前言
最近一段时间重(入)拾(门)算法,算法渣渣的我只有做笔记换来一丝丝心里安慰,在这里也记录分享一下,后面将会归纳成一系列吧。比如「递归与回溯」、「深度与广度优先」、「动态规划」、「二分搜索」和「贪婪」等。
冒泡排序(Bubble Sort)
冒泡排序基本思想
给定一个数组,我们把数组里的元素通通倒入到水池中,这些元素将通过相互之间的比较,按照大小顺序一个一个地像气泡一样浮出水面。
冒泡排序实现
每一轮,从杂乱无章的数组头部开始,每两个元素比较大小并进行交换,直到这一轮当中最大或最小的元素被放置在数组的尾部,然后不断地重复这个过程,直到所有元素都排好位置。其中,核心操作就是元素相互比较。
冒泡排序例题分析
给定数组 [2, 1, 7, 9, 5, 8]
,要求按照从左到右、从小到大的顺序进行排序。
冒泡排序解题思路
从左到右依次冒泡,把较大的数往右边挪动即可。
- 首先指针指向第一个数,比较第一个数和第二个数的大小,由于
2
比1
大,所以两两交换,[1, 2, 7, 9, 5, 8]
。 - 接下来指针往前移动一步,比较
2
和7
,由于2
比7
小,两者保持不动,[1, 2, 7, 9, 5, 8]
。到目前为止,7
是最大的那个数。 - 指针继续往前移动,比较
7
和9
,由于7
比9
小,两者保持不动,[1, 2, 7, 9, 5, 8]
。现在,9
变成了最大的那个数。 - 再往后,比较
9
和5
,很明显,9
比5
大,交换它们的位置,[1, 2, 7, 5, 9, 8]
。 - 最后,比较
9
和8
,9
比8
大,交换它们的位置,[1, 2, 7, 5, 8, 9]
。经过第一轮的两两比较,9
这个最大的数就像冒泡一样冒到了数组的最后面。 - 接下来进行第二轮的比较,把指针重新指向第一个元素,重复上面的操作,最后,数组变成了:
[1, 2, 5, 7, 8, 9]
。 - 在进行新一轮的比较中,判断一下在上一轮比较的过程中有没有发生两两交换,如果一次交换都没有发生,就证明其实数组已经排好序了。
冒泡排序代码示例
// 冒泡排序算法
const bubbleSort = function (arr) {
const len = arr.length
// 标记每一轮是否发生来交换
let hasChange = true
// 如果没有发生交换则已经是排好序的,直接跳出外层遍历
for (let i = 0; i < len && hasChange; i++) {
hasChange = false
for (let j = 0; j < len - 1 - i; j++) {
if (arr[j] > arr[j + 1]) {
let temp = arr[j]
arr[j] = arr[j + 1]
arr[j + 1] = temp
hasChange = true
}
}
}
}
const arr = [2, 1, 7, 9, 5, 8]
bubbleSort(arr)
console.log('arr: ', arr)
冒泡排序算法分析
冒泡排序空间复杂度
假设数组的元素个数是 n
,由于在整个排序的过程中,我们是直接在给定的数组里面进行元素的两两交换,所以空间复杂度是 O(1)
。
冒泡排序时间复杂度
给定的数组按照顺序已经排好
- 在这种情况下,我们只需要进行
n−1
次的比较,两两交换次数为0
,时间复杂度是O(n)
。这是最好的情况。 - 给定的数组按照逆序排列。在这种情况下,我们需要进行
n(n-1)/2
次比较,时间复杂度是O(n2)
。这是最坏的情况。 - 给定的数组杂乱无章。在这种情况下,平均时间复杂度是
O(n2)
。
由此可见,冒泡排序的时间复杂度是 O(n2)
。它是一种稳定的排序算法。(稳定是指如果数组里两个相等的数,那么排序前后这两个相等的数的相对位置保持不变。)
插入排序(Insertion Sort)
插入排序基本思想
不断地将尚未排好序的数插入到已经排好序的部分。
插入排序特点
在冒泡排序中,经过每一轮的排序处理后,数组后端的数是排好序的;而对于插入排序来说,经过每一轮的排序处理后,数组前端的数都是排好序的。
插入排序例题分析
对数组 [2, 1, 7, 9, 5, 8]
进行插入排序。
插入排序解题思路
- 首先将数组分成左右两个部分,左边是已经排好序的部分,右边是还没有排好序的部分,刚开始,左边已排好序的部分只有第一个元素
