引言:
在排序的最终结果中,各元素的次序依赖于它们之间的比较,我们把这类排序算法称为比较排序,对于包含n个元素的输入序列来说,任何比较排序在最坏情况下都要经过 Ω ( n l g n ) \Omega(nlgn) Ω(nlgn)次比较,下面将讨论三种线性时间复杂度的排序算法。
1.排序算法的下界
比较排序可以被抽象为一棵决策树,以下是作用于三个元素时的比较排序决策树:
在决策树中,,每个内部节点都以 i : j i:j i:j 标记,其中,i 和 j 满足 1 ≤ i , j ≤ n 1 \leq i,j \leq n 1≤i,j≤n,n 是输入序列中的元素个数,每个叶节点上都标注一个序列 < π ( 1 ) , π ( 2 ) , . . . , π ( n ) > <\pi(1),\pi(2),...,\pi(n)> <π(1),π(2),...,π(n)>,排序算法的执行对应于一条从树的根节点到叶结点的路径。每一个内部节点表示一次比较 a i ≤ a j a_i \leq a_j ai≤aj。左子树表示一旦我们确定 a i ≤ a j a_i \leq a_j ai≤aj之后的后续比较,右子树表示在确定了 a i > a j a_i > a_j ai>aj的后续比较。当到达叶节点时,表示排序算法已经确定了一个顺序 a π ( 1 ) ≤ a π ( 2 ) ≤ . . . ≤ a π ( n ) a_{\pi(1)} \leq a_{\pi(2)} \leq ... \leq a_{\pi(n)} aπ(1)≤aπ(2)≤...≤aπ(n)。
在决策树中,从根节点到任意可达叶节点之间的最长简单路径的长度,表示的是对应排序算法中最坏情况下的比较次数。因此,一个比较排序算法中最坏情况比较次数就等于决策树的高度。
对于正确的比较排序算法来说,n 个元素的 n!种可能的排列都应该出现在决策树的叶结点上。在一棵高为 h 、具有 l 个可达叶结点的决策树中,输入数据的 n!中可能的排列都是叶节点,所以有 n ! ≤ l n!\leq l n!≤l 。由于二叉树的高为h,叶结点的数目不多于 2 h 2^h 2h,我们可以得到: n ! ≤ l ≤ 2 h n!\leq l \leq 2^h n!≤l≤2h对该式两边取对数有 h ≥ l g ( n ! ) = Ω ( n l g n ) \begin{aligned} h& \geq lg(n!) \\&=\Omega(nlgn)\end{aligned} h≥lg(n!)=Ω(nlgn) 由此,我们可以得到比较排序算法中的最坏情况比较时间复杂度至少为 n l g n nlgn nlgn
2.计数排序
计数排序的要求: n个输入元素中的每一个都是在 0 到 k 之间的整数,其中 k 为某个整数。
计数排序的基本思路: 对于每一个输入的元素x,确定小于 x 的元素的个数。利用这一信息,我们可以直接把 x 放到它在输出数组中的位置上。
计数排序算法可视化:
- 统计数组A中 0 到 k 元素出现的个数,A数组中元素 i 的个数存放在 C 数组下标 i 的位置。
- 对数组 C 进行前缀和处理。
- 将数组A中的值倒序遍历按照其在映射到 C 数组中对应的下标位置idx,找到其元素值 val ,存放在 B 数组的相应位置,存放完成后,将 val 的值减一。
- 重复过程三,遍历数组 A ,完成排序。
计数排序伪代码:
假设输入是一个数组 A[ 1…n ],A.length = n,B[ 1…n ]数组存放排序的输出,C[ 1…n ]提供临时存储空间。
COUNT—SORT(A,B,k)// 初始化备用数组,将其 0 到 k 之间的下标元素都置为 0let i = 0 to kC[i] = 0// 统计元素值为 A[j] 的元素个数,A[j]作为下标,C[A[j]]作为A[j]的个数for j = 1 to A.lengthC[A[j]] = C[A[j]] + 1// 从 1 到 k 进行前缀和处理,统计比i小的元素有几个for i = 1 to kC[i] = C[i] + C[i-1]// 将A数组从后向前遍历(保证其稳定),是每一个元素插入相应的位置。for j = A.length downto 1B[C[A[j]]] = A[j]C[A[j] = C[A[j] - 1
C++实现计数排序:
- 头文件:
#include <iostream>
#include <vector>
#include <algorithm>
- 调用与传参:
vector<int> A = { 4, 2, 2, 8, 3, 3, 1, 12, 56, 47 };
