可视化工具及动画展示：旧金山大学 (usfca)|数据结构可视化工具
排序算法概念及描述：1.0 十大经典排序算法（文章部分内容引用自改文章） 参考：邓俊辉 的数据结构 本文未对排序算法概念进行详细说明，只是提供已经验证过的代码及对算法核心进行简要说明常用八种排序算法： 插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序
·全部代码（github） C#版本
0X00 前言排序算法是《数据结构与算法》中最基本的算法之一。
排序算法可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，而外部排序是因排序的数据很大，一次不能容纳全部的排序记录，在排序过程中需要访问外存。常见的内部排序算法有：插入排序、希尔排序、选择排序、冒泡排序、归并排序、快速排序、堆排序、基数排序等。用一张图概括：
关于时间复杂度平方阶 (O(n2)) 排序 各类简单排序：直接插入、直接选择和冒泡排序。
线性对数阶 (O(nlog2n)) （ log2n 是以2为底数的n的对数）排序： 快速排序、堆排序和归并排序；
O(n1+§)) 排序 ( § 是介于 0 和 1 之间的常数 )： 希尔排序
线性阶 (O(n)) 排序： 基数排序，此外还有桶、箱排序。
关于稳定性
稳定的排序算法：冒泡排序、插入排序、归并排序和基数排序。
不是稳定的排序算法：选择排序、快速排序、希尔排序、堆排序。
名词解释：
- n：数据规模
- k："桶"的个数
- In-place：占用常数内存，不占用额外内存
- Out-place：占用额外内存
- 稳定性：排序后 2 个相等键值的顺序和排序之前它们的顺序相同
可视化工具及动画演示
///
/// 冒泡排序（A版本）
/// 从后往前扫描待排序序列，如果前一个元素比后一个元素大，就交换它们两个，对每一对相邻元素作同样的工作；这样，第一次扫描待排序的序列会找到一个最小值并将其放置在第一位，第二次扫描待排序的序列会找到一个第二小的值并将其放置在第二位，第三次扫描待排序的序列会找到一个第三小的值并将其放置在第三位，以此类推，直到将所有元素排序完毕；排序的过程就像泡泡不断的往上冒，总是小的泡泡在最上面，大的泡泡在最下面。
/// 时间复杂度：
/// 双层循环次数：内循环次数 i=0(n-1),i=1(n-2),i=2(n-3),...,i=n-3(2),i=n-2(1)为等差数列，总次数=n*(0+n-1)/2=n*(n-1)/2
/// 假设每次比较都需要交换，执行内循环一次时复杂度为2（比较一次+交换一次），所以复杂度=2*n(n-1)/2=n(n-1)
/// 当n非常大时，多项式以幂次方最大的为标准所以复杂度O=n(n-1)=O(n*n)
///
///
void BubbleSort(int[] A)
{
int n = A.Length;
for (int i = 0; i < n - 1; i++)
{
for (int j = 0; j < n - 1 - i; j++)
{
if (A[j] > A[j + 1])
{
Swap(ref A[j + 1], ref A[j]);
}
}
}
}
///
/// 冒泡排序（E版本）(最优版本)
/// 时间复杂度:
/// 最优的时间复杂度：当数据本身是有序的时候，只会比较但是不会交换，内循环执行一圈就结束了，复杂度O=n-1=O(n)
/// 最坏的时间复杂度：O=n(n-1)=O(n*n)
///
///
void BubbleSort_E(int[] A)
{
int n = A.Length;
bool sorted = false; //整体排序标志，首先假定尚未排序
while (!sorted)
{
sorted = true;//假定有序
for (int i = 0; i < n - 1; i++)
{
if (A[i] > A[i + 1])
{
Swap(ref A[i + 1], ref A[i]);
sorted = false;
}
}
n--;//因整体排序不能保证，需要清除排序标志
}
}
可视化工具及动画演示
///
/// 选择排序(直接选择排序)
/// 一次从待排序的序列中选出最小（或最大）的一个元素，存放在已排好序的序列的后一个位置，直到全部待排序的数据元素排完；
/// 时间复杂度:
/// 双层循环次数：内循环次数 i=0(n),i=1(n-1),i=2(n-2),...,i=n-2(2),i=n-1(1)为等差数列，总次数=(n-1)*(0+n)/2=n*(n-1)/2
/// 最坏情况每次比较都需要交换，执行内循环一次时复杂度为2（比较一次+交换一次），所以复杂度=2*n(n-1)/2=n(n-1),O=n(n-1)=O(n*n)