2
。接下来,我们对右边的元素一个一个进行处理,将它们放到左边。
- 先来看
1
,由于1
比2
小,需要将1
插入到2
的前面,做法很简单,两两交换位置即可,[1, 2, 7, 9, 5, 8]
。 - 然后,我们要把
7
插入到左边的部分,由于7
已经比2
大了,表明它是目前最大的元素,保持位置不变,[1, 2, 7, 9, 5, 8]
。 - 同理,
9
也不需要做位置变动,[1, 2, 7, 9, 5, 8
]。 - 接下来,如何把
5
插入到合适的位置。首先比较5
和9
,由于5
比9
小,两两交换,[1, 2, 7, 5, 9, 8
],继续,由于5
比7
小,两两交换,[1, 2, 5, 7, 9, 8]
,最后,由于5
比2
大,此轮结束。 - 最后一个数是
8
,由于8
比9
小,两两交换,[1, 2, 5, 7, 8, 9]
,再比较7
和8
,发现8
比7
大,此轮结束。到此,插入排序完毕。
插入排序代码示例
// 插入排序
const insertionSort = function (arr) {
const len = arr.length
for (let i = 1; i < len; i++) {
let current = arr[i]
for (let j = i - 1; j >= 0; j--) {
// current 小于 j 指向的左侧值,将 j 指向左侧值右移一位
if (current < arr[j]) {
arr[j + 1] = arr[j]
} else {
// 否则将 current 插入到 j 位置,跳出内循环
arr[j] = current
break
}
}
}
}
const arr = [2, 1, 7, 9, 5, 8]
insertionSort(arr)
console.log('arr: ', arr)
插入排序算法分析
插入排序空间复杂度
假设数组的元素个数是 n
,由于在整个排序的过程中,是直接在给定的数组里面进行元素的两两交换,空间复杂度是 O(1)
。
插入排序时间复杂度
- 给定的数组按照顺序已经排好。只需要进行
n-1
次的比较,两两交换次数为0
,时间复杂度是O(n)
。这是最好的情况。 - 给定的数组按照逆序排列。在这种情况下,我们需要进行
n(n-1)/2
次比较,时间复杂度是O(n2)
。这是最坏的情况。 - 给定的数组杂乱无章。在这种情况下,平均时间复杂度是
O(n2)
。
由此可见,和冒泡排序一样,插入排序的时间复杂度是 O(n2)
,并且它也是一种稳定的排序算法。
归并排序(Merge Sort)
归并排序基本思想
核心是分治,就是把一个复杂的问题分成两个或多个相同或相似的子问题,然后把子问题分成更小的子问题,直到子问题可以简单的直接求解,最原问题的解就是子问题解的合并。归并排序将分治的思想体现得淋漓尽致。
归并排序实现
一开始先把数组从中间划分成两个子数组,一直递归地把子数组划分成更小的子数组,直到子数组里面只有一个元素,才开始排序。
排序的方法就是按照大小顺序合并两个元素,接着依次按照递归的返回顺序,不断地合并排好序的子数组,直到最后把整个数组的顺序排好。
归并排序代码示例
// 归并排序
const mergeSort = function (arr, lo, hi) {
if (lo === undefined) {
lo = 0
}
if (hi === undefined) {
hi = arr.length - 1
}
// 判断是否剩下最后一个元素
if (lo >= hi) return
// 从中间将数组分成两部分
let mid = lo + Math.floor((hi - lo) / 2)
console.log('mid', mid)
// 分别递归将左右两边排好序
mergeSort(arr, lo, mid)
mergeSort(arr, mid + 1, hi)
// 将排好序的左右两半合并
merge(arr, lo, mid, hi)
}
const merge = function (arr, lo, mid, hi) {
// 复制一份原来的数组
const copy = [...arr]
// 定义一个 k 指针表示从什么位置开始修改原来的数组,
// i 指针表示左边半的起始位置
// j 指针便是右半边的其实位置
let k = lo