auto max_num_iter = max_element(A.begin(), A.end());
Counting_Sort(A,*max_num_iter);
- 函数:
void Counting_Sort(vector<int>& A, int max_value) {// 创建计数数组,用于存储每个数字出现的次数 vector<int> C(max_value + 1, 0);// 统计每个数字出现的次数 for (int i = 0; i < A.size(); i++) {C[A[i]]++;}// 求前缀和for (int i = 1; i <= max_value; i++) {C[i] += C[i - 1];}// 创建临时数组,用于存储排序后的数字序列 vector<int> B(A.size());// 从后向前遍历原始数组,将数字按照计数数组中的顺序放入临时数组中 for (int i = A.size() - 1; i >= 0; i--) {B[--C[A[i]]] = A[i];}// 将临时数组中的数字复制回原始数组 for (int i = 0; i < A.size(); i++) {A[i] = B[i];}
}
计数排序时间复杂度分析: 第一个循环所花的时间为 θ ( k ) \theta(k) θ(k),第二个循环所花的时间为 θ ( n ) \theta(n) θ(n),第三个循环所花的时间为 θ ( k ) \theta(k) θ(k),第四个循环所花的时间为 θ ( n ) \theta(n) θ(n),所以,总的时间代价为 θ ( k + n ) \theta(k+n) θ(k+n),在实际工作中(例如对高考成绩排序),当 k = O ( n ) k=O(n) k=O(n) 时,我们会采用计数排序,这样运行时间为 O ( n ) O(n) O(n)。
3.基数排序
基数排序的要求: 只能针对整数进行排序。
基数排序的基本思路: 针对输入数组元素中的每一个数,按照从低位(个位)到高位的方法,利用稳定的排序算法进行排序。
基数排序算法可视化:
基数排序伪代码:
RADIX-SORT(A,d)for i = 1 to duse a stable sort to sort array A on digit i
C++实现基数排序:
- 头文件:
#include <iostream>
#include <vector>
- 调用与传参:
vector<int> arr = { 170, 45, 75, 90, 802, 24, 2, 66};
Radix_Sort(arr);
- 函数:
void Radix_Sort(vector<int>& arr) {// 找到数组中的最大值 int max_num = arr[0];for (int i = 1; i < arr.size(); i++) {if (arr[i] > max_num) {max_num = arr[i];}}// 从最低位开始,按照每个数字的位数进行排序 int exp = 1; // 当前位数 while (max_num / exp > 0) {// 创建桶数组,用于存储当前位数的数字计数 vector<int> bucket(10, 0);for (int i = 0; i < arr.size(); i++) {// 将当前数字放入对应的桶中 bucket[(arr[i] / exp) % 10]++;}// 将桶中的计数转换为累计计数,方便后续放入数字 for (int i = 1; i < 10; i++) {bucket[i] += bucket[i - 1];}// 创建临时数组,用于存储排序后的数字序列 vector<int> temp(arr.size());// 从后向前遍历原始数组,将数字按照当前位数放入对应的桶中 for (int i = arr.size() - 1; i >= 0; i--) {temp[--bucket[(arr[i] / exp) % 10]] = arr[i];}// 将临时数组中的数字复制回原始数组 for (int i = 0; i < arr.size(); i++) {arr[i] = temp[i];}// 更新当前位数 exp *= 10;}
}
基数排序时间复杂度分析:
- 引理1:给定 n 个 d 位数,其中每一个数位有 k 个可能的取值。如果RADIX-SORT使用的稳定排序方法耗时 θ ( n + k ) \theta(n+k) θ(n+k),那么它就可以在 θ ( d ∗ ( n + k ) ) \theta(d*(n+k)) θ(d∗(n+k)) 时间内将这些数排好序。
