经典排序算法分析
排序指的是将一组对象按照特定的逻辑顺序重新排列的过程，排序的应用十分广泛，可以说是无处不在，它在商业数据处理和现代科学计算中发挥着举足轻重的作用，目前已知的应用最广泛的排序算法—快速排序，更是被誉为了 20 世纪科学和工程领域的十大算法之一。
排序算法有很多，有比较常见的有比如插入排序、归并排序、快速排序，就是我接下来会讲解的这几种；也有一些非常冷门的排序算法，有一些可能你连名字都没听过，例如鸡尾酒排序、侏儒排序、图书馆排序、耐心排序、臭皮匠排序等等……
这篇文章的篇幅较长，涉及到大量图例、证明、代码示例，一次性全部看完可能有点困难，可以分几次多看几遍，自己思考一下，结合一些经典书籍资料等等，相信看完之后你对排序算法的认识会有很大的提升。
在开始讲解之前，先定义一个游戏规则，为了复用部分代码，我写了一个排序的抽象类，当然你可以转换成任何你熟悉的编程语言，如下：
public abstract class AbstractSort {
public abstract void sort(Object[] nums);
/**
* 比较两个数的大小
*/
@SuppressWarnings({"unchecked", "rawtypes"})
public boolean compare(Object v, Object w){
return ((Comparable)v).compareTo(w) < 0;
}
/**
* 交换两个数组元素
*/
public void swap(Object[] nums, int i, int j){
Object temp = nums[i];
nums[i] = nums[j];
nums[j] = temp;
}
/**
* 输出数组内容
*/
public void showArray(Object[] nums){
for (Object num : nums) {
System.out.print(num + " ");
}
}
}
这个类里面的方法也很简单，一个 sort 抽象方法，后续的排序实现类都会实现这个方法，来填充具体的排序逻辑；排序的操作基本上都会依赖比较和交换，因此写了一个 compare 比较方法，比较两个数字的大小，还有一个 swap 方法交换两个数组的元素；最后是一个 showArray 方法，打印出数组内容查看排序的结果是否符合预期。
然后再介绍两个基本的概念，在文章里接下来的分析中我会经常提到：
复杂度
按照惯例，对算法的分析需要关注其复杂度，包括时间复杂度和空间复杂度，排序算法当然也不例外。对于不占用额外的存储空间，空间复杂度是 O(1) 的排序，有一个专用的名词来称呼，叫做原地排序。
稳定性
稳定的排序指的是在排序前后，相等的值的先后顺序不会发生改变，反之即是不稳定的排序。举个例子，一组数据 3 4 4 2 1 5，排序之后是 1 2 3 4 4 5，数组中有两个 4，如果排序之后，两个 4 的先后顺序没有改变，则称排序算法是稳定的。稳定的排序算法在某些特定的场景中会非常有用。
一、基础排序
1. 冒泡排序
很容易想到的一种排序思路是，每次都遍历数组，查看相邻的两个数字的大小并交换位置，这样每次都能够将较大的那个元素移动至数组的另一端。每一次遍历，较大的元素都会像气泡一样慢慢的“浮动”至数组另一端，这便是这个算法被叫做冒泡排序的原因。
下面这张动图展示了冒泡排序的整个过程：
冒泡排序很容易理解，复杂度也很好分析，在最好的情况下，如果数组本来就是有序的，那么只需要遍历一次数组即可，时间复杂度是 O(n)，在最坏的情况下，每排列一个数据，都需要遍历整个数据集，因此时间复杂度是 O(n2)，平均情况下也接近 O(n2)。排序过程不会使用到额外的存储空间，因此空间复杂度是 O(1)，是原地排序。
冒泡排序是稳定的吗？从上面的图中可以看到，每次比较都是交换的两个数值不相等的数据，而相等的数据要么不满足条件不移动，要么满足条件则全部移动，这保证了相等数据的前后顺序不发生改变，因此冒泡排序是稳定的。
下面是一个简单的代码实现供参考：
public class BubbleSort extends AbstractSort {
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
boolean swap = true;
for (int i = 0; swap && i < n; i++) {
swap = false;
for (int j = 0; j < n - i - 1; j++) {
if (compare(nums[j + 1], nums[j])){
swap(nums, j, j + 1);
swap = true;
}
}
}
}
}
需要注意的是，代码中使用到了一个辅助变量 swap，它的作用是标识数据是否已经没有交换了，如果没有则说明数据已经有序了，直接跳出循环，这样可以避免多余的冒泡操作。例如数据 1 2 3 4 5 6，第一遍历之后，发现已经是有序的了，就没有必要再进行后续的遍历。
2. 选择排序
选择排序也很容易理解，对于一个要排序的数组，我们每次都从数组中寻找最小值，并把它和第一个元素交换，然后在剩下的数据中继续寻找最小值，然后将其与数组第二个元素交换，如此循环往复，直到整个数组有序。