/// 最优情况每次比较都不需要交换,执行内循环一次时复杂度为1（比较一次），，所以复杂度=n(n-1)/2,O=n(n-1)/2=O(n*n)
///
///
void SelectionSort(int[] A)
{
int n = A.Length;
int min;
for (int i = 0; i < n - 1; i++)
{
min = i;
for (int j = i; j < n; j++)
{
if (A[min] > A[j])
{
min = j;
}
}
Swap(ref A[min], ref A[i]);
//Console.Write($"{i},{min}"); PrintArray(A, i, min+1);
}
}
适合少量元素排序可视化工具及动画演示
///
/// 插入排序(直接插入排序)
/// 把待排序的记录按其关键码值的大小逐个插入到一个已经排好序的有序序列中，直到所有的记录插入完为止，得到一个新的有序序列。
/// 时间复杂度:
/// 最坏情况双层循环次数：内循环次数 i=1(1),i=2(2),...,i=n-2(n-2)为等差数列，总次数=(n-2)*(1+n-2)/2=(n-2)*(n-1)/2
/// 最坏情况每次比较都需要交换，执行内循环一次时复杂度为2（比较一次+交换一次），所以复杂度=2*(n-2)*(n-1)/2,O=(n-1)(n-2)=O(n*n)
///
///
void InsertionSort(int[] A)
{
int n = A.Length;
for (int i = 1; i < n - 1; i++) //第一个当做有序序列
{
for (int j = i; j > 0 && A[j - 1] > A[j]; j--) //内循环使用冒泡方式对前面有序序列进行插入
{
Swap(ref A[j - 1], ref A[j]);
}
}
}
///
/// 插入排序(E版本)(优化版本)
/// 时间复杂度:
/// 最优情况双层循环次数：内循环次数 i=1(1),i=2(1),...,i=n-2(1)，总次数=(n-2)
/// 最优情况每次比较都不需要交换，执行内循环一次时复杂度为1（比较一次），所以复杂度=2*(n-2),O=2(n-2)=O(n)
///
///
void InsertionSort_E(int[] A)
{
int n = A.Length;
int j, tmp;
for (int i = 1; i < n - 1; i++) //第一个当做有序序列
{
tmp = A[i];
for (j = i; j > 0 && A[j - 1] > tmp; j--) //内循环使用冒泡方式对前面有序序列进行插入
{
A[j] = A[j - 1];
}
A[j] = tmp;
}
}
基于插入排序 参考学习：https://baijiahao.baidu.com/s?id=1644158198885715432&wfr=spider&for=pc可视化工具及动画演示
///
/// 希尔排序
/// 先取一个小于n的整数d1作为第一个增量，把数组元素分组，所有距离为d1的倍数的记录放在同一个组中，先在各组内进行直接插入排序；然后，取第二个增量d2= h && A[j] < A[j - h]; j -= h)
{
if (A[j - h] > A[j])
{
Swap(ref A[j - h], ref A[j]);
}
}
}
h = h / 3;
}
}
可视化工具及动画演示
///
/// 归并排序
/// 首先两个子序列分别是有序的（递归后最小数组长度为1，认为数组长度为1时数组本身是有序的），这里对两个子序列合并，挑选两个子序列中最小的放入reg临时序列中，直到两个子序列中一个子序列被完全放入后结束，然后将另一个子序列复制到reg临时序列中，最后临时序列是合并后的有序序列了，将reg复制到A中
/// 时间复杂度：假设递归一次的时间复杂度为T()
/// 执行1次递归的时间复杂度为T（n）=2*T(n/2)+n(两个子序列合并，一共长度为n)
/// 执行2次递归的时间复杂度为T（n）=4*T(n/2)+2n
/// 执行3次递归的时间复杂度为T（n）=8*T(n/8)+3n
/// 类似二叉树的层数，层级=log2(n)+1
/// 代入得T(n)=nT(1)+log2(n)*n
/// 时间复杂度O=T(n)=nT(1)+log2(n)*n=O(nlog2(n))=(nlogn)
///
///
///
public void MergeSort(int[] A)
{
int n = A.Length;
int[] reg = new int[n];
MergeSort(A, reg, 0, n - 1);
}
