归并排序和快速排序。这两种排序算法适合大规模的数据排序,比上一节讲的那三种排序算法要更常用。归并排序和快速排序都用到了分治思想,非常巧妙。我们可以借鉴这个思想,来解决非排序的问题,比如:如何在 O(n) 的时间复杂度内查找一个无序数组中的第 K 大元素? 这就要用到我们今天要讲的内容。
一、归并排序(Merge Sort)
概念
归并排序的核心思想还是蛮简单的。如果要排序一个数组,我们先把数组从中间分成前后两部分,然后对前后两部分分别排序,再将排好序的两部分合并在一起,这样整个数组就都有序了。
归并排序使用的就是分治思想。分治,顾名思义,就是分而治之,将一个大问题分解成小的子问题来解决。小的子问题解决了,大问题也就解决了。
从我刚才的描述,你有没有感觉到,分治思想跟我们前面讲的递归思想很像。是的,分治算法一般都是用递归来实现的。分治是一种解决问题的处理思想,递归是一种编程技巧,这两者并不冲突。
写递归代码的技巧就是,分析得出递推公式,然后找到终止条件,最后将递推公式翻译成递归代码。所以,要想写出归并排序的代码,我们先写出归并排序的递推公式。
递推公式:
merge_sort(p…r) = merge(merge_sort(p…q), merge_sort(q+1…r))
终止条件:
p >= r 不用再继续分解
**伪代码**
// 归并排序算法, A是数组,n表示数组大小
merge_sort(A, n) {
merge_sort_c(A, 0, n-1)
}
// 递归调用函数
merge_sort_c(A, p, r) {
// 递归终止条件
if p >= r then return
// 取p到r之间的中间位置q
q = (p+r) / 2
// 分治递归
merge_sort_c(A, p, q)
merge_sort_c(A, q+1, r)
// 将A[p...q]和A[q+1...r]合并为A[p...r]
merge(A[p...r], A[p...q], A[q+1...r])
}
**自己写的归并排序:(有误)**
public class Test {
public static void main(String[] args) {
int[] arr = new int[]{5,8,6,2,7,3,10,4,1,9};
meger_sort(arr, 0, arr.length-1);
// sort(arr, 0, arr.length-1);
System.out.println(Arrays.toString(arr));
}
public static void meger_sort(int[] target, int left, int right) {
int mid = (left + right) / 2;
if(left >= right) {
return; // 结束条件
}
meger_sort(target, left, mid); // 左部分递归分治
meger_sort(target, mid+1, right); // 右部分递归分治
sort(target, left, right); // 求和
}
// 插入排序
public static void sort(int[] target, int left, int right) {
for (int i = left+1; i <= right; i++) {
int value = target[i];
int j = i;
while(j > 0) {
if(target[j-1] > value) {
target[j] = target[j-1];
} else {
break;
}
j--;
}
target[j] = value;
}
System.out.println(left + "=" + right + " " + Arrays.toString(target));
}
}
代码结果:
0=1 [5, 8, 6, 2, 7, 3, 10, 4, 1, 9]
0=2 [5, 6, 8, 2, 7, 3, 10, 4, 1, 9]
3=4 [5, 6, 8, 2, 7, 3, 10, 4, 1, 9]
0=4 [2, 5, 6, 7, 8, 3, 10, 4, 1, 9]
5=6 [2, 5, 6, 7, 8, 3, 10, 4, 1, 9]
5=7 [2, 5, 6, 7, 8, 3, 4, 10, 1, 9]
8=9 [2, 5, 6, 7, 8, 3, 4, 10, 1, 9]
5=9 [1, 2, 5, 6, 7, 8, 3, 4, 9, 10]
0=9 [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
代码问题:既然是使用归并排序,那么你使用插入排序已经可以解决问题了,那么还要在写个归并排序干嘛?它归并排序本来是通过开辟额外的数组空间来保存每次分治的结果,那使用插入排序是不是错了呢???
