数据结构与算法分析——第七章 排序
Posted 1025xrh
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了数据结构与算法分析——第七章 排序相关的知识,希望对你有一定的参考价值。
7.1 预备知识
1,算法接收 含元素的数组和包含元素个数的整数
2,基于比较的排序
7.2 插入排序
代码实现
void InsertionSort(ElementType A[],int N) { int i,j; ElementType Tmp; for(i = 1 ; i < N ; i++) { Tmp = A[i]; for(j = i ; j > 0 && A[j - 1] > Tmp ; j--) { A[j] = A[j - 1]; } A[j] = Tmp;//避免明显使用交换 } }
理解描述
位置i上元素存于Tmp中,i之前所有更大的元素向右移一位(i前所有元素已排序),Tmp被置于正确位置。
分析
1,(未排序)嵌套循环每个花费N次迭代,为O(N^2)
2,(已排序)为O(N)
void ShellSort(ElementType A[],int N) { int i,j,Increment; ElementType Tmp; for(Increment = N / 2 ; Increment > 0 ; Increment /= 2) { for(i = Increment ; i < N ; i++)//小型插排 { Tmp = A[i]; for(j = i ; j >= Increment && A[j - Increment] > Tmp ; j -= Increment) { A[j] = A[j - Increment]; } A[j] = Tmp; } } }
理解描述
不断缩小增量的插入排序,通过远距离交换以达到一次消除多对逆序(需保证增量变换时不干扰已处理的顺序),减小每一趟工作量,即亚二次运行时间。
分析
定理7.3 使用希尔增量的希尔排序的最坏运行时间为Θ(N^2)
定理7.4 使用 Hibbard 增量的希尔排序的最坏运行时间为Θ(N^2) (Hibbard增量形如 1,3,7,...,2^k - 1)
7.5 堆排序
代码实现
#define LeftChild(i) (2 * (i) + 1)//下标从0开始,因此为 2*i+1 void PercDown(ElementType A[],int i,int N) { int Child; ElementType Tmp; for(Tmp = A[i] ; LeftChild(i) < N ; i = Child)//下标从0开始,注意边界 { Child = LeftChild(i); if(Child != N - 1 && A[Child + 1] > A[Child])//Child != N - 1 即右边还有数据 { Child++;//选出较大的儿子 } if(Tmp < A[Child]) { A[i] = A[Child]; } else { break; } } A[i] = Tmp; } void HeapSort(ElementType A[] , int N) { int i; //BuildHeap for(i = N / 2 ; i >= 0 ; i--)//从右向左,从下向上,逐步下滤 { PercDown(A,i,N); } //DeleteMax for(i = N - 1 ; i > 0 ; i--) { Swap(&A[0] , &A[i]); PercDown(A , 0 , i);//位置0处元素下滤,且元素个数改变
}
}
上图为构建初始堆及排序过程,数组中表,97.58,31,26,41,58,31
理解描述
1,对已有数组元素进行整理,构建max堆(max堆便于实施从小到大排序)
2,排序时通过回收利用空间,避免使用第二个数组
分析
定理7.5 对N个互异项的随机排列进行堆排序,所用的平均比较次数为 2NlogN - O(NlogN)
7.6归并排序
代码实现
void MergeSort(ElementType A[],int N)//驱动例程 { ElementType *TmpArray; TmpArray = malloc(N * sizeof(ElementType)); if(TmpArray != NULL) { MSort(A,TmpArray,0,N - 1); free(TmpArray); } else { FatalError("No space for tmp array"); } } void MSort(ElementType A[],ElementType TmpArray[],int Left,int Right) { int Center; if(Left < Right)//条件成立时再对Center赋值 { Center = (Left + Right) / 2; MSort(A , TmpArray , Left , Center); MSort(A , TmpArray , Center + 1 , Right); Merge(A , TmpArray , Left , Center + 1 , Right);//Center + 1 即右半部分始位置 } } void Merge(ElementType A[] , ElementType TmpArray[] , int Lpos , int Rpos , int RightEnd) { int i , LeftEnd , TmpPos , NumElements; //NumElements 存放每次排序时元素总数(临时数组元素转移至原数组时使用) //TmpPos 记录排序元素在新建数组中*对应*位置 LeftEnd = Rpos - 1; NumElements = RightEnd - Lpos; TmpPos = Lpos; while(Lpos < LeftEnd && Rpos < RightEnd) { if(A[Lpos] < A[Rpos]) { TmpArray[TmpPos++] = A[Lpos++]; } else { TmpArray[TmpPos++] = A[Rpos++]; } } //Copy rest of each half while(Lpos <= LeftEnd) { TmpArray[TmpPos++] = A[Lpos++]; } while(Rpos <= RightEnd) { TmpArray[TmpPos++] = A[Rpos++]; } for(i = 0 ; i < NumElements ; i++ , RightEnd--) { A[RightEnd] = TmpArray[RightEnd]; } }
理解描述
1,递归是怎样实施的?
