一、排序算法的介绍

1.简介

排序也称排序算法，排序是将一组数据，按照指定的顺序排列的过程

2.排序的分类

1. 内部排序 指将需要处理的所有数据都加载到内部存储器中进行排序
2. 外部排序 数据量过大，无法全部加载到内存中，需要借助外部存储进行排序

3.常见的排序算法分类

4.算法的时间复杂度

1. 事后统计的方法 这种方法可行，但是有两个问题：一是想对设计算法的运行性能进行评测，需要实际运行该程序；二是所得时间的统计量依赖于计算机的硬件、软件等环境因素，这种方式，要在同一台计算机的相同状态下运行，才能比较哪个算法速度更快
2. 事前估算的方法 通过分析某个算法的时间复杂度来判断哪个算法更优

时间频度：

一个算法花费的时间与算法中语句的执行次数成正比，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)

时间复杂度：

1. 一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n),使得当n趋近于无穷大时，T(n)/f(n)的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n))为算法的渐进时间复杂度，简称时间复杂度
2. T(n)不同，但时间复杂度可能相同，如：T(n)=n2+7n+6与T(n)=3n2+2n+2它们的T(n)不同，但时间复杂度相同，都为O(n^2)
3. 计算时间复杂度的方法：

用常数1代替运行时间中的所有加法常数 修改后的运行次数函数中，只保留最高阶项 去除最高阶项的系数

常见的时间复杂度：

1. 常数阶O(1)

2. 对数阶O(log2N)
3. 线性阶O(n)

4. 线性对数阶O(nlog2N)

5. 平方阶O(n^2)
6. 立方阶O(n^3)
7. k次方阶O(n^k)
8. 指数阶O(2^n)

示例图：

说明：

常见算法的时间复杂度由小到大依次为：O(1)<O(log2N)<O(n)<O(nlog2N)<O(n2)<O(n3)<O(nk)<O(2n),随着问题规模n的不断扩大，上述时间复杂度不断增大，算法的执行效率越低 尽可能避免使用指数阶的算法

算法的平均时间复杂度和最坏时间复杂度：

算法的空间复杂度