2011-03-05 CLRS Chapter7 Quicksort 快速排序

 

    快速排序，最坏情况运行时间O(n^2), 平均运行时间O(nlogn)，常数因子极小，原地排序，即便在虚拟内存条件下也能运行得很好。

快速排序采用了D&C(Divide and Couquer, 分治法)的设计思想：

    Divide：将待排序的数组a[p, … , r]分解为两部分a[p, … , s-1]和a[s+1, … , r], 使得a[p, … , s-1]中的每个元素<=a[s], a[s+1, … , r]中的每个元素>=a[s]，并在这个过程中得到s的值，注意这里的s不是事先选定的。

    Conquer：将前一步分好的两部分数组递归的进行Quicksort。

    Combine：因为子数组是原地排好序的，所以对于Combine这个过程不用过什么工作。

    根据以上的思想，可以写出快排的代码如下：

     private void quickSort(int[] a, int begin, int end) { if(begin<end) { int m = partition(a, begin, end); quickSort(a, begin, m-1); quickSort(a, m+1, end); } }

 

    其中，核心的步骤是partition。在下面实现中，partiton的过程把待partition的数组分成了3部分：在每次循环之前和循环之后(j++之前)，a[..., i]是<=pivot的元素，a[i+1,...,j-1]是>=x的元素，这两部分都是分好了的，还有a[j,...]是待排序的元素。记住了这一点，这个算法就很好理解。

    其Java代码如下所示：

private int partition(int[] a, int begin, int end) { int pivot = a[end]; int i = begin - 1; int temp; //在每次循环之前和循环之后(j++之前)，a[..., i]是<=pivot的，a[i+1,...,j-1]是>=x的，a[j,...]是待排序的。 for(int j = begin; j<end; j++) { if(a[j]<=pivot) { i++; //交换a[i]和a[j]; temp = a[i]; a[i] = a[j]; a[j] = temp; } } //a[i]是最后一个<=pivot的元素，a[i+1]则是第一个>=pivot的值，此时将a[end](pivot)和a[i+1]交换 temp = a[i+1]; a[i+1] = a[end]; a[end] = temp; return i+1; } 

 

对于上面的算法，有一种最坏的情况是，待排序的数组是已经有序的，这时候，因为作为pivot的数是最后一个元素，这导致每次分组的结果都是a[begin,…, end-1],另一部分为空，这时的运行时间就是最坏的O(n^2),为了避免这种情况，可以在实现的过程中加入随机化的思想。

要实现随机化，也有两种方法，一是在排序之前，将待排序的数组进行一次随机排列，再对数组进行排序。此外，还有一种更好的方法，那就是从待排序的数组中随机的选择一个数来作为pivot，再进行partition。这里的第2种方法用的是随机采样的思想（Random Sampling）。

Java代码如下：

private void randomizedQuicksort(int[] a, int begin, int end) { if(begin<end) { int m = randomizedPartition(a, begin, end); randomizedQuicksort(a, begin, m-1); randomizedQuicksort(a, m+1, end); } } 

其中的核心依然是partition(在这里，是randomizedPartition)：

private int randomizedPartition(int[] a, int begin, int end) { //先得到一个随机的下标i Random random = new Random(); int i = random.nextInt(end-begin+1) + begin; //将a[i]与a[end]交换 int temp = a[i]; a[i] = a[end]; a[end] = temp; //再调用前面的partiton(a, begin, end); return partition(a, begin, end); } 

    上面的实现的巧妙的地方有两处，一是前面提到过的随机采样的思想，其次是它没有重新实现partiton的过程，而是将得到的随机数与a[end]进行交换，这样，就可以重用前面的partition(a, begin, end)函数了。