数据结构复习之顺序表以及链表的方式实现常用的几种排序算法
综述
排序大的分类可以分为两种：内排序和外排序。
内排序是指所有的数据已经读入内存，在内存中进行排序的算法。排序过程中不需要对磁盘进行读写。同时，内排序也一般假定所有用到的辅助空间也可以直接存在于内存中。
外排序即内存中无法保存全部数据，需要进行磁盘访问，每次读入部分数据到内存进行排序。
时间复杂度和空间复杂度对比表（有必要记忆下）[1]
完整代码-顺序表版本
package list;
import java.util.Arrays;
/**
* <p>Descirption:分别用顺序表以及链表的方式实现常用的几种排序算法</p>
*
* @author 王海
* @version V1.0
* @package list
* @date 2018/4/7 16:25
* @since 1.0
*/
public class MultiSortArrayAndList {
private static final float[] FORSORT = {10, -2, 3, -1111111111.9999999f, 55, 32.8f, 66, 7.8f, 10233.88f, 52222, 45.67f, 13, 654, 99999, 1000000.666f, 77.77f, 3214, 66, 736.2f, 5, 23, 65465, 54783, 9999.999f, 5664645, -33, -66.5566778899f, 2147483647.555f, 2147483647};
/**
* 冒泡排序，带标志位（属于交换排序）
*
* @param forSort 等待排序的序列
*/
private void bubbleSort(float[] forSort) {
String name = "冒泡";
long begin = System.nanoTime();
// 冒泡排序
for (int i = 0; i < forSort.length - 1; i++) {
// 假设下一次不需要再排序
boolean sorted = false;
for (int j = 0; j < forSort.length - i - 1; j++) {
// 这里-i是因为前几次的排序已经沉底了i个数
if (forSort[j] > forSort[j + 1]) {
float temp = forSort[j];
forSort[j] = forSort[j + 1];
forSort[j + 1] = temp;
// 排序过了
sorted = true;
}
}
if (!sorted) {
break;
}
}
printHelper(name, forSort, begin);
}
/**
* 快速排序（属于交换排序）
*
* @param forSort 等待排序的序列
* @param left 左
* @param right 右
*/
private float[] quickSort(float[] forSort, int left, int right) {
int i = left;
int j = right;
// 递归的结束条件
if (left < right) {
float benchmark = forSort[left];
// 下面不能写if，因为并不是说左右指针各移动一次就能保证左右指针“碰头”;完成一次排序
while (i < j) {
// 右侧比较，小则往前放，大则指针继续“后退”
while (i < j && forSort[j] > benchmark) {
--j;
}
// while循环退出，如果left还小于right，就该交换数据了
if (i < j) {
forSort[i++] = forSort[j];
}
// 左侧比较，大则往后放，大则指针继续“前进”
while (i < j && forSort[i] < benchmark) {
++i;
}
if (i < j) {
forSort[j--] = forSort[i];
}
}
forSort[i] = benchmark;
// 左部分递归
quickSort(forSort, left, i - 1);
// 右部分递归(编译器是用栈实现递归,之前的i的状态会“回来”)
quickSort(forSort, i + 1, right);
}
return forSort;
}
/**
* 直接排序（属于插入类排序）
*
* @param forSort 等待排序的序列
*/
private void driectSort(float[] forSort) {
String name = "直接插入";
long begin = System.nanoTime();
for (int i = 1; i < forSort.length; i++) {
// 注意，tmp是“准备”本次排序的那个数
float temp = forSort[i];
// 第一次j为0，因为第一个数有序