void MergeSort(int[] A, int[] reg, int start, int end)
{
if (start >= end)
{
return;
}
int mid = (start + end) >> 1;
int start1 = start;
int end1 = mid;
int start2 = mid + 1;
int end2 = end;
MergeSort(A, reg, start1, end1);
MergeSort(A, reg, start2, end2);
int k = start;
//首先两个子序列分别是有序的，这里对两个子序列合并，挑选两个子序列中最小的放入reg临时序列中，直到两个子序列中一个子序列被完全放入后结束，然后将另一个子序列复制到reg临时序列中，最后临时序列是合并后的有序序列了，复制会A中
while (start1 = pivot) high--;
A[low] = A[high];
while (low < high && A[low] 大顶堆：每个节点的值都大于或等于其子节点的值，在堆排序算法中用于升序排列；
/// -->小顶堆：每个节点的值都小于或等于其子节点的值，在堆排序算法中用于降序排列；
/// 堆排序的基本思想是：将待排序序列构造成一个大顶堆，此时，整个序列的最大值就是堆顶的根节点。将其与末尾元素进行交换，此时末尾就为最大值。然后将剩余n-1个元素重新构造成一个堆，这样会得到n个元素的次小值。如此反复执行，便能得到一个有序序列了
/// 时间复杂度：(参考：https://blog.csdn.net/qq_34228570/article/details/80024306/)
/// 构建初始堆复杂度：O(n)
/// 交换并重建堆复杂度O(nlogn)
/// 真个过程的复杂度O=O(n)+O(nlogn)=O(nlogn)
///
///
///
///
public void HeapSort(int[] A)
{
int n = A.Length;
int i;
// 初始化构建堆结构，i從最後一個父節點開始調整(n/2-1为二叉树倒数第二层最后一个父节点)
//构建后的二叉树根节点为整个二叉树中最大的节点
for (i = n / 2 - 1; i >= 0; i--) //构建堆结构（完全二叉树，大顶堆）
MaxHeapify(A, i, n - 1);
for (i = n - 1; i > 0; i--)
{
Swap(ref A[0], ref A[i]);
MaxHeapify(A, 0, i - 1);
}
}
void MaxHeapify(int[] A, int start, int end)
{
// 建立父節點指標和子節點指標
int dad = start;
int son = dad * 2 + 1;
while (son A[son]) return;//如果父節點大於子節點代表調整完畢，直接跳出函數
else
{ // 否則交換父子內容再繼續子節點和孫節點比較
Swap(ref A[dad], ref A[son]);
dad = son; son = dad * 2 + 1;
}
}
}
可视化工具及动画演示
///
/// 计数排序
/// 计数排序不是一个比较排序算法
/// 计数排序的核心在于将输入的数据值转化为键存储在额外开辟的数组空间中。作为一种线性时间复杂度的排序，计数排序要求输入的数据必须是有确定范围的整数。
/// 计数排序类似与桶排序，也是用空间换取了时间，计数排序要求数组必须在一个确定的区间内。
/// 过程1：1. 首先找出数组的最大值和最小值；2. 遍历数组，以数字作为键，该数字出现的次数作为值插入哈希表中；3. 在最小值到最大值这个区间内遍历哈希表，将数字反向插入数组中。
/// 过程2：
/// 根据待排序集合中最大元素和最小元素的差值范围，申请额外空间；
/// 遍历待排序集合，将每一个元素出现的次数记录到元素值对应的额外空间内；
/// 对额外空间内数据进行计算，得出每一个元素的正确索引位置；
/// 将待排序集合每一个元素移动到计算得出的正确索引位置上。
/// 时间复杂度：
/// 如果原始数列的规模是n，最大最小整数的差值是m，由于代码中第1、2、4步都涉及到遍历原始数列，运算量都是n，第3步遍历统计数列，运算量是m，所以总体运算量是3n+m，去掉系数，时间复杂度是O(n+m)。
///
/// 空间复杂度：
/// 如果不考虑结果数组，只考虑统计数组的话，空间复杂度是O(m)
/// 计数排序的局限性：
/// 当数组最大和最小差值过大时，并不适合计数排序
/// 当数组元素不是整数(不能转化成整数计算的，浮点(用指数和浮点分部转化)、字符等等)时，也不适合用计数排序
///
///