下面这张动图可以帮助你理解选择排序的整个过程：
无论在最好还是平均情况下，选择排序的时间复杂度都是 O(n2)，因为就算是要排序一个已经有序的数组，选择排序的逻辑还是要遍历数组寻找最小值。空间复杂度则和冒泡排序一样，是 O(1)。
需要注意的是，选择排序是不稳定的，这是由它的交换特性决定的，我举个例子就容易明白了，例如数据 3 3 2 0 1 5，第一次遍历，我们找到了最小值 0，并把它和第一个数据 3 交换位置，那么这两个 3 的前后顺序就被改变了，因此选择排序不能保证稳定性。
下面是一个简单的代码示例供参考：
public class SelectionSort extends AbstractSort {
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
for (int i = 0; i < n - 1; i++) {
int min = i + 1;
for (int j = i; j < n; j++) {
if (compare(nums[j], nums[min])){
min = j;
}
}
swap(nums, i, min);
}
}
}
3. 插入排序
插入排序的基本思路是：依次遍历每一个数字，并将其和前面已排序的数据进行对比，将其插入到合适的位置。生活中也有很多这样的例子，假如我们手中有一副扑克牌，当新来了一张扑克牌之后，我们便会依次查找，将新来的扑克牌放到合适的位置。
插入排序的过程如下图：
插入排序的时间复杂度和冒泡排序类似，这里不再赘述了，平均情况下的时间复杂度是 O(n2)，空间复杂度是 O(1)，是原地排序。并且插入排序也是稳定的，从上图也很容易明白，在每个数据的遍历交换过程中，相同数据的前后顺序肯定不会被改变。
下面是一个简单的代码示例供参考：
public class InsertionSort extends AbstractSort {
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
for (int i = 0; i < n - 1; i++) {
int j = i + 1;
Object k = nums[j];
while (j > 0 && compare(k, nums[j - 1])){
nums[j] = nums[--j];
}
nums[j] = k;
}
}
}
4. 希尔排序
希尔排序其实是插入排序的一个优化版本，如果你搞懂了插入排序，那么弄懂希尔排序就非常容易了。回想一下，插入排序的特点是：每次比较的时候交换相邻元素，因此数据每次只能移动一位。如果这样的话，对于一些大规模乱序的数据，例如最大值刚好在头部，那么将其移动至尾部，需要移动大概 n - 1 次。
而希尔排序则将数据分成了 n 个组，对每个组内的数据分别进行插入排序，这样就能够将较大的数据一次性移动很多位，为后续的比较交换提供了便利。文字描述起来可能比较的晦涩抽象，可以结合下面的图来看一下：
我们先定义一个增量 k，k 一般为数组长度的 1 / 2 ，上图中要排序的原始数据的个数是 8 ，因此 k = 8 / 2 = 4，所以第一次可以将数组分为 4 组，分别是 (9, 5), (2, 1), (4, 0), (3, 6)，即上图中用直线连接起来的数据，然后将每个组内的数据分别进行插入排序，那么第一次排序之后的结果为：5 1 0 3 9 2 4 6。
可以看到最开始 9 在数组最前面，但是经过第一次排序之后，9 已经向后移动了 4 位，相较于插入排序，这样就减少了移动的次数，希尔排序的性能提升就主要体现在这里。
然后继续进行分组，这时 k 缩小一半变为 2，因此我们将数组分为两组，然后在组内再进行插入排序，如下图：
此时分为了两组，分别是(5, 0, 9, 4), (1, 3, 2, 6)，进行排序之后的结果是：0 1 4 2 5 3 9 6，可以看到此时数组已经基本上是有序的了。
然后 k 再次缩小为 1，我们将数组分为 1 组，其实就是原始的数据了，然后再进行一次插入排序，由于其实数据已经是基本上有序的了，因此只需要微调即可，一般不会进行大量的数据移动：
整个排序的过程当中，增量 k 是一步一步缩小的，正因此，希尔排序其实也叫做缩小增量排序。
下面是一个简单的希尔排序的代码示例：
public class ShellSort extends AbstractSort {
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
int k = n / 2;
while (k >= 1){
for (int i = 0; i < n - k; i++) {
int j = i + k;
Object v = nums[j];
while (j > k - 1 && compare(v, nums[j - k])){
nums[j] = nums[j - k];
j = j - k;
}
nums[j] = v;
}
k = k / 2;
}
}
}