int j = i - 1;
while (j >= 0 && temp < forSort[j]) {
// 大的先后移
forSort[j + 1] = forSort[j];
// 没必要马上将当下就位置处的值设为temp，小的继续“往前”
--j;
}
// j已经小于0了，记得加回去
forSort[++j] = temp;
}
printHelper(name, forSort, begin);
}
private void shellSort(float[] forSort) {
String name = "希尔";
long begin = System.nanoTime();
// 初始增量increment为length / 2【上下取整都行】
// 向上取整用Math.ceil()
// 向下取整用Math.floor(),int a = b/c为下取整
int incrementNum = forSort.length / 2;
while (incrementNum >= 1) {
// 这里的i < forSort.length还不太规范，有多余
for (int i = 0; i < forSort.length; i++) {
// 进行直接插入排序
for (int j = i; j < forSort.length - incrementNum; j = j + incrementNum) {
int drict = j;
// 注意，tmp是“准备”本次排序的那个数
float tmp = forSort[drict + incrementNum];
while (drict >= 0 && forSort[drict] > forSort[drict + incrementNum]) {
forSort[drict + incrementNum] = forSort[drict];
drict -= incrementNum;
}
forSort[drict + incrementNum] = tmp;
}
}
//设置新的增量
incrementNum = incrementNum / 2;
}
printHelper(name, forSort, begin);
}
private void binaryInsertSort(float[] forSort) {
String name = "折半插入";
long begin = System.nanoTime();
int n = forSort.length;
int i, j;
// "本次"插入数据时，前面已有i个数
for (i = 1; i < n; i++) {
// temp为本次循环待插入有序列表中的数
float tmp = forSort[i];
int low = 0;
int high = i - 1;
// while循环，找到temp插入有序列表的正确位置
while (low <= high) {
// 有序数组的中间坐标，此时用于二分查找，减少查找次数
int mid = (low + high) / 2;
if (forSort[mid] = tmp) {
low = mid;
break;
}
// 若有序数组的中间元素大于待排序元素，则有序序列向中间元素之前搜索，否则向后搜索
if (forSort[mid] > tmp) {
high = mid - 1;
} else {
low = mid + 1;
}
}
for (j = i; j > low; ) {
// 从最后一个元素开始，前面的元素依次后移
forSort[j] = forSort[--j];
}
// 插入temp
forSort[low] = tmp;
}
printHelper(name, forSort, begin);
}
/**
* 通用打印方法打印
*
* @param sorted 排序好的数组
* @param sortName 排序方法
* @param beginTime 排序开始时间
*/
private void printHelper(String sortName, float[] sorted, long beginTime) {
System.out.println("\n" + sortName + ", 排序耗时=======" + (System.nanoTime() - beginTime) + "纳秒");
for (float value : sorted) {
System.out.print(value + " ");
}
}
public static void main(String[] args) {
for (float aCopy : FORSORT) System.out.print(aCopy + ", ");
MultiSortArrayAndList msort = new MultiSortArrayAndList();
/* 数据量小，比较不出时间 */
// 冒泡排序
msort.bubbleSort(Arrays.copyOf(FORSORT, FORSORT.length));