答:以8个元素为例,左右各分成4 个元素,先处理左边4 个,将左边4个元素重复分隔,直到左边只剩一个元素,达到基准条件,返回最近主程序中,处理右边一个元素,达到基准条件,进行合并,此时这两个元素作为左侧,返回最近主程序中,处理右边两个元素,继续先左后右,处理合并,返回最近主程序中,进行合并。此时总体来看,8个元素,左侧4个已实施“分治”,接下来继续进行递推,过程类似。
2,小块元素合并后怎样存放?
答:小块元素在临时数组*对应位置*进行合并存放,排序后依次放入原数组中,不影响后面元素及其排序。
分析
运行时间:T(N) = O(NlogN)
应用:很难用于主存排序。首先,合并两个线性表需要线性附加内存,其次,数据在数组间拷贝需要时间。
7.7 快速排序
代码实现
//驱动例程 void QuickSort(ElementType A[] , int N) { QSort(A , 0 , N - 1); } //选取枢纽元 //对三元素排序,最值放两边,枢纽元置于 right-1 处(此方法便于设置警戒标志,防止越界) ElementType Median3(ElementType A[] , Left , Right) { int Center; Center = (Left + Right) / 2; if(A[Left] > A[Center]) { Swap(&A[Left] , &A[Center]); } if(A[Left] > A[Right]) { Swap(&A[Left] , &A[Right]); } if(A[Center] > A[Right]) { Swap(&A[Center] , &A[Right]); } Swap(&A[Center] , &A[Right - 1]); return A[Right - 1]; } #define Cutoff (3) void QSort(ElementType A[] , int Left , int Right) { int i , j; ElementType Pivot; if(Left + Cutoff <= Right)//数组内大于3个元素时,分割加递归 { Pivot = Median3(A , Left , Right); i = Left;//因为下方使用的是前自增 j = Right - 1; for( ; ; ) { while(A[++i] < Pivot){} while(A[--j] > Pivot){} if(i < j) { Swap(&A[i],&A[j]); } else { break; } } Swap(&A[i],&A[Right - 1]);//Restore pivot QSort(A , Left , i - 1); QSort(A , i + 1 , Right); } else { InsertionSort(A + Left , Right - Left + 1); } }
理解描述
与归并排序类似,区别是选取枢纽元,以枢纽元为界分割为大小两数组。(适用于大数组)
选取枢纽元:随机选取;三数中值分割法(左,右,中心位置里的中值,同时将三元素排序,便于设置警戒标志,防止越界)
分割策略:1,枢纽元与位置right - 1处元素互换
2,设置i(left),j(right - 1),i 向右滑动直至 i 处元素 >= 枢纽元,j 向左滑动直至 j 处元素 <= 枢纽元,交换i,j处元素
3,i,j交错时,i 处元素与枢纽元交换
分析
最坏情况分析:枢纽元始终为最小元素,T(N) = O(N^2)
最好情况分析:枢纽元位于中间,T(N) = O(NlogN)
平均情况分析:每个文件大小等可能,求出平均分布,T(N) = O(NlogN)
扩展(选择问题的线性期望时间算法)
选择问题:查找集合S中第k个最小元
与快速排序类似,区别在于分割后,若 k <= |S1|,则返回quickselect( S1 , k ),若k = |S1| + 1 ,则枢纽元即为所求,否则返回quickselect(S2 , k - |S1| - 1)
代码实现
#define Cutoff (3) void QuickSelect(ElementType A[] , int k , int N) { QSelect(A , k , 0 , N - 1); } ElementType Median3(ElementType A[] , Left , Right) { int Center; Center = (Left + Right) / 2; if(A[Left] > A[Center]) { Swap(&A[Left] , &A[Center]); } if(A[Left] > A[Right]) { Swap(&A[Left] , &A[Right]); } if(A[Center] > A[Right]) { Swap(&A[Center] , &A[Right]); } Swap(&A[Center] , &A[Right - 1]); return A[Right - 1]; } //位置k - 1处即为第k个最小值 void QSelect(ElementType