希尔排序的时间复杂度比较难分析，可以大致概括为 O(nlog2n)，但实际上它和定义的增量、数据本身的排列特性等相关，有很多相关论文都进行了分析，但都无法得到具体选择哪个增量是最好的。已知的最好的增量是 Sedgewick 提出的 (1, 5, 19, 41, 109,……)，感兴趣的可以看下 wikipedia 上关于步长序列的描述：维基百科—希尔排序
希尔排序的空间复杂度很好理解，是 O(1)，并且希尔排序是不稳定的，因为它和选择排序类似，都是跳着进行数据的交换，这样就会破坏稳定性。
当数据量较小的时候，希尔排序是一个不错的选择，但是它并没有被广泛的应用，因为在数据量较大的时候，我们更倾向于使用复杂度更优的 O(nlogn) 的排序算法。
5. 总结
前面说到的这几种基础排序算法，在实际当中的使用并不是很多，因为它们的时间复杂度较高，应用在大规模数据中的话，效率将会非常低下，因此它们只适合小规模的数据排序。例如 Java 中的双轴快速排序，在数据量小于 47 时便使用了插入排序。
你也许会纳闷，为什么插入排序、冒泡排序、选择排序的平均时间复杂度都是 O(n2)，但是在大多数情况下，针对数据量较少的情况，一般都会采用插入排序呢？
简单分析一下，选择排序就不用说了，因为它的性能并没有绝对优势，即便是在数组已经有序的情况下，它的时间复杂度仍然是 O(n2)，并且它还不是稳定的，因此选择排序一般并不会考虑使用。
接下来再看看冒泡排序和插入排序，这两者虽然时间复杂度是一样的，但是在实际的排序过程中，冒泡排序的数据交换次数更多，你可以从上面的代码示例中看到，冒泡排序的一次交换涉及到三次操作，而插入排序只需要一次数据赋值，这样的话便使插入排序要稍微快一些。
你可以构造一组随机数据来测试这两种排序算法，例如我在本机测试了一组 5 万个数据，冒泡排序的耗时是 8 秒多一点，而插入排序只使用了不到 3 秒。
//冒泡排序，swap 函数涉及到三次赋值操作
for (int j = 0; j < n - i - 1; j++) {
if (compare(nums[j + 1], nums[j])){
swap(nums, j, j + 1);
swap = true;
}
}
//插入排序，交换时只需要一次数据赋值
while (j > 0 && compare(k, nums[j - 1])){
nums[j] = nums[j - 1];
j--;
}
最后再来看看希尔排序，希尔排序发明于 1959 年，它是最早的时间复杂度突破 O(n2) 的排序算法之一，但是它的应用并不是很广泛，原因在于它遇到了更强劲的“对手”，相较于归并排序，它并不是稳定的，而相较于快速排序，它的性能又没有任何优势可言，因此归并排序和快速排序更受青睐。
二、归并排序
在介绍归并排序之前，先简单说下分治思想。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，相信你已经发现了，这就是典型的利用分治思想解决问题的思路。
下面这张图展示了将一个问题分解为多个子问题的过程：
子问题得到解决之后，需要将结果合并，合并的过程如下图：
下面的动图比较直观的展示了归并排序的整个过程，可以对照起来理解一下：
如果使用一个简单的公式来表示归并排序的话，那么可以写成这样：
merge_sort(data, p, r) = merge(merge_sort(data, p, q), merge_sort(data, q + 1, r));
我来简单解释一下这个公式，我们将排序的数组叫做 data，p 和 r 分别表示其起始和终止下标，因为要进行分组，因此取 p 和 r 的中间值 q，然后对 p 到 q 和 q + 1 到 r 的数据分别再进行排序。
排序之后的结果需要用一个合并的函数来将结果合并，这个函数可以叫做 merge，merge 函数的功能很简单，对于两个已排序的数据区间，假设下标是 p ~ r，我们可以新建一个临时数组，然后依次比较两个已排序的数据区间的值，并将其一 一复制到临时数组中，你可以结合下图来理解一下：
理解了这些之后，再来看归并排序的代码实现就会非常简单了，下面是一个代码示例：
public class MergeSort extends AbstractSort {
private Object[] temp;
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
temp = new Object[n];
sortHelper(nums, 0, n - 1);
}
private void sortHelper(Object[] data, int p, int r){
if (p >= r){
return;
}
int q = p + (r - p) / 2;
sortHelper(data, p, q);
sortHelper(data, q + 1, r);
merge(data, p, q, r);
}
private void merge(Object[] data, int p, int q, int r){
int i = p, j = q + 1;
System.arraycopy(data, p, temp, p, r - p + 1);