public void CountingSort(int[] A)
{
int n = A.Length;
int[] sorting = new int[n];
//1.找出数组中最大值、最小值
int max = int.MinValue;
int min = int.MaxValue;
for (int i = 0; i < n; i++)
{
max = Math.Max(max, A[i]);
min = Math.Min(min, A[i]);
}
//初始化计数数组count，设长度为m
int[] counting = new int[max - min + 1];
//2. 对计数数组各元素赋值，设长度为m
for (int i = 0; i < n; i++)
counting[A[i] - min]++;
//3. 计数数组变形，新元素的值是前面元素累加之和的值
for (int i = 1; i < counting.Length; i++)
counting[i] += counting[i - 1];
//4. 遍历A中的元素，填充到结果数组中去，从后往前遍历
for (int i = n - 1; i >= 0; i--)
sorting[--counting[A[i] - min]] = A[i];
//5. 将结果复制到原始数组中
Array.Copy(sorting, A, n);
}
可视化工具及动画演示
///
/// 桶排序（Bucket Sort）(箱排序)
/// 桶排序是计数排序的扩展版本，计数排序可以看成每个桶只存储相同元素，而桶排序每个桶存储一定范围的元素，通过映射函数，将待排序数组中的元素映射到各个对应的桶中，对每个桶中的元素进行排序，最后将非空桶中的元素逐个放入原序列中。
/// 算法过程：
/// 根据待排序集合中最大元素和最小元素的差值范围和映射规则，确定申请的桶个数；
/// 遍历待排序集合，将每一个元素移动到对应的桶中；
/// 对每一个桶中元素进行排序，并移动到已排序集合中。
/// 时间复杂度：设桶内比较排序为快速排序(复杂度nlogn)
/// 第一个循环为O(N),设桶的数量为M，平均每个桶的元素数量为N/M,桶内以快速排序为例为NlogN，复杂度为O(M*N/M*log2(N/M)+N)=O(N+N(log2(N)-log2(M)))
/// 第二个循环为O(2N)
/// 总复杂度为O(3N+N(log2(N)-log2(M)))=O(N+N(logN-LogM))
/// 当M=N时 复杂度为O(N)
/// 当M=1时 复杂度为O(N+Nlog(N))
///这里桶内排序使用的是链表指针方式，桶内复杂度为O(1)，可以忽略，总复杂度为O(N)
///
///
/// 每个桶内数据的预期数量
public void BucketSort(int[] A, int bucketSize = 1000)
{
int n = A.Length;
int index;
//1.找出数组中最大值、最小值
int max = int.MinValue;
int min = int.MaxValue;
for (int i = 0; i < n; i++)
{
max = Math.Max(max, A[i]);
min = Math.Min(min, A[i]);
}
int bucketCount = (max - min) / bucketSize + 1;
LinkedList[] bucket = new LinkedList[bucketCount];
for (int i = 0; i < n; i++)
{
index = (A[i]-min) / bucketSize;
if (bucket[index] == null)
bucket[index] = new LinkedList();
BucketInsertSort(bucket[index], A[i]);
}
index = 0;
for (int i = 0; i < bucket.Length; i++)
{
LinkedList linkedList = bucket[i];
if (linkedList == null) continue;
var current = linkedList.First;
while (current != null)
{
A[index++] = current.Value;
current = current.Next;
}
}
}
///
/// 桶排序的桶内排序，这里用的是指针选择排序，还可使用快速排序
///
///
///
void BucketInsertSort(LinkedList list, int a)
{
var current = list.First;
