区点的选择？有2种常用方法，如下：

   1. 三数取中法

      从区间的首、中、尾分别取一个数，然后比较大小，取中间值作为分区点。

      如果要排序的数组比较大，那“三数取中”可能就不够用了，可能要“5数取中”或者“10数取中”。

   2. 随机法：

      每次从要排序的区间中，随机选择一个元素作为分区点。

2. 警惕快排的递归发生堆栈溢出，有2中解决方法，如下：

   1. 限制递归深度，一旦递归超过了设置的阈值就停止递归。
   2. 在堆上模拟实现一个函数调用栈，手动模拟递归压栈、出栈过程，这样就没有系统栈大小的限制。

3. 通用排序函数实现技巧

   1. 对于小规模数据的排序，O(n2) 的排序算法并不一定比 O(nlogn) 排序算法执行的时间长。对于小数据量的排序，我们选择比较简单、不需要递归的插入排序算法

   2. 为什么说：O(n2) 时间复杂度的算法并不一定比 O(nlogn) 的算法执行时间长

      时间复杂度代表的是一个增长趋势，如果画成增长曲线图，你会发现 O(n2) 比 O(nlogn) 要陡峭，也就是说增长趋势要更猛一些。但是，我们前面讲过，在大 O 复杂度表示法中，我们会省略低阶、系数和常数，也就是说，O(nlogn) 在没有省略低阶、系数、常数之前可能是 O(knlogn + c)，而且 k 和 c 有可能还是一个比较大的数。
      
      假设 k=1000，c=200，当我们对小规模数据（比如 n=100）排序时，n2的值实际上比 knlogn+c 还要小
      
      knlogn+c = 1000 * 100 * log100 + 200 远大于10000
      n^2 = 100*100 = 10000
      
      所以，对于小规模数据的排序，O(n2) 的排序算法并不一定比 O(nlogn) 排序算法执行的时间长。对于小数据量的排序，我们选择比较简单、不需要递归的插入排序算法。
      

   3. 防止堆栈溢出，可以选择在堆上手动模拟调用栈解决

   4. 在排序区间中，当元素个数小于某个常数是，可以考虑使用O(n^2)级别的插入排序

   5. .用哨兵简化代码，每次排序都减少一次判断，尽可能把性能优化到极致

3. 补充

java1.8中的排序，在元素小于47的时候用插入排序，大于47小于286用双轴快排，大于286用timsort归并排序，并在timesort中记录数据的连续的有序段的的位置，若有序段太多，也就是说数据近乎乱序，则用双轴快排，当然快排的递归调用的过程中，若排序的子数组数据数量小，用插入排序