for (int k = p; k <= r; k++) {
if (i > q) data[k] = temp[j++];
else if (j > r) data[k] = temp[i++];
else if (compare(temp[j], temp[i])) data[k] = temp[j++];
else data[k] = temp[i++];
}
}
}
2.1 算法分析
归并排序的时间复杂度，一般可以使用两种方式来进行推导，假如将要排序的数组的长度记为 n，排序一个长度为 n 的数组的时间记为 T(n)，由于归并排序需要将原问题分解成子问题，因此 T(n) 又可以写成 T(n) = 2 * T(n/2) + n，其中 n 表示合并两个子数组所需要的时间。
然后继续进行分解，这个公式可以表示成这样：
T(n) = 2 * T(n/2) + n
= 2 * ( 2 * T(n/4) + n/2) + n = 4 * T(n/4) + 2n
= 2 * ( 2 * (2 * T(n/8) + n/4) + n/2) + n = 8 * T(n/8) + 3n
… … …
= 2^k * T(n/2^k) + k*n
可以看到，时间计算公式可以记为：T(n) = 2k * T(n/2k) + k * n，当 n / 2k = 1 的时候，可以得到 k = logn，然后再将 k 代入到公式中，可以得到 T(n) = Cn + nlogn （C 为常数），使用大 O 表示法，那么归并排序的时间复杂度可以大致记为 O(nlogn)。
当然这种分析方式较为复杂抽象，还有一种更加简单直观的方式，我们可以将归并排序的过程使用树的方式，形象的展示出来，大致就是这样的：
可以看到，归并排序的时间复杂度可以使用树结构分级展示，每一层涉及到的操作是分组和合并，所消耗的时间都是一样的 n，因此算法的总体时间复杂度就是 n * 树的高度，可以很明显的看出，这是一颗满二叉树，满二叉树的高度一般是 logn，因此归并排序的时间复杂度就是 O(nlogn)。
归并排序的空间复杂度比较简单，从代码中可以看到，当进行子数组合并的时候，需要一个临时数组 temp，数组的长度等于要排序的数组长度，因此空间复杂度可以表示为 O(n)。
其实归并排序并没有像快速排序那样应用广泛，其中很重要的原因便是它并不是原地排序算法，这是它的一个致命弱点。
最后思索一下归并排序是稳定的吗？这个问题比较好理解，数组的拆分并不会涉及到数据交换，只有合并才会，因此归并排序是否稳定主要取决于 merge 的过程。
假设我们需要合并 1 3 3 5 和 2 3 4 6，可以看到在合并的过程当中，我们的判断条件是单一的，如果第一个数字被放到的了临时数组中，那么后续相同的数字也会依次被放到临时数组中，前后顺序不会被改变，因此归并排序是稳定的。
2.2 自底向上
上面讲到的归并排序是最常见的一种类型，它的特点是自顶向下进行数据拆分，你可以从最开始的分解图清晰的看出来，其实还有另外一种归并排序，它的顺序恰恰相反，是自底向上的，只不过这种方式理解起来并不如上面的直观，你可以简单做个了解。
其思路是这样的：首先进行两两归并（你可以将数组想象成多个只有一个元素的子数组），然后是四四归并（将长度为 2 的子数组合并为长度为 4 的子数组），然后是八八归并，一直进行下去。
下面是一个简单的代码示例：
public class MergeSortBottomUp extends AbstractSort {
private Object[] temp;
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
int n = nums.length;
temp = new Object[n];
for (int i = 1; i < n; i = 2 * i) {
for (int j = 0; j < n - i; j += (2 * i)){
merge(nums, j, j + i - 1, Math.min(j + 2 * i - 1, n - 1));
}
}
}
private void merge(Object[] data, int p, int q, int r){
if (compare(data[q], data[q + 1])){
return;
}
int i = p, j = q + 1;
System.arraycopy(data, p, temp, p, r - p + 1);
for (int k = p; k <= r; k++) {
if (i > q) data[k] = temp[j++];
else if (j > r) data[k] = temp[i++];
else if (compare(temp[j], temp[i])) data[k] = temp[j++];
else data[k] = temp[i++];
}
}
}
三、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工具，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：
