高级算法日记4:查找与排序

关注

原创最新推荐文章于 2026-08-21 14:18:43 发布 1.5k 阅读 AI 写同款· GEO 优化 ›

《DOOR II》数字日记：从碎片记录到非线性叙事的交互设计实践数字日记系统通过整合时空数据与用户生成内容，构建个人记忆的可视化容器。其技术原理结合自动化采集与语义标签，利用地图隐喻实现非线性叙事结构，有效解决信息过载时代的记录与回顾难题。在工程实践中，这类工具需平衡数据采集的自动化程度与用户输入负担，通过渐进式交互设计降低使用门槛。以《DOOR II》为代表的实验性项目，将城市探索与个人记忆数字化，为开发者提供了跨平台技术栈选型与分阶段实施的参考范式，特别适合处理碎片化记录与连续性叙事的平衡问题。阅读详情

作者：孙相国

E-mail: sunxiangguodut@qq.com

1. 查找

1.1 顺序查找

弱智，不讲

成功情况下，平均查找长度：

A S L s u c = 1 n n ( n + 1 ) 2 = n + 1 2

$ASL_{suc}=\frac{1}{n}\frac{n(n+1)}{2}=\frac{n+1}{2}$
时间复杂度：

O(n) $O(n)$

不成功的情况下(即找的数不在表中)，平均查找长度

A S L f a i l = n

$ASL_{fail}=n$

1.2 折半查找

def bi_search(R,k):
  low,high=0,len(R)
  while low<=high:
    mid=(low+high)/2
    #mid=low+(high-low)/2
    if R[mid]==k:
      return mid
    if R[mid]>k:
      high=mid-1
    else:
      low=mid+1
  return -1

思考题：如何计算ASL？

判定树（page379）

A S L s u c = \sum i = 1 n p i c i = 1 n \sum i = 1 h 2 i - 1 \times i = n + 1 n l g (n + 1) - 1 = l g (n + 1) - 1

$ASL_{suc}=\sum_{i=1}^np_ic_i=\frac{1}{n}\sum_{i=1}^h2^{i-1}\times i=\frac{n+1}{n}lg(n+1)-1 =lg(n+1)-1$
时间复杂度为

O(lgn) $O(lgn)$

不成功的查找长度为h，即 $lg(n+1)$

1.3 分块查找

![这里写图片描述](https://img-blog.youkuaiyun.com/20170825154849018?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvZ2l0aHViXzM2MzI2OTU1/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast

若以折半查找索引表，以顺序查找块表，则

A S L = l g (n / s + 1) + s 2

$ASL=lg(n/s+1)+\frac{s}{2}$
若以顺序查找查找索引表和块表则

A S L = b + 1 2 + s + 1 2 = s 2 + 2 s + n 2 s

$ASL=\frac{b+1}{2}+\frac{s+1}{2}=\frac{s^2+2s+n}{2s}$
当

s=n12 $s=n^{\frac{1}{2}}$ 时，可以取到极小

n12+1 $n^{\frac{1}{2}}+1$ .

上述3中查找方法的比较：

就平均查找长度而言，折半查找最小，分块次之，顺序最长

就表的结构而言，顺序查找对有序表无序表均适用，折半查找仅仅适用于有序表，分块查找要求表中元素至少是分块有序的。

就表的存储结构而言，顺序查找和分块查找可以用于顺序表和链表；而折半查找只用于顺序表

分块查找综合了顺序表和折半查找的优点。（既能较快地查找，又能适应动态变化的要求）

1.4 二叉排序树

1.4.1二叉排序树（BST）

若它左子树非空，则左子树上所有记录均小于根记录
若它右子树非空，则右子树上所有记录均大于根记录
左右子树本身又是一棵二叉排序树

1.4.2二叉排序树的性质

按照中序遍历得到的中序序列是一个递增有序序列
一棵二叉排序树中的最大节点是根节点的最右下节点，最小节点是根节点的最左下节点
只需给出一棵二叉排序树的先序序列/后序序列/层次序列中的一个，便可以唯一确定这棵二叉排序树，因为这些序列中所有元素的递增序列便是该二叉排序树的中序序列。