A[] , int k , int Left , int Right) { int i , j; ElementType Pivot; if(Left + Cutoff <= Right) { Pivot = Median3(A , Left , Right); i = Left; j = Right - 1; for( ; ; ) { while(A[++i] < Pivot){} while(A[--j] > Pivot){} if(i < j) { Swap(&A[i],&A[j]); } else { break; } } Swap(&A[i],&A[Right - 1]);//Restore pivot if(k <= i) { QSelect(A , k , Left , i - 1); } else if(k > i + 1) { QSelect(A , k - i - 1 , i + 1 , Right); } } else { InsertionSort(A + Left , Right - Left + 1); } }
7.8 大型结构的排序
排序时交换整个结构代价是昂贵的,解决办法是让输入数组包含指向结构的指针,通过指针比较关键字,必要时交换指针来进行排序。
7.9 排序的一般下界
引入决策树,通过只使用比较进行排序的每一种算法都可以用决策树表示。
引理7.1:令T是深度为d的二叉树,则T最多有2^d个树叶
引理7.2:具有L片树叶的二叉树深度至少是[ logL ]
定理7.6:只使用元素间比较的任何排序算法在最坏情况下至少需要[ log( N! ) ]次比较
定理7.7:只使用元素间比较的任何排序算法需要进行Ω(NlogN)次比较
7.10 桶式排序
以线性时间进行排序,构建数组,大小包含所有待排元素,初始为0,元素出现以1代替。
7.11 外部排序
简单算法(该部分内容转自@Judy518)——二路合并
例如要对外存中4500个记录进行归并,而内存大小只能容纳750个记录,在第一阶段,我们可以每次读取750个记录进行排序,这样可以分六次读取,进行排序,可以得到六 个有序的归并段,如下图:
每个归并段的大小是750个记录,记住,这些归并段已经全部写到临时缓冲区(由一个可用的磁盘充当)内了,这是第一步的排序结果。
1、将内存空间划分为三份,每份大小250个记录,其中两个用作输入缓冲区,另外一个用作输出缓冲区。首先对Segment_1和Segment_2进行归并,先从每个归并段中读取250个记录到输入缓冲区,对其归并,归并结果放到输出缓冲区,当输出缓冲区满后,将其写道临时缓冲区内,如果某个输入缓冲区空了,则从相应的归并段中再读取250个记录进行继续归并,反复以上步骤,直至Segment_1和Segment_2全都排好序,形成一个大小为1500的记录,然后对Segment_3和Segment_4、Segment_5和Segment_6进行同样的操作。
2、对归并好的大小为1500的记录进行如同步骤1一样的操作,进行继续排序,直至最后形成大小为4500的归并段,至此,排序结束。
多路合并
1,2-路合并扩充为k-路合并,区别在于寻找k个元素中最小元过程稍微复杂,可通过优先队列寻找最小元,进行DeleteMin操作,得到下一个写到磁盘上的元素
2,在初始顺串构造阶段之后,k-路合并所需趟数为[ logk( N / M ) ]。(N为数据总量,M为内存容量)
多相合并
k-路合并需要2k盘磁带,然而使用 k + 1 盘磁带也有可能完成排序工作,作为例子,这里阐述只用三盘磁带(T1,T2,T3)如何完成2-路合并。
假设T1上有一个输入文件,它将产生34个顺串。
选择一:每盘磁带存入17个,然后合并存放至T1,再将T1前个8顺串存至T2,再次合并存至T3,依次类推。这样每一趟合并附加额外半趟工作。
选择二:将34个顺串不均衡地分成2份,例如21,13,再次进行合并。此时需考虑顺串最初的分配,事实上,若初始顺串为斐波那契数,则将其分裂为2个斐波那契数之和,否则需添加哑顺串填补磁带,将其补足为斐波那契数
替换选择(该部分内容转自@kph_Hajash)
在标准的外排中,一次读入内存可容纳的 M 个记录,排序完依次输出到空磁带上;但这里其实有个小技巧,排完序后输出第一个记录到磁带上时,内存让出了一个记录的空间,这时我们可以从输入磁带取出一个记录,判断它是否大于刚输出的记录,若是,说明它可以放入当前顺串中(顺串是从小到大有序),否则,应暂存内存,等下一个顺串的构造; 这里暂存内存书上讲是放在最小堆的死区(dead space)。
初始顺串的构造详解,绿色箭头表示当前输入状态,Tbn 表示输出状态,内存缓冲表示当前内存中存在的记录(括号内记录表示存在最小堆的死区)
从上图可知,与标准顺串构造方式生成的 5 个顺串相比,替换选择构造的初始顺串记录数更多,顺串数更少,只有 3 个,且前者需要 12 趟完成排序,替换选择只需 3 趟。
以上是关于数据结构与算法分析——第七章 排序的主要内容,如果未能解决你的问题,请参考以下文章
算法漫游指北(第七篇):冒泡排序冒泡排序算法描述动图演示代码实现过程分析时间复杂度和选择排序算法描述动图演示代码实现过程分析时间复杂度