老师的思路:
merge()函数的代码:
merge(A[p...r], A[p...q], A[q+1...r]) {
var i := p,j := q+1,k := 0 // 初始化变量i, j, k
var tmp := new array[0...r-p] // 申请一个大小跟A[p...r]一样的临时数组
while i<=q AND j<=r do {
if A[i] <= A[j] {
tmp[k++] = A[i++] // i++等于i:=i+1
} else {
tmp[k++] = A[j++]
}
}
// 判断哪个子数组中有剩余的数据
var start := i,end := q
if j<=r then start := j, end:=r
// 将剩余的数据拷贝到临时数组tmp
while start <= end do {
tmp[k++] = A[start++]
}
// 将tmp中的数组拷贝回A[p...r]
for i:=0 to r-p do {
A[p+i] = tmp[i]
}
}
你还记得第 7 讲讲过的利用哨兵简化编程的处理技巧吗?merge() 合并函数如果借助哨兵,代码就会简洁很多,这个问题留给你思考。
哨兵方法:
1. 先将要合并的两个放到tmpLeft和tmpRight数组,其中每个数组都多出一个位置放哨兵
2. tmpLeft[leftSize] = int.MaxValue; tmpRight[rightSize] = int.MaxValue;
3.比较两个tmp数组,哪个小就放到原数组,使用哨兵不用再判断是否有剩下的有序数组
for (k=left,i=0,j=0; k<=right; k++){
if(tmpLeft[i] < tmpRight[j]){
arr[k] = tmpLeft[i]; i++;
}else{
arr[k] = tmpRight[j]; j++;
}
}
最终实现代码:
public static void main(String[] args) {
int[] arr = new int[]{5,8,6,2,7,3,10,4,1,9};
meger_sort(arr, 0, arr.length-1);
System.out.println(Arrays.toString(arr));
}
public static void meger_sort(int[] target, int left, int right) {
int mid = (left + right) / 2;
if(left >= right) {
return; // 结束条件
}
meger_sort(target, left, mid); // 左部分递归分治
meger_sort(target, mid+1, right); // 右部分递归分治
tempSort(target, left, mid, right);
}
public static void tempSort(int[] target, int left, int mid, int right) {
int[] temp = new int[right - left+1];
int index = 0;
int lef = left;
int riL = mid+1;
for (;lef <= mid && riL <= right; ) { // 将两个数组其中一个清空
if(target[lef] <= target[riL]) {
temp[index++] = target[lef++];
} else {
temp[index++] = target[riL++];
}
}
while(riL <= right) {
temp[index++] = target[riL++];
}
while(lef <= mid) {
temp[index++] = target[lef++];
}
// 合并
for (int i = 0; left <= right; ) {
target[left++] = temp[i++];
}
结果:
[5, 8, 6, 2, 7, 3, 10, 4, 1, 9]
[5, 6, 8, 2, 7, 3, 10, 4, 1, 9]
[5, 6, 8, 2, 7, 3, 10, 4, 1, 9]
[2, 5, 6, 7, 8, 3, 10, 4, 1, 9]
[2, 5, 6, 7, 8, 3, 10, 4, 1, 9]
[2, 5, 6, 7, 8, 3, 4, 10, 1, 9]
[2, 5, 6, 7, 8, 3, 4, 10, 1, 9]
[2, 5, 6, 7, 8, 1, 3, 4, 9, 10]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
归并排序的性能分析
第一,归并排序是稳定的排序算法吗?
归并排序稳不稳定关键要看 merge() 函数,也就是两个有序子数组合并成一个有序数组的那部分代码。在合并的过程中,如果 A[p…q]和 A[q+1…r]之间有值相同的元素,那我们可以像伪代码中那样,先把 A[p…q]中的元素放入 tmp 数组。这样就保证了值相同的元素,在合并前后的先后顺序不变。所以,归并排序是一个稳定的排序算法。
第二,归并排序的时间复杂度是多少?
我们假设对 n 个元素进行归并排序需要的时间是 T(n),那分解成两个子数组排序的时间都是 T(n/2)。我们知道,merge() 函数合并两个有序子数组的时间复杂度是 O(n)。所以,套用前面的公式,归并排序的时间复杂度的计算公式就是:
T(1) = C; n=1时,只需要常量级的执行时间,所以表示为C。
T(n) = 2*T(n/2) + n; n>1
T(n) = 2*T(n/2) + n
= 2*(2*T(n/4) + n/2) + n = 4*T(n/4) + 2*n
= 4*(2*T(n/8) + n/4) + 2*n = 8*T(n/8) + 3*n
= 8*(2*T(n/16) + n/8) + 3*n = 16*T(n/16) + 4*n
......
= 2^k * T(n/2^k) + k * n
......