if (current == null || current.Value > a)
{
list.AddFirst(a);
return;
}
while (current != null)
{
if (current.Next == null || current.Next.Value > a)
{
list.AddAfter(current, a);
return;
}
current = current.Next;
}
}
可视化工具及动画演示
///
/// 基数排序
/// 概念1：基数排序是一种非比较型整数排序算法，其原理是将整数按位数切割成不同的数字，然后按每个位数分别比较。由于整数也可以表达字符串（比如名字或日期）和特定格式的浮点数，所以基数排序也不是只能使用于整数。
/// 概念2：将所有待排序的数统一为相同的数位长度，数位较短的数前面补零，然后从低位到高位按位比较，位数字小的排在前面，大的排在后面，这样当比较第N位时前N-1位都是有序的，如此循环的比较，直到最高位比较完成，整个序列就是有序的了。
/// 时间复杂度：
/// 设待排序列为n个记录，序列中最大值的位数为d，数字的基数为 r，则进行链式基数排序的时间复杂度为O(d(n+r))。当分配数字时要对每一个数字进行按位比较， 而收集数字时要进行r次收集（如十进制数字就要进行从0到9共10次收集操作）， 故一趟分配时间复杂度为O(n)，一趟收集时间复杂度为O(r)，共进行d趟分配和收集。
///
/// 基数排序 vs 计数排序 vs 桶排序
/// 这三种排序算法都利用了桶的概念，但对桶的使用方法上有明显差异：
/// 基数排序：根据键值的每位数字来分配桶；
/// 计数排序：每个桶只存储单一键值；
/// 桶排序：每个桶存储一定范围的数值；
///
///
public void RadixSort(int[] A)
{
int n = A.Length;
const int BASE = 10;
int exp = 1;
int max = int.MinValue;
int[] tmp = new int[n];
for (int i = 0; i < n; i++)
if (A[i] > max) max = A[i];
while (max / exp > 0)
{
int[] bucket = new int[n];
for (int i = 0; i < n; i++)
{
bucket[A[i] / exp % BASE]++;
}
for (int i = 1; i < n; i++)
{
bucket[i] += bucket[i - 1];
}
for (int i = n - 1; i >= 0; i--)
{
tmp[--bucket[A[i] / exp % BASE]] = A[i];
}
Array.Copy(tmp, A, n);
exp *= BASE;
}
}
全部代码（github）
0X12 排序算法耗时测试全部代码（github） 测试环境：（.Net4.6.1,win10）
数组长度50，数组元素(0–1000). BubbleSort总共花费0.3393ms. BubbleSort_E总共花费0.1743ms. SelectionSort总共花费0.1832ms. InsertionSort总共花费0.1752ms. InsertionSort_E总共花费0.1461ms. ShellSort总共花费0.2367ms. MergeSort总共花费0.4245ms. MergeSort_E总共花费0.4201ms. QuickSort总共花费0.3644ms. QuickSort_V总共花费0.4239ms. HeapSort总共花费0.2615ms. CountingSort总共花费0.2181ms. BucketSort总共花费3.492ms. RadixSort总共花费0.3766ms.
数组长度500，数组元素(0–1000). BubbleSort总共花费1.4969ms. BubbleSort_E总共花费1.7962ms. SelectionSort总共花费0.4618ms. InsertionSort总共花费1.2992ms. InsertionSort_E总共花费0.2969ms. ShellSort总共花费0.4273ms. MergeSort总共花费0.4269ms. MergeSort_E总共花费0.2781ms. QuickSort总共花费0.2806ms. QuickSort_V总共花费0.3587ms. HeapSort总共花费0.3837ms. CountingSort总共花费0.2465ms. BucketSort总共花费1.3181ms. RadixSort总共花费0.2294ms.
