Go语言算法之美—进阶排序

上一篇文章讲述了几种基础的排序算法,可以回顾一下:Go 语言算法之美—基础排序,这几种算法平均情况下的时间复杂度都是O(n2),在大规模数据下是非常低效的,所以它们的应用并不多。

这篇文章再来看看几种在实践当中更加常用、也更加复杂一点的排序算法,分别是希尔排序、堆排序、快速排序、归并排序。

1、希尔排序

希尔排序其实是对插入排序的一种优化,回想一下,插入排序的流程是:将数据分为了已排序区间和未排序区间,依次遍历未排序区间的值,将其插入到已排序区间合适的位置。

插入排序的一个最大的缺点是:每次只能移动一位,这样在一些极端的情况下会非常低效;例如数据2 3 5 7 9 0,如果将 0 移动至元素头部,需要遍历整个数组。

希尔排序的优化点就在于此,它的核心思想是将数据中的元素分为了多个组,每一组分别进行插入排序。

举一个简单的例子:有数据35 33 42 10 14 19 27 44,首先将数据以其长度的 1/2 (也就是 4)为步长,分为了四个组,分别是{35,14}、{33,19}、{42,27}、{10,44}

Go语言算法之美—进阶排序插图1

然后对每一组分别进行插入排序,排序后的结果如下:

Go语言算法之美—进阶排序插图3

然后步长缩小一半,变为 2 ,将数组分为了两个组,分别是{14,27,35,42}、{19,10,33,44}

Go语言算法之美—进阶排序插图5

然后再分别对这两个组进行插入排序,结果就是 14 10 27 19 35 33 42 44。

最后,步长再缩小一半,变为 1,将数组分为了一个组(其实就是数组本身),并再进行插入排序,这样希尔排序的流程便完成了。

可以看到,希尔排序将数组分为了多个组,其实是为了尽可能的将数据变得局部有序,代码如下:

funcShellSort(data []int){length :=len(data)step := length /2forstep >=1{fori :=0; i < length-step; i++ {j, k := i+step, data[i+step]for; j > step-1&& data[j-step] > k; j -= step {data[j] = data[j-step]}data[j] = k}step /=2}}

希尔排序实际应用并不是很多,它的相关复杂度如下:

Time Complexity
BestO(nlog n)
WorstO(n2)
AverageO(nlog n)
Space ComplexityO(1)
Stabilityno

2、堆排序

要理解堆排序,必须得先明白什么是二叉堆。二叉堆(以下简称堆)是一种很优雅的数据结构,它是一种特殊的二叉树,满足二叉树的两个特性便可以叫做堆:

  • 是一个完全二叉树

  • 堆中任意一个节点的值都必须大于等于(或者小于等于)其子树中的所有节点值

对于节点大于等于子树中节点值的堆,叫做大顶堆,反之则叫做小顶堆,以下是两个堆的例子:

Go语言算法之美—进阶排序插图7

从定义和上图中可以看到,堆的一个特点是,堆顶元素就是堆中最大(或最小)的元素。

堆其实可以使用数组来存储,堆顶元素就是数组的第一个元素,并且对于任意下标为 i 的节点,其左子节点是 2 * i + 1,右子节点是 2 * i + 2,有了这个对应关系,堆在数组中的存储就是这样的:

Go语言算法之美—进阶排序插图9

理解了什么是堆之后,接下来进入正题,看看如何基于堆实现排序。堆排序的步骤一般有两个,分别是构造堆和排序,下面依次介绍。

构造堆

构造堆指的是将无序的数组构造成堆(这里使用大顶堆进行讲解),使其符合堆的特征,举一个例子,对于一个完全无序的数组,其原始状态和存储结构如下图:

Go语言算法之美—进阶排序插图11

要使其变成大顶堆,我们可以这样做:从第一个非叶子节点开始,依次将其和子节点的值进行比较,如果小于子节点的值,交换节点顺序,然后再依次比较下去,直到叶子节点。

这样就能够始终满足堆的特性,任意节点的值总是大于其子树中所有节点的值。

排序

堆构建完成之后就是排序了,前面提到了堆有一个很重要的特性,那就是堆顶元素就是最大的元素,我们遍历数组的长度,每次都取堆顶的元素(下标为 0 的元素),将其和数组最后的元素交换位置,然后重新将剩下的数据组织成堆,继续取堆顶的最大元素,以此类推。

Go语言算法之美—进阶排序插图13

将两个步骤结合起来,就是堆排序的完整实现了,代码如下:

// 堆排序funcHeapSort(data []int){// 构建堆length :=len(data)fori := (length -2) /2; i >=0; i-- {heapify(data, length, i)}// 排序forlength >0{length--data[length], data[0] = data[0], data[length]heapify(data, length,0)}}funcheapify(data []int, size, iint){for{max := iif2*i+1< size && data[2*i+1] > data[max] {max =2*i +1}if2*i+2< size && data[2*i+2] > data[max] {max =2*i +2}ifi == max {break}data[i], data[max] = data[max], data[i]i = max}}

相关复杂度如下:

Time Complexity
BestO(nlog n)
WorstO(nlog n)
AverageO(nlog n)
Space ComplexityO(1)
StabilityNo

归并排序

归并排序基于分治思想。

分治,顾名思义就是分而治之,它是一种解决问题的思路,将原始问题分解为多个相同或相似的子问题,然后将子问题解决,并将子问题的求得的解进行合并,这样原问题就能够得到解决了。

分治思想是很多复杂算法的基础,例如归并排序、快速排序、二分查找等等。

言归正传,再来看归并排序,它的概念理解起来非常简单,如果我们要对一组数据进行排序,我们可以将这个数组分为两个子数组,子数组再进行分组,这样子数组排序之后,将结果合并起来,就能够得到原始数据排序的结果。