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：
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）：
如果使用一个简单的公式来表示快速排序，可以写成这样：
int q = 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，将其各自存放到临时数组中，然后再依次拷贝回原数组中，过程如下图：
相信你也看出来了，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：
这个分区的过程可能不太好理解，你可以多看几遍上面的图，我们声明了两个指针 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：一是如果 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：
public class QuickSort extends AbstractSort {
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
sortHelper(nums, 0, nums.length - 1);
}
private void sortHelper(Object[] data, int p, int r){
if (p >= r){
return;
}
int q = partition(data, p, r);
sortHelper(data, p, q - 1);
sortHelper(data, q + 1, r);
}
private int partition(Object[] data, int p, int r){
Object pivot = data[r];
int i = p, j = p;
while (j < r){
if (compare(data[j], pivot)) {
swap(data, i, j);
i++;
}
j++;
}
swap(data, r, i);
return i;
}
}
3.1 算法分析
快速排序的时间复杂度的表示方法其实和归并排序类似，在最好的情况下，每次分区都能够均匀的将数组一分为二，那么时间复杂度可表示为 T(n) = 2 * T(n/2) + n，由上面的归并排序公式分析可以得出，最后的时间复杂度可以表示为 O(nlogn)，尽管每次分区并不总会是最好情况，但是平均情况下，其时间复杂度还是在 O(nlogn) 左右的。
仔细分析一下，其实快速排序的简洁快速主要体现在：每次分区的时候，数组中的元素其实都在和一个定值比较并判断是否交换，扫描一遍数组之后，便不会再有数据交换了，而归并排序则是在交换比较元素之后，会重新把数组拷贝回原数组，所以可以得出结论，在多数情况下，快速排序其实比归并排序更快，尽管它们的时间复杂度都可以表示为 O(nlogn)。
快速排序另一个重要的特性是原地排序，因为分区的过程中并没有使用到额外的存储空间，空间复杂度是 O(1)，但很遗憾的是，快速排序是不稳定的，因为在分区的过程当中，数据会跳着进行交换，你可以结合我上面的图理解一下。
3.2 算法优化
快速排序作为一种在编程语言中应用很多的算法，很多程序语言设计专家都对其进行了大量的优化，接下来我们可以了解几种比较常用的优化策略。
使用插入排序
在数据量较少的情况下，可以使用插入排序，很多编程语言内置的排序算法都使用到了这个优化办法。
分区点选择
在上面的讲解中，我直接是以数组最后一个元素做为快速排序的分区点，这样做虽然简单，但是可能存在效率低下的情况，例如要排序的数据本来就是或接近有序的，那么每次分区数据的分布都极不均匀，时间复杂度就会退化。
快速排序最理想的情况是，每次分区都能够均匀的将数据一分为二，为了达到或者接近这种情况，分区点的选择其实可以更讲究一点，常用的方法有：随机法，我们可以随机的选择数组中一个数字做为分区点；三数取中，每次都随机的从数组中取出三个数，然后取三个数中间的那一个做为分区点。
三向切分
如果数组中存在大量重复的元素，那么重复的元素其实并不用排序了，但是上面的分区方法还是会把重复的元素切分为更小的数组。针对这种情况，可以使用三向切分的办法，即把数据切分为三份，分别是小于分区点、等于分区点、大于分区点的元素，而等于分区点的元素则不用继续切分。
下面是三向切分的一个代码示例，你可以结合代码来理解一下：
public class QuickSort3Way extends AbstractSort{
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
sortHelper(nums, 0, nums.length - 1);
}
@SuppressWarnings({"unchecked", "rawtypes"})
private void sortHelper(Object[] data, int p, int r){
if (p >= r){
return;
}
int lt = p, i = p + 1, gt = r;