let i = lo
let j = mid + 1
while (k <= hi) {
if (i > mid) {
arr[k++] = copy[j++]
} else if (j > hi) {
arr[k++] = copy[i++]
} else if (copy[j] < copy[i]) {
arr[k++] = copy[j++]
} else {
arr[k++] = copy[i++]
}
}
}
const arr = [2, 1, 7, 9, 5, 8]
mergeSort(arr)
console.log('arr: ', arr)
其中,While
语句比较,一共可能会出现四种情况。
- 左半边的数都处理完毕,只剩下右半边的数,只需要将右半边的数逐个拷贝过去。
- 右半边的数都处理完毕,只剩下左半边的数,只需要将左半边的数逐个拷贝过去就好。
- 右边的数小于左边的数,将右边的数拷贝到合适的位置,
j
指针往前移动一位。 - 左边的数小于右边的数,将左边的数拷贝到合适的位置,
i
指针往前移动一位。
归并排序例题分析
利用归并排序算法对数组 [2, 1, 7, 9, 5, 8]
进行排序。
归并排序解题思路
首先不断地对数组进行切分,直到各个子数组里只包含一个元素。
接下来递归地按照大小顺序合并切分开的子数组,递归的顺序和二叉树里的前向遍历类似。
- 合并
[2]
和[1]
为[1, 2]
。 - 子数组
[1, 2]
和[7]
合并。 - 右边,合并
[9]
和[5]
。 - 然后合并
[5, 9]
和[8]
。 - 最后合并
[1, 2, 7]
和[5, 8, 9]
成[1, 2, 5, 8, 9]
,就可以把整个数组排好序了。
合并数组 [1, 2, 7]
和 [5, 8, 9]
的操作步骤如下。
- 把数组
[1, 2, 7]
用L
表示,[5, 8, 9]
用R
表示。 - 合并的时候,开辟分配一个新数组
T
保存结果,数组大小应该是两个子数组长度的总和 - 然后下标
i
、j
、k
分别指向每个数组的起始点。 - 接下来,比较下标 i 和 j 所指向的元素
L[i]
和R[j]
,按照大小顺序放入到下标k
指向的地方,1
小于5
。 - 移动
i
和k
,继续比较L[i]
和R[j]
,2
比5
小。 i
和k
继续往前移动,5
比7
小。- 移动
j
和k
,继续比较L[i]
和 R[j],7
比8
小。 - 这时候,左边的数组已经处理完毕,直接将右边数组剩余的元素放到结果数组里就好。
合并之所以能成功,先决条件必须是两个子数组都已经分别排好序了。
归并排序算法分析
归并排序空间复杂度
由于合并 n 个元素需要分配一个大小为 n
的额外数组,合并完成之后,这个数组的空间就会被释放,所以算法的空间复杂度就是 O(n)
。归并排序也是稳定的排序算法。
归并排序时间复杂度
归并算法是一个不断递归的过程。
举例:数组的元素个数是 n
,时间复杂度是 T(n)
的函数。
解法:把这个规模为 n
的问题分成两个规模分别为 n/2
的子问题,每个子问题的时间复杂度就是 T(n/2)
,那么两个子问题的复杂度就是 2×T(n/2)
。当两个子问题都得到了解决,即两个子数组都排好了序,需要将它们合并,一共有 n 个元素,每次都要进行最多 n-1
次的比较,所以合并的复杂度是 O(n)
。由此我们得到了递归复杂度公式:T(n) = 2×T(n/2) + O(n)
。
对于公式求解,不断地把一个规模为 n
的问题分解成规模为 n/2
的问题,一直分解到规模大小为 1
。如果 n
等于 2
,只需要分一次;如果 n
等于 4
,需要分 2
次。这里的次数是按照规模大小的变化分类的。
以此类推,对于规模为 n
的问题,一共要进行 log(n)
层的大小切分。在每一层里,我们都要进行合并,所涉及到的元素其实就是数组里的所有元素,因此,每一层的合并复杂度都是 O(n)
,所以整体的复杂度就是 O(nlogn)
。
快速排序(Quick Sort)
快速排序基本思想
快速排序也采用了分治的思想。
快速排序实现
把原始的数组筛选成较小和较大的两个子数组,然后递归地排序两个子数组。
举例:把班级里的所有同学按照高矮顺序排成一排。
解法:老师先随机地挑选了同学 A,让所有其他同学和同学 A 比高矮,比 A 矮的都站在 A 的左边,比 A 高的都站在 A 的右边。接下来,老师分别从左边到右边的同学里选择了同学 B 和同学 C,然后不断的筛选和排列下去。