// 快速排序
long begin = System.nanoTime();
float[] sorted = msort.quickSort(Arrays.copyOf(FORSORT, FORSORT.length), 0, FORSORT.length - 1);
System.out.println("\n快速排序, 耗时=======" + (System.nanoTime() - begin) + "纳秒");
for (float value : sorted) {
System.out.print(value + " ");
}
// 直接插入
msort.driectSort(Arrays.copyOf(FORSORT, FORSORT.length));
// 希尔排序
msort.shellSort(Arrays.copyOf(FORSORT, FORSORT.length));
// 折半查找排序
msort.binaryInsertSort(Arrays.copyOf(FORSORT, FORSORT.length));
}
}堆排序（小顶堆增量求topk-海量数据排序）
package priactice;
import java.util.Arrays;
/**
* <p>package: priactice</p>
* <p>
* descirption:
*
* @author 王海
* @version V1.0
* @since <pre>2018/9/2 20:01</pre>
*/
public class HeapSortSmall {
/**
* 构建小顶堆（size=10）
*/
public static void adjustHeap(int[] a, int i, int len) {
int temp, j;
temp = a[i];
for (j = 2 * i + 1; j < len; j = j * 2 + 1) {
if (j + 1 < len && a[j] > a[j + 1])
++j; // j为较小儿子的下标
if (temp <= a[j])
break;
a[i] = a[j];
i = j;
}
a[i] = temp;
}
public static void heapSort(int[] a) {
// 初始化小顶堆
int i;
// 最后一个非叶子节点开始（将其左儿子和右儿子比较）
for (i = a.length / 2 - 1; i >= 0; i--) {
adjustHeap(a, i, a.length);
}
/**
* 全部读入内存的版本
*/
// for (i = a.length - 1; i > 0; i--) {// 将堆顶记录和当前未经排序子序列的最后一个记录交换
// int temp = a[0];
// a[0] = a[i];
// a[i] = temp;
// adjustHeap(a, 0, i);// 将a中前i个数重新调整为小顶堆
// }
/**
* TOP10版本
*/
int[] ex = {100, 5, 210, 150};
for (int val : ex) {
if (val > a[0]) {
a[0] = val;
adjustHeap(a, 0, a.length);
}
}
//降序
for (i = a.length - 1; i > 0; i--) {// 将堆顶记录和当前未经排序子序列的最后一个记录交换
int temp = a[0];
a[0] = a[i];
a[i] = temp;
adjustHeap(a, 0, i);// 将a中前i个数重新调整为小顶堆
}
}
public static void main(String[] args) {
int a[] = {90, 40, 60, 50, 20, 70, 80, 40, 30, 10};
heapSort(a);
System.out.println(Arrays.toString(a));
}
}
完整代码-链表版本
TODO
折半查找属于随机访问特性 链表不行
堆排序也不能用链表 因为调整堆时没法随机访问底层孩子节点
快速排序、归并排序、基数排序可用链表
插入排序链表比数组要快一些 减少移动次数
交换排序
交换类排序的核心是“交换”，每一趟排序，都可能有交换动作。
冒泡排序
1.原理：比较两个相邻的元素，每一次都让值大的元素“下沉”，也就是说冒泡排序每一次比较都会交换数据。
2.时间复杂度：
- 完全正序时，只需要走一趟即可完成排序（添加一个布尔型标志位）
- 完全逆序时，则需要进行n-1趟排序。每趟排序要进行n-i次比较(1≤i≤n-1)，且每次比较都必须移动记录三次来达到交换记录位置。在这种情况下，比较和移动次数均达到最大值：冒泡排序的最坏时间复杂度为：O(n2)
3.空间复杂度：
最优的空间复杂度就是开始元素顺序已经排好了，则空间复杂度为：0（不单独使用交换变量的话：a = a + b; b = a - b; a = a - b）；