通过这样一步一步分解推导,我们可以得到 T(n) = 2^kT(n/2^k)+kn。当 T(n/2^k)=T(1) 时,也就是 n/2^k=1,我们得到 k=log2n 。我们将 k 值代入上面的公式,得到 T(n)=Cn+nlog2n 。如果我们用大 O 标记法来表示的话,T(n) 就等于 O(nlogn)。所以归并排序的时间复杂度是 O(nlogn)。
从我们的原理分析和伪代码可以看出,归并排序的执行效率与要排序的原始数组的有序程度无关,所以其时间复杂度是非常稳定的,不管是最好情况、最坏情况,还是平均情况,时间复杂度都是 O(nlogn)。
第三,归并排序的空间复杂度是多少?
实际上,递归代码的空间复杂度并不能像时间复杂度那样累加。刚刚我们忘记了最重要的一点,那就是,尽管每次合并操作都需要申请额外的内存空间,但在合并完成之后,临时开辟的内存空间就被释放掉了。在任意时刻,CPU 只会有一个函数在执行,也就只会有一个临时的内存空间在使用。临时内存空间最大也不会超过 n 个数据的大小,所以空间复杂度是 O(n)。
二、快速排序(Quicksort)
概念
快排利用的也是分治思想。乍看起来,它有点像归并排序,但是思路其实完全不一样。我们待会会讲两者的区别。现在,我们先来看下快排的核心思想。
快排的思想是这样的:如果要排序数组中下标从 p 到 r 之间的一组数据,我们选择 p 到 r 之间的任意一个数据作为 pivot(分区点)。
我们遍历 p 到 r 之间的数据,将小于 pivot 的放到左边,将大于 pivot 的放到右边,将 pivot 放到中间。经过这一步骤之后,数组 p 到 r 之间的数据就被分成了三个部分,前面 p 到 q-1 之间都是小于 pivot 的,中间是 pivot,后面的 q+1 到 r 之间是大于 pivot 的。
根据分治、递归的处理思想,我们可以用递归排序下标从 p 到 q-1 之间的数据和下标从 q+1 到 r 之间的数据,直到区间缩小为 1,就说明所有的数据都有序了。
如果我们用递推公式来将上面的过程写出来的话,就是这样:
递推公式:
quick_sort(p…r) = quick_sort(p…q-1) + quick_sort(q+1… r)
终止条件:
p >= r
伪代码:
// 快速排序,A是数组,n表示数组的大小
quick_sort(A, n) {
quick_sort_c(A, 0, n-1)
}
// 快速排序递归函数,p,r为下标
quick_sort_c(A, p, r) {
if p >= r then return
q = partition(A, p, r) // 获取分区点
quick_sort_c(A, p, q-1)
quick_sort_c(A, q+1, r)
}
**原地分区函数的实现思路非常巧妙**,**伪代码如下**
partition(A, p, r) {
pivot := A[r]
i := p
for j := p to r-1 do {
if A[j] < pivot {
swap A[i] with A[j]
i := i+1
}
}
swap A[i] with A[r]
return i
这里的处理有点类似选择排序。我们通过游标 i 把 A[p…r-1]分成两部分。A[p…i-1]的元素都是小于 pivot 的,我们暂且叫它“已处理区间”,A[i…r-1]是“未处理区间”。我们每次都从未处理的区间 A[i…r-1]中取一个元素 A[j],与 pivot 对比,如果小于 pivot,则将其加入到已处理区间的尾部,也就是 A[i]的位置。
数组的插入操作还记得吗?在数组某个位置插入元素,需要搬移数据,非常耗时。当时我们也讲了一种处理技巧,就是交换,在 O(1) 的时间复杂度内完成插入操作。这里我们也借助这个思想,只需要将 A[i]与 A[j]交换,就可以在 O(1) 时间复杂度内将 A[j]放到下标为 i 的位置。
因为分区的过程涉及交换操作,如果数组中有两个相同的元素,比如序列 6,8,7,6,3,5,9,4,在经过第一次分区操作之后,两个 6 的相对先后顺序就会改变。所以,快速排序并不是一个稳定的排序算法。
代码:
public class Test {
public static void main(String[] args) {
int[] arr = new int[]{5,8,6,2,7,3,10,4,1,9};
// meger_sort(arr, 0, arr.length-1);
// sort(arr, 0, arr.length-1);
quickSort(arr, 0, arr.length-1);
System.out.println(Arrays.toString(arr));
}
// 快速排序
public static void quickSort(int[] target, int l, int r) {
if(l >= r) return;
int p = getPartition(target, l, r);