数组长度1000，数组元素(0–1000). BubbleSort总共花费4.9505ms. BubbleSort_E总共花费4.669ms. SelectionSort总共花费1.2467ms. InsertionSort总共花费3.395ms. InsertionSort_E总共花费1.3513ms. ShellSort总共花费1.3414ms. MergeSort总共花费0.5231ms. MergeSort_E总共花费0.4844ms. QuickSort总共花费0.3366ms. QuickSort_V总共花费0.3937ms. HeapSort总共花费0.4446ms. CountingSort总共花费0.2668ms. BucketSort总共花费2.6375ms. RadixSort总共花费0.5076ms.
数组长度5000，数组元素(0–1000). BubbleSort总共花费134.6438ms. BubbleSort_E总共花费141.5785ms. SelectionSort总共花费32.566ms. InsertionSort总共花费82.5932ms. InsertionSort_E总共花费17.178ms. ShellSort总共花费22.8029ms. MergeSort总共花费1.0649ms. MergeSort_E总共花费0.7582ms. QuickSort总共花费0.7838ms. QuickSort_V总共花费0.8333ms. HeapSort总共花费1.5709ms. CountingSort总共花费0.2693ms. BucketSort总共花费1.7872ms. RadixSort总共花费0.4634ms.
数组长度10000，数组元素(0–1000). BubbleSort总共花费556.6481ms. BubbleSort_E总共花费528.7346ms. SelectionSort总共花费116.9845ms. InsertionSort总共花费306.6125ms. InsertionSort_E总共花费68.4407ms. ShellSort总共花费88.4968ms. MergeSort总共花费1.8969ms. MergeSort_E总共花费1.3673ms. QuickSort总共花费1.4713ms. QuickSort_V总共花费1.4491ms. HeapSort总共花费3.3177ms. CountingSort总共花费0.3216ms. BucketSort总共花费2.9245ms. RadixSort总共花费0.7497ms.
数组长度30000，数组元素(0–1000). BubbleSort总共花费4702.0921ms. BubbleSort_E总共花费4660.4316ms. SelectionSort总共花费952.3607ms. InsertionSort总共花费2763.3749ms. InsertionSort_E总共花费610.9831ms. ShellSort总共花费777.4363ms. MergeSort总共花费5.3142ms. MergeSort_E总共花费3.806ms. QuickSort总共花费4.2744ms. QuickSort_V总共花费4.4204ms. HeapSort总共花费10.0902ms. CountingSort总共花费0.5658ms. BucketSort总共花费18.1321ms. RadixSort总共花费1.8263ms.
数组长度100000，数组元素(0–1000). BubbleSort总共花费52096.3052ms. BubbleSort_E总共花费52299.5447ms. SelectionSort总共花费10567.5827ms. InsertionSort总共花费30973.0239ms. InsertionSort_E总共花费6888.8287ms. ShellSort总共花费8548.7395ms. MergeSort总共花费17.985ms. MergeSort_E总共花费13.3151ms. QuickSort总共花费19.1267ms. QuickSort_V总共花费18.6859ms. HeapSort总共花费36.055ms. CountingSort总共花费1.3793ms. BucketSort总共花费195.1004ms. RadixSort总共花费6.1907ms.
