7 种最基础的排序算法全解析

本文来自作者 耀升 在 GitChat 上分享「常见的七种排序算法解析」

1. 选择排序

实现原理

首先从未排序序列中找到最小的元素，放置到排序序列的起始位置，然后从剩余的未排序序列中继续寻找最小元素，放置到已排序序列的末尾。所以称之为选择排序。

代码实现

案例分析

时间复杂度与空间复杂度

每次要找一遍最小值，最坏情况下找 n 次，这样的过程要执行 n 次，所以时间复杂度还是 O(n^2)。空间复杂度是 O(1)。

2. 快速排序

实现原理

• 在数据集之中，选择一个元素作为”基准”（pivot）。

• 所有小于”基准”的元素，都移到”基准”的左边；所有大于”基准”的元素，都移到”基准”的右边。这个操作称为分区 （partition）。

  操作，分区操作结束后，基准元素所处的位置就是最终排序后它的位置。

• 对”基准”左边和右边的两个子集，不断重复第一步和第二步，直到所有子集只剩下一个元素为止。

代码实现

案例分析

时间复杂度与空间复杂度

快速排序也是一个不稳定排序，平均时间复杂度是 O(nlogn)。空间复杂度是 O(logn)。

3. 冒泡排序

实现原理

依次比较相邻的两个元素，如果第一个元素大于第二个元素就交换它们的位置。这样比较一轮之后，最大的元素就会跑到队尾。然后对未排序的序列重复这个过程，最终转换成有序序列。

代码实现

案例分析

以数组 arr = [3 4 2 8 0] 为例说明，加粗的数字表示每次循环要比较的两个数字：

时间复杂度与空间复杂度

由于我们要重复执行n次冒泡，每次冒泡要执行n次比较（实际是1到n的等差数列，也就是 (a1 + an) * n / 2），也就是 O(n^2)。 空间复杂度是O(1)。

4. 插入排序

实现原理

• 认为第一个元素是排好序的，从第二个开始遍历。

• 拿出当前元素的值，从排好序的序列中从后往前找。

• 如果序列中的元素比当前元素大，就把它后移。直到找到一个小的。

• 把当前元素放在这个小的后面（后面的比当前大，它已经被后移了）。

代码实现

原理图解

案例1

案例2

时间复杂度与空间复杂度

因为要选择 n 次，而且插入时最坏要比较n次，所以时间复杂度同样是 O(n^2)。空间复杂度是 O(1)。

5. 希尔排序

实现原理

• 先取一个正整数 d1(d1 < n)，把全部记录分成 d1 个组，所有距离为 d1 的倍数的记录看成一组，然后在各组内进行插入排序

• 然后取 d2(d2 < d1)

• 重复上述分组和排序操作；直到取 di = 1(i >= 1) 位置，即所有记录成为一个组，最后对这个组进行插入排序。一般选 d1 约为
  n/2，d2 为 d1 /2， d3 为 d2/2 ，…， di = 1。

代码实现

案例分析

假设有数组 array = [80, 93, 60, 12, 42, 30, 68, 85, 10]，首先取 d1 = 4，将数组分为 4 组，如下图中相同颜色代表一组：