1.4.3 二叉排序树的查找

def search(root,key):
  if key==root:
    return root
  elif key<root:
    search(root.left_child,key)
  elif key>root:
    search(root.right_child,key)
  else:
    return none

一棵含有n个节点的二叉排序树高度为lgn-n

这也是查找所需要的时间复杂度

1.4.4 二叉排序树的插入

def insert(root,k):
  if root is none:
    root=k
  elif root>k:
    return insert(root.left_child,k)
  else:
    return insert(root.right_child,k)

1.4.5 二叉排序树的删除

这里写图片描述

二叉排序树的插入和删除操作时间复杂度均为 $O(lgn)$

1.5 平衡二叉树

1.6 B树

1.7 哈希表查找

2. 排序

2.0 排序前传

各种排序算法的江湖地位：

傻子系列：

直接插入（弱智）

折半插入（自以为漂亮的弱智）

希尔排序（自以为高大上的弱智）

不会你都系列：

冒泡排序（不会你都不好意思思考人生）

计数排序（不会你都不好意思吹牛逼）

基数排序（不会你都不好意思撩妹）

桶排序（不会你都不好意思装大神）

核心系列：

简单选择排序(重要)

堆排序（三大金刚之一，非常重要！）

快速排序 (三大金刚之二，非常重要的平方！！)

归并排序（三大金刚之三，非常重要）

边缘：

外排序（屌丝）

2.1 直接插入

void insert_sort(sqlist R[], int n)
{
    int i,j;
    sqlist temp;
    for (i=1;i<n;i++)
    {
        temp=R[i];
        j=i-1;
        while(j>=0 && temp.key<R[j].key)
        {
            R[j+1]=R[j];
            j--;
        }
        R[j+1]=temp;
    }
}

def insert_sort(r):
  for i in range(0,len(r)):
    pos=i
    while r[pos]>r[i]:
      pos=pos-1
    r[pos:i+1]=r[i]+r[pos:i]

globally sequential

time complexity

average: $O(n^2)$

worst: $O(n^2)$

best: $O(n)$

space complexity

$O(1)$

stability

stable

2.2 折半插入

void insert_sort(sqlist R[], int n)
{
    int i,j,low,high,mid
    sqlist temp;
    for (i=1;i<n;i++)
    {
        temp=R[i];
        low=0;high=i-1;
        while(low<high)
        {
            mid=(low+high)/2;
            if(temp.key<R[mid].key)
              high=mid-1;
            else
              low=mid+1
        }
        for (j=i-1;j>=high+1;j--)
        {
            R[j+1]=R[j];
        }
        R[high+1]=temp;
    }
}

def insert_sort(r):
  for i in range(0,len(r)):
    low,high=0,i-1
    while low<=high:
      if r[i]<r[mid]:
        high=high+1
      else:
        low=mid+1

    r[high+1:i+1]=r[i]+r[high+1:i]

globally sequential

time complexity

average: $O(n^2)$

worst: $O(n^2)$

best: $O(n)$

space complexity

$O(1)$

stability

stable

2.3 希尔排序

void shell_sort(sqlist R[], int n)
{
    int i,j,d;
    sqlist temp;
    d=n/2;
    while(d>0)
    {
        for (i=d;i<n;i++)
        {
            temp=R[i];
            j=i-d;
            while(j>=0 &&temp.key<R[j].key)
            {
                R[j+d]=R[j];
                j=j-d;
            }
          R[j+d]=temp;
        }
      d=d/2;
    }
}

def insert_sort(r):
  for i in range(0,len(r)):
    low,high=0,i-1
    while low<=high:
      if r[i]<r[mid]:
        high=high+1
      else:
        low=mid+1

    r[high+1:i+1]=r[i]+r[high+1:i]

def shell_sort(r):
  d=len(r)/2
  while d>0:
    for i in range(0,d):
      insert_sort(r[range(i,len(r),d)])
    d=d/2