Comparable pivot = (Comparable) data[p];
while (i <= gt){
int cmp = pivot.compareTo(data[i]);
if (cmp > 0){
swap(data, lt++, i++);
} else if (cmp < 0){
swap(data, i, gt--);
} else{
i++;
}
}
sortHelper(data, p, lt - 1);
sortHelper(data, gt + 1, r);
}
}
四、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，以下是几个堆的例子：
从定义和上图中可以看到，堆的一个特点便是，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：
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。
4.1 构造堆
构造堆指的是将无序的数组构造成大顶堆，使其符合大顶堆的特征，举一个例子，对于一个完全无序的数组，其原始的排列顺序就像下图这样：
要使其变成大顶堆，我们可以这样做：从第一个非叶子节点（叶子节点指的是树中没有子节点的节点）开始，依次将其和子节点的值进行比较，根据大顶堆的特性，如果节点的值小于子节点的值，则将其和较大的子节点的值进行交换，然后再依次向下比较，直到叶子节点。
例如上图中的数据，第一个非叶子节点是 3，所以就从 3 开始进行比较，整个过程如下图：
4.2 排序
构造堆完成之后，接下来便是排序了，前面已经提到过，大顶堆有一个重要的特性是其堆顶元素是堆中的最大元素，因此我们可以每次取堆顶的元素，将其放到数组的末尾，然后将堆重新组织，继续取堆顶元素，这样将堆中的元素依次取出之后，整个数组便是有序的了，你可以参考下图理解整个过程：
你也可以结合代码来看一下，下面是一个示例：
public class HeapSort extends AbstractSort{
@Override
public void sort(Object[] nums) {
if (nums == null || nums.length <= 1){
return;
}
buildHeap(nums, nums.length);
for (int i = nums.length - 1; i > 0; i--) {
swap(nums, 0, i);
heapify(nums, 0, i);
}
}
private void buildHeap(Object[] data, int n){
for (int i = (n - 1) / 2; i >= 0; i--) {
heapify(data, i, n);
}
}
private void heapify(Object[] data, int i, int n){
while (true){
int max = i;
if (2 * i + 1 <= n - 1 && compare(data[max], data[2 * i + 1])) {
max = 2 * i + 1;
}
if (2 * i + 2 <= n - 1 && compare(data[max], data[2 * i + 2])) {
max = 2 * i + 2;
}
if (i == max) break;
swap(data, max, i);
i = max;
}
}
}
4.3 算法分析
堆排序的时间复杂度比较好分析，堆是一个完全二叉树，完全二叉树和满二叉树的高度都是 logn，每次重新构建堆的时间消耗是 logn，排序至少需要遍历数组每个元素，时间消耗是 n，因此堆排序的总体时间复杂度便是 O(nlogn)。排序的过程中没有使用到额外的存储空间，空间复杂度是 O(1)，是原地排序。
堆排序并不是稳定的，你可以结合上面的图理解一下，数据在交换的过程当中是像选择排序一样跳着交换的，因此相同数据的前后顺序可能发生变化。
相信你已经注意到了，堆排序和快速排序一样，其时间复杂度是 O(nlogn)，并且它非常稳定（这里的稳定指的是算法的性能，而不是上面说到的算法的稳定特性），在各种数据规模、数据排列特征下，它都能够保持 O(nlogn) 的运行时间，并且它还是原地排序。
但其实堆排序还是没有快速排序应用广泛，其中一个很重要的原因是堆排序无法利用 CPU 缓存，为什么这么说呢？
从上面堆排序的过程中，我们可以发现，其实堆排序在进行数据的构建堆操作时，一般不会顺序的读取数据，因为前面提到的那个公式，对于任意节点i，其左子节点是 2 * i + 1，右子节点是 2 * i + 2。例如在数组下标为 3 处的节点，进行建堆时，会访问它的左右子节点，分别是 7 和 8，这对 CPU 缓存来说是不友好的。
后记
我本想将 Java 中内置的排序算法放到文章最后进行分析，但是 Java 里面的 DualPivotQuickSort 和 TimeSort 实在是有点复杂，并且加上这个的话文章的篇幅将会更长，所以以后可以针对这个单独写一篇文章，这次就暂时不介绍了。