通过测试数据得出：
- 没有空间开销的算法中（不考虑原始数据局部有序） 小数据量（500) 快速排序最优（递归版本，不考虑递归开销）。
- 有空间开销的算法中 (不考虑空间开销大小，大数据量>1000）基数排序和计数排序最优，其次是归并排序（E版本非递归）。
桶排序的耗时不是最优的，这里的桶排序没有设置桶的size，所以桶排序耗时不考虑。 如果有出入或者错误望各位留言指正
0X13 十大算法比较与分析- 这里是参考其他文章的结论进行了罗列，我自己的测试结论参考上一节（ 0X13 ）节
-
直接插入排序 是对冒泡排序的改进，比冒泡排序快，但是只适用于数据量较小(1000 ) 的排序
-
希尔排序 比较简单，适用于小数据量（5000以下）的排序，比直接插入排序快、冒泡排序快，因此，希尔排序适用于小数据量的、排序速度要求不高的排序。
-
直接选择排序 和冒泡排序算法一样，适用于n值较小的场合，而且是排序算法发展的初级阶段，在实际应用中采用的几率较小。
-
堆排序 比较适用于数据量达到百万及其以上的排序，在这种情况下，使用递归设计的快速排序和归并排序可能会发生堆栈溢出的现象。
-
冒泡排序 是最慢的排序算法，是排序算法发展的初级阶段，实际应用中采用该算法的几率比较小。
-
快速排序 是递归的、速度最快的排序算法，但是在内存有限的情况下不是一个好的选择;而且，对于基本有序的数据序列排序，快速排序反而变得比较慢。
-
归并排序 比堆排序要快，但是需要的存储空间增加一倍。
-
基数排序 适用于规模n值很大的场合，但是只适用于整数的排序，如果对浮点数进行基数排序，则必须明确浮点数的存储格式，然后通过某种方式将其映射到整数上，最后再映射回去，过程复杂。
摘自常用排序算法比较与分析
冒泡排序： 效率太低，通过冒泡可以掌握swap。
选择排序： 效率较低，但经常使用它内部的循环方式来找最大值和最小值。
插入排序： 虽然平均效率低，但在序列基本有序时，它很快，所以也有其适用范围。
希尔排序： 是插入排序的改良，对空间思维训练有帮助。
快速排序： 快排是软件工业中最常见的常规排序法，其双向指针扫描和分区算法是核心。
往往用于解决类似问题，特别地partition算法用来划分不同性质的元素， partition->selectK,也用于著名的top问题 O(NlgN)，但是如果主元不是中位数的话，特别地如果每次主元都在数组区间的一侧，复杂度将退化为N² 工业优化：三点取中法，绝对中值法，小数据量用插入排序 快排重视子问题拆分
归并排序： 空间换时间——逆序对数，
归并重视子问题的解的合并
堆排序： 用到了二叉堆数据结构，是继续掌握树结构的起手式。=插排+二分查找
上面7种都是基于比较的排序，可证明它们在元素随机顺序情况下最好是NlgN的，用决策树证明
下面三个是非比较排序，在特定情况下会比基于比较的排序要快：
计数排序： 可以说是最快的：O(N+k),k=maxOf(sourceArr)，用它来解决问题时必须注意如果序列中的值分布非常广（最大值很大，元素分布很稀疏）， 空间将会浪费很多 所以计数排序的适用范围是：序列的关键字比较集中，已知边界，且边界较小
桶排序： 先分桶，再用其他排序方法对桶内元素排序，按桶的编号依次检出。（分配-收集） 用它解决问题必须注意序列的值是否均匀地分布在桶中。 如果不均匀，那么个别桶中的元素会远多于其他桶，桶内排序用比较排序，极端情况下，全部元素在一个桶内，还是会退化成NlgN。
其时间复杂度是：时间复杂度： O(N+C)，其中C=N(logN-logM)，约等于NlgN N是元素个数，M是桶的个数。
基数排序： kN级别（k是最大数的位数）是整数数值型排序里面又快又稳的，无论元素分布如何， 只开辟固定的辅助空间（10个桶）
对比桶排序，基数排序每次需要的桶的数量并不多。而且基数排序几乎不需要任何“比较”操作，而桶排序在桶相对较少的情况下，桶内多个数据必须进行基于比较操作的排序。因此，在实际应用中，对十进制整数来说，基数排序更好用。
摘自10种排序算法的对比分析
0X14 数据结构可视化工具可视化工具及动画展示地址：旧金山大学|数据结构可视化
十大排序算法可视化工具及动画演示展示
选择上面的按钮就可以播放啦
选择上面的按钮就可以播放啦
点击向后跳就然后点上面的某个排序按钮就可以重新播放啦