- 引理2:给定 n 个 b 位二进制数和任何整数 r ≤ b r\leq b r≤b,如果RADIX-SORT使用的稳定排序算法对数据取值区间是 0 到 k 的输入进行排序耗时 θ ( n + k ) \theta(n+k) θ(n+k),那么它就可以在 θ ( ( b / r ) ( n + 2 r ) ) \theta((b/r)(n+2^r)) θ((b/r)(n+2r))时间内将这些数据排好序。
4.桶排序
桶排序的要求: 输入数据服从均匀分布,元素取值在 [0,1) 之间。
桶排序的基本思路: 桶排序将 [0,1) 区间划分为 n 个相同大小的子区间,或称为桶。然后,将 n 个输入数分别放到各个桶中。因为输入数据是均匀、独立分布在 [0,1) 区间上,所以一般不会出现很多数落在一个区间的情况。为了得到输出结果,我们先对每个桶中的数进行排序,然后遍历每一个桶,按照次序把各个桶中的元素列出来即可。
桶排序算法可视化:
桶排序伪代码:
BUCKET-SORT(A)n = A.lengthlet B[0..n-1] be a new arrayfor i =0 to n-1make B[i] an empty listfor i = 1 to ninsert A[i] into list B[floor(nA[i])]for i = 0 to n-1sort list B[i] with insertion sortconcatenate the list B[0],B[1],...,B[n-1] together in order
C++实现桶排序:
- 头文件:
# include <vector>
# include <iostream>
# include <algorithm>
# include <cmath>
- 调用与传参:
vector<float> A = { 0.78,0.17,0.39,0.26,0.72,0.94,0.21,0.12,0.23,0.68 };
Bucket_Sort(A);
- 函数:
void Bucket_Sort(vector<float>& A) {int n = A.size();// Step 1: 初始化桶数组 B vector<vector<float>> B(n);// Step 2: 将元素插入到对应的桶中 for (int i = 0; i < n; i++) {int bucketIndex = n * A[i]; // 计算元素应进入哪个桶 B[bucketIndex].push_back(A[i]);}// Step 3: 对每个桶中的元素进行排序,这里使用插入排序 for (int i = 0; i < n; i++) {sort(B[i].begin(), B[i].end());}// Step 4: 将排序后的桶合并到一起 int index = 0; // 用于跟踪合并后的数组中的下一个空位置 for (int i = 0; i < n; i++) {for (int j = 0; j < B[i].size(); j++) {A[index++] = B[i][j];}}
}
桶排序时间复杂度分析:
假设 n i n_i ni 表示桶 B[i] 中元素个数的随机变量,因为插入排序的的时间是平方阶的,索引桶排序的时间代价为: T ( n ) = θ ( n ) + ∑ i = 1 n − 1 O ( n i 2 ) T(n) = \theta (n)+\sum_{i=1}^{n-1}O(n_i^2) T(n)=θ(n)+i=1∑n−1O(ni2)
对上式两边取期望,并利用期望的线性性质得到: E [ T ( n ) ] = E [ θ ( n ) + ∑ i = 1 n − 1 O ( n i 2 ) ] = θ ( n ) + ∑ i = 1 n − 1 E [ O ( n i 2 ) ] = θ ( n ) + ∑ i = 1 n − 1 O E [ ( n i 2 ) ] \begin{aligned} E[T(n)] &= E[\theta (n)+\sum_{i=1}^{n-1}O(n_i^2)]\\&= \theta (n)+\sum_{i=1}^{n-1}E[O(n_i^2)]\\&= \theta (n)+\sum_{i=1}^{n-1}OE[(n_i^2)]\end{aligned} E[T(n)]=E[θ(n)+i=1∑n−1O(ni2)]=θ(n)+i=1∑n−1E[O(ni2)]=θ(n)+i=1∑n−1OE[(ni2)]