globally sequential

不考

time complexity

average: $O(n^{1.3})$

space complexity

$O(1)$

stability

unstable

希尔排序的时间复杂度与子排序算法，增量策略，有极大的关系。没有定论

http://blog.youkuaiyun.com/u013630349/article/details/48250109

2.4 简单选择排序

void select_sort(sqlist R[], int n)
{
    int i,j,k;
    sqlist temp;
    for (i=0;i<n-1;i++)
    {
        k=i;
        for(j=i+1;j<n;j++)
          if(R[j].key<R[k].key)
            k=j;
        swap(R[i],R[k]);
        /*
        if(i!=k)
        {
          temp=R[i];
          R[i]=R[k];
          R[k]=temp;
        }
        */
    }
}

def select_sort(r):
    for i in range(0,len(r)):
        k=argmin(r[i+1:])
        r[i],r[k]=r[k],r[i]

def select_sort(r):
    for i in range(0,len(r)):
        r[i],r[argmin(r[i+1:])]=r[argmin(r[i+1:])],r[i]

globally sequential

yes

time complexity

average: $O(n^{2})$

worst: $O(n^2)$

best: $O(n)$

space complexity

$O(1)$

stability

unstable

2.5 堆排序

2.5.1 堆

堆，一般指的是二叉堆，这是一个数组，可以看做一个完全二叉树，如下图所示：

这里写图片描述

二叉堆可以分为两种形式：最大堆和最小堆

最大堆： $A[\pi(i)]\geqslant A[i]$

最小堆： $A[\pi(i)]\leqslant A[i]$

堆排序算法中，默认使用的是最大堆，而最小堆通常用于构造优先队列

复习：n个节点的完全二叉树，高度是： $\lceil lg(n+1) \rceil$ 或 $\lfloor lgn+1\rfloor$

以后为了方便起见，简称为 $\Theta(lgn)$

需要重点掌握的操作有（达到精通代码的程度）：

max_heapify: 维护最大堆
build_max_heap: 构建最大堆
heap_sort:堆排序算法
其他重要的堆操作(用于实现优先队列)有：max_heap_insert; heap_extract_max; heap_increase_key; heap_maxmum

2.5.2 堆的维护

什么叫做堆的维护？（max_heapify）

对于一个二叉堆，假设以root.left和root.right为根的二叉堆分别都是最大堆，但是root这个值却没有校验，即，我们不知道是否以root为根的二叉堆也为一个最大堆。最大堆维护，就是希望将此时的root放到正确的位置，从而使得以root为根的二叉堆也为一个最大堆。

def max_heapify(A,i):
  left=2*i
  right=if 2*i+1>len(A) none else 2*i+1
  """
  method1(sunsum):
  if A[left]>A[i]:
    largest=l
  else:
    largest=i
  if A[right]>A[largest]:
    largest=r

  method2(xiaomi):
  largest=argmax([A[left],A[i],A[right]])
  if largest==0: 
    largest=left
  elif largest==1:
    largest=i
  elif largest==2:
    largest=right

   method3(iPhone):
   """
  largest=[left,i,right]
  largest=largest[argmax([A[left],A[i],A[right]])]

  if largest!=i:
    swap(A[i],A[largest])
    max_heapity(A,largest)

C++代码与上面的代码雷同，略。

def max_heapify(A,current_root):
  largest=max(current_root.left,current_root,current_root.right)
  if largest is not current_root:
    swap(largest,current_root)
    max_heapify(A,largest)

思考题（家庭作业）：如何采用非递归的方式实现？

void max_heapify(sqlist R[],int low,int high)
{
  int i=low, j=2*i;
  sqlist temp=R[i];
  while(j<=high)
  {
    if (j<high && R[j]<R[j+1])
      j++;
    if(temp<R[j])
    {
      R[i]=R[j];
      i=j;
      j=2*i;
    }
    else break;
  }
  R[i]=temp;
}

2.5.3 建堆

def build_max_heap(A):
  for i in range(len(A)/2,0,-1):
    max_heapify(A,i)

2.5.4 堆排序

def heap_sort(A):
  for i in range(0,len(A)):
    build_max_heap(A[i:])
    swap(A[i],A[-1])

globally sequential

yes

time complexity

average: $O(nlgn)$

worst: $O(nlgn)$

best: $O(nlgn)$

space complexity

$O(1)$

stability

unstable

2.5.5 优先队列

优先队列(priority queue) 是一种用来维护一组元素构成的集合S的数据结构，其中每一个元素都有一个key（关键字）。一个最大优先队列支持以下操作：

insert(S,x): 把元素x插入集合S中。这一操作等价于 $S=S \cup {x}$ （回顾之前DFS操作中的 $T=T\cup {(u,v)}$ ）
maximum(S): 返回S中具有最大键字的元素
extract_max(S): 去掉并返回S中具有最大键字的元素
increase_key(S,x,k): 将元素x的关键字增加到k，这里假设k的值不小于x的原关键字。

