排序算法

在计算机科学与数学中，一个排序算法（英语：Sorting algorithm）是一种能将一串资料依照特定排序方式排列的算法。最常用到的排序方式是数值顺序以及字典顺序。有效的排序算法在一些算法（例如搜索算法与合并算法）中是重要的，如此这些算法才能得到正确解答。排序算法也用在处理文字资料以及产生人类可读的输出结果。基本上，排序算法的输出必须遵守下列两个原则：

1. 输出结果为递增序列（递增是针对所需的排序顺序而言）
2. 输出结果是原输入的一种排列、或是重组

虽然排序算法是一个简单的问题，但是从计算机科学发展以来，在此问题上已经有大量的研究。举例而言，冒泡排序在1956年就已经被研究。虽然大部分人认为这是一个已经被解决的问题，有用的新算法仍在不断的被发明。（例子：图书馆排序在2004年被发表）

分类

在计算机科学所使用的排序算法通常依以下标准分类：

• 计算的时间复杂度（最差、平均、和最好性能），依据列表（list）的大小($n$)。一般而言，好的性能是$O(n\log n)$（大O符号），坏的性能是$O(n^{2})$。对于一个排序理想的性能是$O(n)$，但平均而言不可能达到。基于比较的排序算法对大多数输入而言至少需要$O(n\log n)$。
• 内存使用量（以及其他电脑资源的使用）
• 稳定性：稳定排序算法会让原本有相等键值的纪录维持相对次序。也就是如果一个排序算法是稳定的，当有两个相等键值的纪录$R$和$S$，且在原本的列表中$R$出现在$S$之前，在排序过的列表中$R$也将会是在$S$之前。
• 排序的方法：插入、交换、选择、合并等等。

稳定性

稳定排序纸牌的例子。当纸牌用稳定排序按点值排序的时候，两个5之间必定保持它们最初的次序。在用不稳定排序来排序的时候，两个5可能被按相反次序来排序。

当相等的元素是无法分辨的，比如像是整数，稳定性并不是一个问题。然而，假设以下的数对将要以他们的第一个数字来排序。

$(4,1)(3,1)(3,7)(5,6)$

在这个状况下，有可能产生两种不同的结果，一个是让相等键值的纪录维持相对的次序，而另外一个则没有：

$(3,1)(3,7)(4,1)(5,6)$ （維持次序）
$(3,7)(3,1)(4,1)(5,6)$ （次序被改變）

不稳定排序算法可能会在相等的键值中改变纪录的相对次序，但是稳定排序算法从来不会如此。不稳定排序算法可以被特别地实现为稳定。作这件事情的一个方式是人工扩展键值的比较，如此在其他方面相同键值的两个对象间之比较，（比如上面的比较中加入第二个标准：第二个键值的大小）就会被决定使用在原先资料次序中的条目，当作一个同分决赛。然而，要记住这种次序通常牵涉到额外的空间负担。

排序算法列表

在这个表格中，$n$是要被排序的纪录数量以及$k$是不同键值的数量。

稳定的排序

• 冒泡排序（bubble sort）— $O(n^{2})$
• 插入排序（insertion sort）—$O(n^{2})$
• 鸡尾酒排序（cocktail sort）—$O(n^{2})$
• 桶排序（bucket sort）—$O(n)$；需要$O(k)$额外空间
• 计数排序（counting sort）—$O(n+k)$；需要$O(n+k)$额外空间
• 归并排序（merge sort）—$O(n\log n)$；需要$O(n)$额外空间
• 原地归并排序— $O(n\log ^{2}n)$如果使用最佳的现在版本
• 二叉排序树排序（binary tree sort）— $O(n\log n)$期望时间；$O(n^{2})$最坏时间；需要$O(n)$额外空间
• 鸽巢排序（pigeonhole sort）—$O(n+k)$；需要$O(k)$额外空间
• 基数排序（radix sort）—$O(nk)$；需要$O(n)$额外空间
• 侏儒排序（gnome sort）— $O(n^{2})$
• 图书馆排序（library sort）— $O(n\log n)$期望时间；$O(n^{2})$最坏时间；需要$(1+\varepsilon )n$额外空间
• 块排序（block sort）— $O(n\log n)$
• Tim排序（Timsort）—$O(n\log n)$平均、最坏时间；$O(n)$最优时间；需要$O(n)$额外空间；是目前已知最快的排序算法，在Python、Swift、Rust等语言的内置排序功能中被用作默认算法