quickSort(target, l, p-1); // 这里有种情况,分区值不用处理
quickSort(target, p+1, r);
}
// 自己思路,这样子写的
public static int getPartition(int[] target, int l, int r) {
System.out.println(l + " " + r);
// 将每次的第一个作为分区点
int index = l; // r 或者 l 都可以
while(l < r) {
while(target[l] < target[index]) {
l++;
}
// 交换
int temp = target[l];
target[l] = target[index];
target[index] = temp;
index = l;
while(target[r] > target[index]) {
r--;
}
// 交换
temp = target[r];
target[r] = target[index];
target[index] = temp;
index = r;
}
return index;
}
// 菜鸟教程找分区值
private int partition(int[] arr, int left, int right) {
// 设定基准值(pivot)
int pivot = left;
int index = pivot + 1;
for (int i = index; i <= right; i++) {
if (arr[i] < arr[pivot]) {
swap(arr, i, index);
index++;
}
}
swap(arr, pivot, index - 1);
return index - 1;
}
private void swap(int[] arr, int i, int j) {
int temp = arr[i];
arr[i] = arr[j];
arr[j] = temp;
}
}
菜鸟教程快速排序图:
快速排序的性能分析
快排的时间复杂度也是 O(nlogn)。
如果数组中的数据原来已经是有序的了,比如 1,3,5,6,8。如果我们每次选择最后一个元素作为 pivot,那每次分区得到的两个区间都是不均等的。我们需要进行大约 n 次分区操作,才能完成快排的整个过程。每次分区我们平均要扫描大约 n/2 个元素,这种情况下,快排的时间复杂度就从 O(nlogn) 退化成了 O(n2)。
一个是分区极其均衡,一个是分区极其不均衡。
三、区别
归并排序的处理过程是由下到上的,先处理子问题,然后再合并。而快排正好相反,它的处理过程是由上到下的,先分区,然后再处理子问题。归并排序虽然是稳定的、时间复杂度为 O(nlogn) 的排序算法,但是它是非原地排序算法。我们前面讲过,归并之所以是非原地排序算法,主要原因是合并函数无法在原地执行。快速排序通过设计巧妙的原地分区函数,可以实现原地排序,解决了归并排序占用太多内存的问题。
四、解答开篇
快排核心思想就是分治和分区,我们可以利用分区的思想,来解答开篇的问题:O(n) 时间复杂度内求无序数组中的第 K 大元素。比如,4, 2, 5, 12, 3 这样一组数据,第 3 大元素就是 4。
我们选择数组区间 A[0…n-1]的最后一个元素 A[n-1]作为 pivot,对数组 A[0…n-1]原地分区,这样数组就分成了三部分,A[0…p-1]、A[p]、A[p+1…n-1]。
如果 p+1=K,那 A[p]就是要求解的元素;如果 K>p+1, 说明第 K 大元素出现在 A[p+1…n-1]区间,我们再按照上面的思路递归地在 A[p+1…n-1]这个区间内查找。同理,如果 K
![image.png](/uploads/projects/zhiansheng@yi7bil/c4c0f525c7c0e6d5d9a4b52bc6217760.png)
为什么上述解决思路的时间复杂度是 O(n)?
第一次分区查找,我们需要对大小为 n 的数组执行分区操作,需要遍历 n 个元素。第二次分区查找,我们只需要对大小为 n/2 的数组执行分区操作,需要遍历 n/2 个元素。依次类推,分区遍历元素的个数分别为、n/2、n/4、n/8、n/16.……直到区间缩小为 1。
如果我们把每次分区遍历的元素个数加起来,就是:n+n/2+n/4+n/8+…+1。这是一个等比数列求和,最后的和等于 2n-1。所以,上述解决思路的时间复杂度就为 O(n)。
你可能会说,我有个很笨的办法,每次取数组中的最小值,将其移动到数组的最前面,然后在剩下的数组中继续找最小值,以此类推,执行 K 次,找到的数据不就是第 K 大元素了吗?
不过,时间复杂度就并不是 O(n) 了,而是 O(K n)。你可能会说,时间复杂度前面的系数不是可以忽略吗?O(K n) 不就等于 O(n) 吗?
这个可不能这么简单地划等号。当 K 是比较小的常量时,比如 1、2,那最好时间复杂度确实是 O(n);但当 K 等于 n/2 或者 n 时,这种最坏情况下的时间复杂度就是 O(n2) 了。