問題：平時的開發中，我們都是直接使用這些現成的函數來實現業務邏輯中的排序功能。這些排序函數是如何實現的嗎？底層都利用了哪種排序算法呢？比如 C 語言中 qsort()，C++ STL 中的 sort()、stable_sort()，還有 Java 語言中的 Collections.sort()

希望你把思考的過程看得比標準答案更重要

如何選擇合適的排序算法？

• 線性排序算法的時間復雜度比較低，適用場景比較特殊。所以如果要寫一個通用的排序函數，不能選擇線性排序算法
• 如果對小規模數據進行排序，可以選擇時間復雜度是 O(n2) 的算法
• 如果對大規模數據進行排序，時間復雜度是O(nlogn) 的算法更加高效

總結：為了兼顧任意規模數據的排序，一般都會首選時間復雜度是 O(nlogn) 的排序算法來實現排序函數。堆排序的時間復雜度是 O(nlogn），堆排序和快速排序都有比較多的應用，比如 Java 語言采用堆排序實現排序函數，C 語言使用快速排序實現排序函數。

快排在最壞情況下的時間復雜度是 O(n2)，而歸并排序可以做到平均情況、最壞情況下的時間復雜度都是 O(nlogn)，為什么歸并排序沒得到普遍的使用？

原因：歸并排序并不是原地排序算法，空間復雜度是 O(n)。所以，粗略點、夸張點講，如果要排序 100MB 的數據，除了數據本身占用的內存之外，排序算法還要額外再占用 100MB 的內存空間，空間耗費就翻倍了

如何優化快排

快排在原數據有序的情況下，如果每次分區點都選擇最后一個數據，那么時間復雜度會退化為O(n2)。實際上，這種 O(n2) 時間復雜度出現的主要原因還是因為我們分區點選得不夠合理。什么樣的分區點合理？

最理想的分區點是：被分區點分開的兩個分區中，數據的數量差不多。比較常用的分區算法：

• 三數取中法（如果數組較大，可能需要五數取中、十數取中）：從區間的首、尾、中間，分別取出一個數，然后對比大小，取這 3 個數的中間值作為分區點
• 隨機法：每次從要排序的區間中，隨機選擇一個元素作為分區點。不保證每次分區點都選的很好，但是從概率角度推理，不大可能出現每次分區都很差的情況，平均情況下，分區點還是比較好的
• 快排通過遞歸來實現的，要警惕堆棧溢出。解決方法：一限制遞歸深度，一旦遞歸過深超過閾值，停止遞歸；二是通過在堆上手動模擬一個函數調用棧，手動模擬遞歸壓棧、出棧的過程，擺脫系統棧的大小限制

Glibc 中的 qsort() 函數舉例

源碼分析：

• qsort() 會優先使用歸并排序來排序輸入數據：因為歸并排序的空間復雜度是 O(n)，所以對于小數據量的排序，額外的空間問題不大，通過空間換時間
• 要排序的數據量比較大的時候，qsort() 會改為用快速排序算法來排序。如何選擇分區點：源碼中采用的是“三數取中法”，另外qsort() 是通過自己實現一個堆上的棧，手動模擬遞歸來解決的
• qsort() 并不僅僅用到了歸并排序和快速排序，它還用到了插入排序。當要排序的區間中，元素的個數小于等于 4 時，qsort() 就退化為插入排序：因為在小規模數據面前，O(n2) 時間復雜度的算法并不一定比 O(nlogn) 的算法執行時間長
• 對于小規模數據的排序，O(n2) 的排序算法并不一定比 O(nlogn) 排序算法執行的時間長。對于小數據量的排序，我們選擇比較簡單、不需要遞歸的插入排序算法
• 此外，在 qsort() 插入排序的算法實現中，也利用了哨兵來簡化代碼，提高執行效率這種編程技巧。雖然哨兵可能只是少做一次判斷，但是畢竟排序函數是非常常用、非常基礎的函數，性能的優化要做到極致

?

總結

以上是生活随笔為你收集整理的14 | 排序优化：如何实现一个通用的、高性能的排序函数？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。