下面这张图展示了将一个问题分解为多个子问题的过程:

Go语言算法之美—进阶排序插图15

子问题得到解决之后,需要将结果合并,合并的过程如下图:

Go语言算法之美—进阶排序插图17

代码实现如下:

//归并排序func MergeSort(data []int) {mergeSortHelper(data,0,len(data)-1)}func mergeSortHelper(data []int,lo,hiint) {iflo<hi{mid :=lo+ (hi-lo)/2mergeSortHelper(data,lo, mid)mergeSortHelper(data, mid+1,hi)merge(data,lo, mid,hi)}}func merge(data []int,lo, mid,hiint) {temp :=make([]int,hi-lo+1)i,j,k:=lo, mid+1,0fori <= mid &&j<=hi{ifdata[i] < data[j] {temp[k] = data[i]i++}else{temp[k] = data[j]j++}k++}copy(temp[k:], data[i:mid+1])copy(temp[k:], data[j:hi+1])copy(data[lo:hi+1], temp[:])}

相关复杂度如下:

Time Complexity
BestO(n*log n)
WorstO(n*log n)
AverageO(n*log n)
Space ComplexityO(n)
StabilityYes

3、快速排序

快速排序通常叫做快排,它应该是应用最广泛的一个排序算法了,很多编程语言内置的排序方法,都或多或少使用到了快速排序,因为快速排序的时间复杂度可以达到 O(nlogn),并且是原地排序,前面介绍的几种排序算法都无法将这两个优点结合起来。

快排和归并排序类似,都采用了分治思想,但是它的解决思路却和归并排序不太一样。

如果要排序一个数组,我们可以从数组中选择一个数据,做为分区点(pivot),然后将小于分区点的放到分区点的左侧,大于分区点的放到其右侧,然后对于分区点左右两边的数据,继续采用这种分区的方式,直到数组完全有序。

概念读起来可能有点抽象,这里我画了一张图来帮助你理解整个排序的过程:

Go语言算法之美—进阶排序插图19

上图展示了第一次分区的过程,假设要排序的数组的下标是 p ~ r,我们取数组的最后一个元素 5 做为分区点,然后比 5 小的数字 0 3 1 2 移动到 5 的左边,比 5 大的数字 9 6 8 7 移动到 5 的右边。

然后以数字 5 为分界点,其左边的数字(下标为 p ~ q – 1),以及右边的数字(下标为 q + 1 ~ r),分别再进行同样的分区操作,一直分下去,直到数组完全有序,如下图:

Go语言算法之美—进阶排序插图21

下面的动图展示了快速排序的完整过程(注意动图中是选择第一个元素做为分区点的):

Go语言算法之美—进阶排序插图23

如果使用一个简单的公式来表示快速排序,可以写成这样:

intq = partition(data, p, r);quick_sort(data, p, r) = quick_sort(data, p, q -1) + quick_sort(data, q +1, r);

这里有一个 partition 分区函数,它的作用是选择一个分区点,并且将小于分区点的数据放到其左边,大于分区点的放到其右边,然后返回分区点的下标。

其实这个 partition 分区函数是快速排序实现的关键,那究竟怎么实现这个函数呢?很容易想到的一种方式是:直接遍历一次原数组,依次取出小于和大于分区点的数据,将其各自存放到一个临时数组中,然后再依次拷贝回原数组中,过程如下图:

Go语言算法之美—进阶排序插图25

这样做虽然简单,但是存在一个缺陷,那就是每次分区都会使用额外的存储空间,这会导致快速排序的空间复杂度为 O(n),那么就不是原地排序了。

所以快速排序使用了另一种方式来实现分区,并且没有借助额外的存储空间,它是怎么实现的呢?我还是画了一张图来帮助你理解:

Go语言算法之美—进阶排序插图27

声明了两个指针 i 和 j,从数组的最开始处向后移动,这里的移动规则有两个:

  • 是如果 j 所在元素大于分区点,那么 j 向后移动一位,i 不变;

  • 二是如果 j 所在元素小于分区点,那么交换 i 和 j 所在元素,然后 i 和 将 j 同时向后移动一位。

终止的条件是 j 移动至数组末尾,然后交换分区点和 i 所在的元素,i 就是分区点的下标。

理解了这个过程之后,再来看快速排序的代码实现,就会非常的简单了,下面是一个示例:

func QuickSort(data []int) {quickSortHelper(data,0,len(data)-1)}func quickSortHelper(data []int,lo,hiint) {iflo<hi{mid := partition(data,lo,hi)quickSortHelper(data,lo, mid-1)quickSortHelper(data, mid+1,hi)}}func partition(data []int,lo,hiint)int{pivot, i,j:= data[hi],lo,loforj<hi{ifdata[j] < pivot {data[j], data[i] = data[i], data[j]i++}j++}data[i], data[hi] = data[hi], data[i]returni}

快速排序相关复杂度如下:

Time Complexity
BestO(n*log n)
WorstO(n2)
AverageO(n*log n)
Space ComplexityO(log n)
StabilityNo

文中的全部代码可在我的 Github 上查看:https://github.com/roseduan/Go-Algorithm


往期文章推荐:

Go语言算法之美—进阶排序插图29

从零实现一个 k-v 存储引擎

Go语言算法之美—进阶排序插图31

Go 语言算法之美—基础排序


题图:from wallheaven.cc

原创文章 Go语言算法之美—进阶排序,版权所有
如若转载,请注明出处:https://www.itxiaozhan.cn/20229517.html

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注