不稳定的排序

• 选择排序（selection sort）—$O(n^{2})$
• 希尔排序（shell sort）—$O(n\log ^{2}n)$如果使用最佳的现在版本
• 克洛弗排序（Clover sort）—$O(n)$期望时间，$O(n^{2})$最坏情况
• 梳排序— $O(n\log n)$
• 堆排序（heap sort）—$O(n\log n)$
• 平滑排序（smooth sort）— $O(n\log n)$
• 快速排序（quick sort）—$O(n\log n)$期望时间，$O(n^{2})$最坏情况
• 内省排序（introsort）—$O(n\log n)$
• 耐心排序（patience sort）—$O(n\log n+k)$最坏情况时间，需要额外的$O(n+k)$空间，也需要找到最长的递增子序列（longest increasing subsequence）

不实用的排序

• Bogo排序— $O(n\times n!)$，最坏的情况下期望时间为无穷。
• Stupid排序—$O(n^{3})$;递归版本需要$O(n^{2})$额外存储器
• 珠排序（bead sort）— $O(n)$ 或 $O({\sqrt {n}})$,但需要特别的硬件
• 煎饼排序—$O(n)$,但需要特别的硬件
• 臭皮匠排序（stooge sort）算法简单，但需要约$n^{2.7}$的时间

简要比较

名称	数据对象	稳定性	时间复杂度		额外空间复杂度	描述
			平均	最坏
冒泡排序	数组		$O(n^{2})$		$O(1)$	（无序区，有序区）。 从无序区透过交换找出最大元素放到有序区前端。
选择排序	数组		$O(n^{2})$		$O(1)$	（有序区，无序区）。 在无序区里找一个最小的元素跟在有序区的后面。对数组：比较得多，换得少。
	链表
插入排序	数组、链表		$O(n^{2})$		$O(1)$	（有序区，无序区）。 把无序区的第一个元素插入到有序区的合适的位置。对数组：比较得少，换得多。
堆排序	数组		$O(n\log n)$		$O(1)$	（最大堆，有序区）。 从堆顶把根卸出来放在有序区之前，再恢复堆。
归并排序	数组		$O(n\log ^{2}n)$		$O(1)$	把数据分为两段，从两段中逐个选最小的元素移入新数据段的末尾。 可从上到下或从下到上进行。
			$O(n\log n)$		$O(n)+O(\log n)$ 如果不是从下到上
	链表				$O(1)$
快速排序	数组		$O(n\log n)$	$O(n^{2})$	$O(\log n)$	（小数，基准元素，大数）。 在区间中随机挑选一个元素作基准，将小于基准的元素放在基准之前，大于基准的元素放在基准之后，再分别对小数区与大数区进行排序。
	链表
希尔排序	数组		$O(n\log ^{2}n)$	$O(n^{2})$	$O(1)$	每一轮按照事先决定的间隔进行插入排序，间隔会依次缩小，最后一次一定要是1。
计数排序	数组、链表		$O(n+m)$		$O(n+m)$	统计小于等于该元素值的元素的个数i，于是该元素就放在目标数组的索引i位（i≥0）。
桶排序	数组、链表		$O(n)$	$O(n^{2})$	$O(m)$	将值为i的元素放入i号桶，最后依次把桶里的元素倒出来。
基数排序	数组、链表		$O(k\times n)$	$O(n^{2})$		一种多关键字的排序算法，可用桶排序实现。

• 均按从小到大排列
• k代表数值中的"数位"个数
• n代表数据规模
• m代表数据的最大值减最小值

外部链接

• 不同排序算法间的比较（英语） （页面存档备份，存于互联网档案馆）
• 一些排序算法的C及Pascal实现
• 可视化排序 （页面存档备份，存于互联网档案馆）