优先队列的应用：

1，最大优先队列，用于操作系统中的作业调度。最大优先队列记录将要执行的各个作业以及它们之间的相对优先级。当一个作业完成或者中断后，调度器调用extract_max从所有等待的作业中，选出一个具有最高优先级的作业来执行。在任何时候，调度器都可以调用insert把一个新作业加入到队列中来。

2，最小优先队列，亲爱的，还记得我们之前讲过的最下生成树吗？记不记得那个prim算法的复杂度？里面有一个操作，叫做extract_min()？是的，你没看错，就是这里面的东西。

这部分的代码不需要掌握，了解即可。

用堆来实现优先队列

def heap_maximum(S):
  return S[0]

def heap_extract_max(S):
  max=S[0]
  S[0]=S[-1]
  max_heapity(S,0)
  return max

时间复杂度是 $O(lgn)$

这就是说，如果采用堆来实现，那么先前我们的prim算法复杂度可以进一步降低为 $O(nlgn+e)$

def heap_increase_key(S,i,key):
  A[i]=key
  while i>0 and A[parent(i)]<A[i]:
    swap(A[i],A[parent(i)])
    i=parent(i)

def heap_insert(A,key):
  A=A+（key-1）
  heap_increass_key（A,len(A),key)

2.5.6 习题

2.6 冒泡排序

def bubble_sort(r):
    for i in range(0,len(r)):
      for j in range(len(r),i,-1):
        if r[j]<r[j-1]:
          swap(r[j],r[j-1])

设置exchange标记，使得算法提前终止

def bubble_sort(r):
    for i in range(0,len(r)):
      exchange = False
      for j in range(len(r),i,-1):
        if r[j]<r[j-1]:
          swap(r[j],r[j-1])
          exchange=True
      if exchange == False:
        return

void bubble_sort(sqlist R[], int n)
{
    int i,j,exchange;
    sqlist temp;
    for (i=0;i<n-1;i++)
    {
      exchange = 0;
      for (j=n-1;j>i;j--)
        if (R[j]<R[j-1])
        {
          temp = R[j];
          R[j]=R[j-1];
          R[j-1]=temp;
          exchange=1;
        }
      if (exchange==0)
        return;
    }
}

globally sequential

yes

time complexity

average: $O(n^{2})$

worst: $O(n^2)$

best: $O(n)$

space complexity

$O(1)$

stability

stable

2.7 快速排序

2.7.1 快速排序入门

如何把一个数组分词大小两半？

把 $A[p:r]$ 分成左右两半，其中归为元素为 $A[r]$

def partition(A,p,r):
  x = A[r]
  i=p-1
  for j in range(p,r):
    if A[j]<=x:
      i=i+1
      swap(A[i],A[j])
  swap(A[i+1],A[r])
  return i+1

快速排序

def quick_sort(A,p,r):
  if p < r:
    q = partition(A,p,r)
    quick_sort(A,p,q-1)
    quick_sort(A,q+1,r)

C++

void quick_sort(sqlist R[], int s, int t)
{
  int i=s,j=t;
  sqlist temp;
  if (s<t)
  {
    temp = R[s];
    while(i!=j)
    {
      while(j>i && R[j]>temp)
        j--;
      R[i] = R[j];
      while(i<j && R[i]<temp)
        i++;
      R[j] = R[i];        
    }
    R[i]=temp;
    quick_sort(R,s,i-1);
    quick_sort(R,i+1,t);
  }
}