然后分别对 4 个小组进行插入排序，排序后的结果为：

然后，取 d2 = 2，将原数组分为 2 小组，如下图：

然后分别对 2 个小组进行插入排序，排序后的结果为：

最后，取 d3 = 1，进行插入排序后得到最终结果：

时间复杂度与空间复杂度

希尔排序的时间复杂度受步长的影响，平均时间复杂度是 O(n log2 n)，空间复杂度是 O(1)。

6. 归并排序

实现原理

• 把 n 个记录看成 n 个长度为 l 的有序子表

• 进行两两归并使记录关键字有序，得到 n/2 个长度为 2 的有序子表

• 重复第 2 步直到所有记录归并成一个长度为 n 的有序表为止。

总而言之，归并排序就是使用递归，先分解数组为子数组，再合并数组。

代码实现

   public static int[] mergeSort(int[] arr){        int[] temp =new int[arr.length];        internalMergeSort(arr, temp, 0, arr.length-1);        return temp;    }    private static void internalMergeSort(int[] a, int[] b, int left, int right){        //当left==right的时，已经不需要再划分了        if (left<right){            int middle = (left+right)/2;            internalMergeSort(a, b, left, middle);          //左子数组            internalMergeSort(a, b, middle+1, right);       //右子数组            mergeSortedArray(a, b, left, middle, right);    //合并两个子数组        }    }    // 合并两个有序子序列 arr[left, ..., middle] 和 arr[middle+1, ..., right]。temp是辅助数组。    private static void mergeSortedArray(int arr[], int temp[], int left, int middle, int right){        int i=left;        int j=middle+1;        int k=0;        while ( i<=middle && j<=right){            if (arr[i] <=arr[j]){                temp[k++] = arr[i++];            }            else{                temp[k++] = arr[j++];            }        }        while (i <=middle){            temp[k++] = arr[i++];        }        while ( j<=right){            temp[k++] = arr[j++];        }        //把数据复制回原数组        for (i=0; i<k; ++i){            arr[left+i] = temp[i];        }    }

案例分析

案例1

以数组 array = [4 2 8 3 5 1 7 6] 为例，首先将数组分为长度为 2 的子数组，并使每个子数组有序：

案例2

时间复杂度与空间复杂度

在合并数组过程中，实际的操作是当前两个子数组的长度，即 2m。又因为打散数组是二分的，最终循环执行数是 logn。所以这个算法最终时间复杂度是 O(nlogn)，空间复杂度是 O(1)。

7. 堆排序

实现原理

堆排序就是把最大堆堆顶的最大数取出，将剩余的堆继续调整为最大堆，再次将堆顶的最大数取出，这个过程持续到剩余数只有一个时结束。在堆中定义以下几种操作：

• 最大堆调整（Max-Heapify）：将堆的末端子节点作调整，使得子节点永远小于父节点

• 创建最大堆（Build-Max-Heap）：将堆所有数据重新排序，使其成为最大堆

• 堆排序（Heap-Sort）：移除位在第一个数据的根节点，并做最大堆调整的递归运算

• Parent(i) = floor((i-1)/2)，i 的父节点下标

• Left(i) = 2i + 1，i 的左子节点下标

• Right(i) = 2(i + 1)，i 的右子节点下标

代码实现

   /**     * 堆排序     */    public static int[] heapSort(int[] arr) {        // 将待排序的序列构建成一个大顶堆        for (int i = arr.length / 2; i >= 0; i--){            heapAdjust(arr, i, arr.length);        }        // 逐步将每个最大值的根节点与末尾元素交换，并且再调整二叉树，使其成为大顶堆        for (int i = arr.length - 1; i > 0; i--) {            swap(arr, 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            heapAdjust(arr, 0, i); // 交换之后，需要重新检查堆是否符合大顶堆，不符合则要调整        }        return arr;    }    /**     * 构建堆的过程     * @param arr 需要排序的数组     * @param i 需要构建堆的根节点的序号     * @param n 数组的长度     */    private static void heapAdjust(int[] arr, int i, int n) {        int child;        int father;        for (father = arr[i]; leftChild(i) < n; i = child) {            child = leftChild(i);            // 如果左子树小于右子树，则需要比较右子树和父节点            if (child != n - 1 && arr[child] < arr[child + 1]) {                child++; // 序号增1，指向右子树            }            // 如果父节点小于孩子结点，则需要交换            if (father < arr[child]) {                arr[i] = arr[child];            } else {                break; // 大顶堆结构未被破坏，不需要调整            }        }        arr[i] = father;    }    // 获取到左孩子结点    private static int leftChild(int i) {        return 2 * i + 1;    }    // 交换元素位置    private static void swap(int[] arr, int index1, int index2) {        int tmp = arr[index1];        arr[index1] = arr[index2];        arr[index2] = tmp;    }

案例分析

时间复杂度与空间复杂度

堆执行一次调整需要 O(logn) 的时间，在排序过程中需要遍历所有元素执行堆调整，所以最终时间复杂度是 O(nlogn)。空间复杂度是 O(1)。

授权转自：GitChat技术杂谈