在分成较小和较大的两个子数组过程中,如何选定一个基准值(也就是同学 A、B、C 等)尤为关键。
快速排序实现例题分析
对数组[2,1,7,9,5,8]
进行排序。
快速排序解题思路
- 按照快速排序的思想,首先把数组筛选成较小和较大的两个子数组。
- 随机从数组里选取一个数作为基准值,比如
7
,于是原始的数组就被分成里两个子数组。注意:快速排序是直接在原始数组里进行各种交换操作,所以当子数组被分割出去的时候,原始数组里的排列也被改变了。 - 接下来,在较小的子数组里选
2
作为基准值,在较大的子数组里选8
作为基准值,继续分割子数组。 - 继续将元素个数大于
1
的子数组进行划分,当所有子数组里的元素个数都为1
的时候,原始数组也被排好序了。
快速排序代码示例
// 快速排序
const quickSort = function (arr, lo, hi) {
if (lo === undefined) {
lo = 0
}
if (hi === undefined) {
hi = arr.length - 1
}
// 判断是否只剩下一个元素,是,则直接返回
if (lo >= hi) return
// 利用 partition 函数找到一个随机的基准点
const p = partition(arr, lo, hi)
// 递归对基准点左半边和右半边的数进行排序
quickSort(arr, lo, p - 1)
quickSort(arr, p + 1, hi)
}
// 交换数组位置
const swap = function (arr, i, j) {
let temp = arr[i]
arr[i] = arr[j]
arr[j] = temp
}
// 随机获取位置索引
const randomPos = function (lo, hi) {
return lo + Math.floor(Math.random() * (hi - lo))
}
const partition = function (arr, lo, hi) {
const pos = randomPos(lo, hi)
console.log('pos: ', pos)
swap(arr, pos, hi)
let i = lo
let j = lo
// 从左到右用每个数和基准值比较,若比基准值小,则放在指针 i 指向的位置
// 循环完毕后,i 指针之前的数都比基准值小
while (j < hi) {
if (arr[j] <= arr[hi]) {
swap(arr, i++, j)
}
j++
}
// 末尾的基准值放置到指针 i 的位置, i 指针之后的数都比基准值大
swap(arr, i, j)
// 返回指针 i,作为基准点的位置
return i
}
const arr = [2, 1, 7, 9, 5, 8]
quickSort(arr)
console.log(arr)
快速排序算法分析
快速排序时间复杂度
1、最优情况:被选出来的基准值都是当前子数组的中间数。
这样的分割,能保证对于一个规模大小为 n
的问题,能被均匀分解成两个规模大小为 n/2
子问题(归并排序也采用了相同的划分方法),时间复杂度就是: T(n)=2xT(n/2) + O(n)
。
把规模大小为 n
的问题分解成 n/2
的两个子问题时,和基准值进行了 n-1
次比较,复杂度就是 O(n)
。很显然,在最优情况下,快速排序的复杂度也是 O(nlogn)
。
2、最坏情况:基准值选择了子数组里的最大后者最小值。
每次都把子数组分成了两个更小的子数组,其中一个的长度为 1
,另外一个的长度只比原子数组少 1
。
举例:对于数组来说,每次挑选的基准值分别是 9、8、7、5、2
。
解法:划分过程和冒泡排序的过程类似。
算法复杂度为 O(n^2)
。
提示:可以通过随机地选取基准值来避免出现最坏的情况。
快速排序空间复杂度
和归并排序不同,快速排序在每次递归的过程中,只需要开辟 O(1)
的存储空间来完成交换操作实现直接对数组的修改,又因为递归次数为 logn
,所以它的整体空间复杂度完全取决于压堆栈的次数,因此,它的空间复杂度是 O(logn)
。
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。