因为输入数组 A 的每一个元素是等概率的落入任意一个桶中,所以每个桶 i 具有相同的期望值 E [ n i 2 ] E[n_i^2] E[ni2],我们定义随机变量:对所有 i = 0,1,…,n-1 和 j = 1,2,…,n, X i j = I { A [ j ] 落入桶 i } X_{ij}=I \{ A[j]落入桶 i \} Xij=I{A[j]落入桶i}
因此有: n i = ∑ j = 1 n X i j n_i=\sum_{j=1}^nX_{ij} ni=j=1∑nXij
为了计算 E [ n i 2 ] E[n_i^2] E[ni2] ,我们展开平方项,并重新组合各项:
E [ n i 2 ] = E [ ( ∑ j = 1 n X i j ) 2 ] = E [ ∑ j = 1 n ∑ k = 1 n X i j X i k ] = E [ ∑ j = 1 n X i j 2 + ∑ j = 1 n ∑ k = 1 , k ≠ j n X i j X i k ] = ∑ j = 1 n E [ X i j 2 ] + ∑ j = 1 n ∑ k = 1 , k ≠ j n E [ X i j X i k ] \begin{aligned} E[n_i^2] &= E[(\sum_{j=1}^nX_{ij})^2] \\&=E[\sum_{j=1}^n\sum_{k=1}^nX_{ij}X_{ik}] \\&=E[\sum_{j=1}^nX_{ij}^2+\sum_{j=1}^n\sum_{k=1,k \neq j}^nX_{ij}X_{ik}] \\&=\sum_{j=1}^nE[X_{ij}^2]+\sum_{j=1}^n\sum_{k=1,k \neq j}^nE[X_{ij}X_{ik}] \end{aligned} E[ni2]=E[(j=1∑nXij)2]=E[j=1∑nk=1∑nXijXik]=E[j=1∑nXij2+j=1∑nk=1,k=j∑nXijXik]=j=1∑nE[Xij2]+j=1∑nk=1,k=j∑nE[XijXik]
接下来我们计算最后的两项, X i j X_{ij} Xij 为 1 的概率为 1 n \frac{1}{n} n1 ,其他情况都是 0,于是有: E [ X i j 2 ] = 1 2 ∗ 1 n + 0 2 ∗ ( 1 − 1 n ) = 1 n E[X_{ij}^2] = 1^2*\frac{1}{n}+0^2*(1-\frac{1}{n})=\frac{1}{n} E[Xij2]=12∗n1+02∗(1−n1)=n1
当 k ≠ j k\neq j k=j时,随机变量 X i j 和 X i k X_{ij}和X_{ik} Xij和Xik是独立的,因此有:
E [ X i j X i k ] = E [ X i j ] E [ X i k ] = 1 n ∗ 1 n = 1 n 2 E[X_{ij}X_{ik}] =E[X_{ij}]E[X_{ik}]=\frac{1}{n}*\frac{1}{n}=\frac{1}{n^2} E[XijXik]=E[Xij]E[Xik]=n1∗n1=n21
将这两个期望值代入公式得到:
E [ n i 2 ] = ∑ j = 1 n 1 n + ∑ j = 1 n ∑ k = 1 , k ≠ j n 1 n 2 = n ∗ 1 n + n ( n − 1 ) ∗ 1 n 2 = 1 + n − 1 n = 2 − 1 n \begin{aligned}E[n_i^2] &=\sum_{j=1}^n\frac{1}{n}+\sum_{j=1}^n\sum_{k=1,k \neq j}^n\frac{1}{n^2} \\&= n*\frac{1}{n}+n(n-1)*\frac{1}{n^2}\\& = 1+\frac{n-1}{n}\\&=2-\frac{1}{n}\end{aligned} E[ni2]=j=1∑nn1+j=1∑nk=1,k=j∑nn21=n∗n1+n(n−1)∗n21=1+nn−1=2−n1
最终我们可以得到结论,桶排序的期望运行时间为: θ ( n ) + n ∗ O ( 2 − 1 / n ) = θ ( n ) \theta(n)+n*O(2-1/n)=\theta(n) θ(n)+n∗O(2−1/n)=θ(n)
即使输入数据不服从均匀分布,只要输入的数据满足:所有的桶的大小的平方和与总的元素的个数呈线性关系,那么桶排序仍能在线性时间内完成。