最差的空间复杂度就是所有元素逆序排序，则空间复杂度为：O(n)；
平均的空间复杂度为：O(1)；
4.思路：需要两层循环，
外层是遍历每个元素，共需要n-1趟循环；
内层是相邻数的比较，每趟比较n-趟数。
快速排序
1.原理：“分而治之”的思想，围绕“中枢”值分为两部分；需要有前后两个指针（或者说引用），选择一个基准元素（通常是开头或者结尾的元素），对齐进行复制；从末端开始扫描，比被复制的数小的话，将其赋予前面的指针；进行一次赋值后，前指针向后移动，当遇到比被复制的值大的值时，将其赋予后面的指针；对于每一趟的结果，复用上面的方法。
2.时间复杂度：
待排序的序列越接近无序，效率越高。
最坏：最坏情况是指每次区间划分的结果都是基准关键字的左边（或右边）序列为空，即选择的关键字是待排序记录的最小值或最大值。最坏情况下快速排序的时间复杂度为O()
最好：O(n)
3.空间复杂度：
快排需要递归的“辅助”，递归需要用栈，所以空间复杂度会稍微高些O()
插入排序
原序列已经有序，“新来的”需要找准自己的位置。
直接插入排序
1.原理：我们从前往后进行排序，一开始只看第一个元素，肯定是有序的。现在插入第二个，与第一个比较，小的往前；接下来第三个元素与第二个元素比较，若大于之，顺序不变，小于之，继续往前比较，直到找到自己的位置。依次类推。
2.时间复杂度：
- 最好的情况是，每一次输入的顺序都刚好小于前者，这样就只有一层循环真正起作用，那么复杂度就是O(n)
- 最坏的情况是，O()
3.空间复杂度：只需要借助一个temp变量，O(1)
4.思路：
只需要借助一个temp变量，有需要改变位置的节点时则用，不需要改变位置则节点“原地不动”。
希尔排序
1.原理：希尔排序又叫“缩小增量排序”。我们将原始序列按照相同比例分为几个不同的子序列，这个“比例”叫做增量。分别对这些子序列进行直接插入排序，增量不断的缩小，直到增量为1，最后综合起来，排序完成。
希尔排序会造成值相同的元素位置颠倒，所以不稳定。
2.平均时间复杂度：O(n)
3.空间复杂度：O(1)
4.思路：同原理。
折半插入排序
1.原理：折半插入算法是对直接插入排序算法的改进，排序原理同直接插入算法，与直接插入算法的区别在于：在有序表中寻找待排序数据的正确位置时，使用了折半查找/二分查找。
适合于初始比较有序的序列，但是插入时的比较次数与初始序列无关。
2.时间复杂度：
- 最好的情况是，O(n)
- 最坏的情况是，O(n)，退化为单枝树，查找退化为顺序查找，最坏情况变为O(n)。
3.空间复杂度：O(1)
选择排序
每一趟排序都要选出最小（大）的。
直接I简单选择排序
1.原理：我们。
2.时间复杂度：
- 最好的情况是，那么复杂度就是O(n)
- 最坏的情况是，O()
3.空间复杂度：O(1)
4.思路：
。
堆排序
1.概述：
最终降序，也就是说，要求最大k个数，需要使用小顶堆，当新读入内存的数字大于堆中最小值时，替换掉，重建堆秩序；
求最小k个数，则相反。
2.时间复杂度：
- 最好、平均、最坏都是O(n)
3.空间复杂度：O(K):k是初始堆的大小。如果内存能装得下，那就是O(n)
4.思路：
归并排序
1.原理：。
2.时间复杂度：
- 最好的情况是，那么复杂度就是O(n)
- 最坏的情况是，O()
3.空间复杂度：O(1)
4.思路：
。
基数排序
1.原理：。
2.时间复杂度：
- 最好的情况是，那么复杂度就是O(n)
- 最坏的情况是，O()
3.空间复杂度：O(1)
4.思路：
总结
-
平均性能为O(n^2)的有：直接插入排序，直接选择排序，冒泡排序
在数据规模较小时（9W内），直接插入排序，选择排序差不多。 - 平均性能为O(nlogn)的有：快速排序，归并排序，堆排序。其中，快排是最好的，其次是归并，堆排序在数据量很大时效果明显（堆排序适合处理大数据）。
- O(n1+￡)阶：￡是介于0和1之间的常数，即0<￡<1。希尔排序
稳定排序：插入排序，冒泡排序，二叉树排序，归并排序
不稳定排序：快速排序（快），希尔排序（些），选择排序（选），堆排序（一堆）。
【只需记住一句话（快些选一堆美女）是不稳定的，其他都是稳定的，OK轻松搞定。】
选择思路：
因为不同的排序方法适应不同的应用环境和要求，所以选择合适的排序方法应综合考虑下列因素：
①待排序的记录数目n；
②记录的大小(规模)；
③关键字的结构及其初始状态；
④对稳定性的要求；
⑤时间和辅助空间复杂度等；
⑥存储结构。
- 折半查找：记录数较多
- 快速排序：就平均时间而言，快排是所有排序算法中效果最好的
- 堆排序：数据多，求TopN的场景
- 基数排序：数据多，但是数据的范围小
- 直接插入：数据较少，或者数据基本有序
- 若n**较小**(如n≤50)，可采用直接插入或直接选择排序
- 若n**较大**，则应采用时间复杂度为O(nlgn)的排序方法：快速排序、堆排序或归并排序
快排、冒泡、插入、shell排序，会受到初始序列的影响。
再次“温习”下稳定性与复杂度：
“快餐”式温习：
参考
[1] 常见排序算法及对应的时间复杂度和空间复杂度
[2]排序算法性能和使用场景总结
数据结构复习之顺序表以及链表的方式实现常用的几种排序算法