globally sequential

但是每一趟都会归为一个元素（即，每一趟，都会确定一个元素的最终位置）

time complexity

average: $O(nlgn)$

worst: $O(n^2)$

best: $O(nlgn)$

space complexity

$O(lgn)$

stability

unstable

2.7.2 快速排序进阶

性能分析

随机化

最坏情况分析

期望运行时间

2.8 计数排序

使用场景：假设n个输入元素的每一个都是在0-k区间内的一个整数，其中k为某个整数。

定义3个数组，A[1:n]为待排序数组。B[1:n]为存放排序的输出。C[0:k]为临时空间。

def count_sort(A,B,k):
  C=[0 for i in range(0,k)]
  for i in range(0,k+1):
    C[i]=A.count(i)
  for i in range(1,k+1):
    C[i] = C[i]+C[i-1]
  for j in range(len(A),0,-1):
    B[C[A[j]]] = A[j]
    C[A[j]] = C[A[j]]-1

time complexity

当 $k=O(n)$ 时，为 $\Theta(n)$

space complexity

$O(n)$

stability

stable

2.9 基数排序

无需掌握代码

这里写图片描述

globally sequential

time complexity

n个d位数，每一个数位有r个可能的取值，则

average: $O(d(n+r))$

worst: $O(d(n+r))$

best: $O(d(n+r))$

space complexity

$O(n+r)$

stability

stable

2.10 桶排序

了解即可

假设输入数据服从均匀分布，桶排序将[0,1)区间划分为n个大小相同的子区间，称为桶。然后将n个输入数据分别放到各个桶子中，对桶内的数据分别进行排序，然后将桶子连接。

2.11 归并排序

首先，将R[0:n-1]看成是n个长度为1的有序表，将相邻的有序表成对归并（将多个有序表组成一个新的有序表叫做归并），得到 $n/2$ 个长度为2的有序表；然后，再将这些有序表成对归并，得到 $n/4$ 个长度为4的有序表，如此反复进行下去，最后得到一个长度为n的有序表。

由于上述的归并是对相邻的两个有序表进行的，因此叫做二路归并。如果归并操作在相邻的多个有序表中进行，则叫做多路归并排序。默认情况下所说的归并排序，指的是二路归并排序，如下图：

这里写图片描述

void merge(sqlist R[], int low, int mid, int high)
{
  sqlist R1;
  int i=low,j=mid+1;
  while (i<=mid &&j<=high)
    if (R[i]<=R[j])
    {
      R1.append(R[i]);
      i++;
    }
    else
    {
      R1.append(R[j]);
      j++;
    }
  while (i<=mid)
  {
    R1.append(R[i]);
    i++;
  }
  while (j<=high)
  {
    R1.append(R[j]);
    j++;
  }
  R.erase()
  R=R1;
}

void merge_pass(sqlist R[], int length, int n)
{
  for(i=0;i+2*length-1<n;i=i+2*lengtgh)
    merge(R,i,i+length-1,i+2*length-1);
  if (i+length-1<n)
    merge(R,i,i+length-1,n-1)
}

void merge_sort(sqlist R[],int n)
{
  int length;
  for (length=1;length<n;length=2*length)
    merge_pass(R,length,n);
}

globally sequential

time complexity

average: $O(nlgn)$

worst: $O(nlgn)$

best: $O(nlgn)$

space complexity

$O(n)$

stability

stable

收录于

Dive into ML/DL

python

算法

标签

#算法 #希尔排序 #堆排序 #二叉树

MATPOWER的安装详细教程 MATPOWER的安装包实际为一个程序包，安装教程很简单，详见本文。阅读详情

高级算法日记4:查找与排序

1. 查找

1.1 顺序查找

1.2 折半查找

1.3 分块查找

1.4 二叉排序树

1.4.1二叉排序树（BST）

1.4.2二叉排序树的性质

1.4.3 二叉排序树的查找

1.4.4 二叉排序树的插入

1.4.5 二叉排序树的删除

1.5 平衡二叉树

1.6 B树

1.7 哈希表查找

2. 排序

2.0 排序前传

2.1 直接插入

2.2 折半插入

2.3 希尔排序

2.4 简单选择排序

2.5 堆排序

2.5.1 堆

2.5.2 堆的维护

2.5.3 建堆

2.5.4 堆排序

2.5.5 优先队列

2.5.6 习题

2.6 冒泡排序

2.7 快速排序

2.7.1 快速排序入门

2.7.2 快速排序进阶

2.8 计数排序

2.9 基数排序

2.10 桶排序

2.11 归并排序

相关推荐