重新整理了一遍排序算法，结合自己开发的算法宝App的录屏，转成webp动画一起分享给大家，适合新手。
概述
时间复杂度(time complexity)
用来描述算法的运行时间。常用大O符号表述。比如：O(n)，O(1)，O(logn)，O(n2)等。举例：
O(n)表示线性级复杂度，表示时间复杂度和元素element数量n成正比。比如数组的线性查找的复杂度随着元素数量增加而增加。
O(1)表示常数级复杂度，表示时间复杂度不随元素element数量变化而变化。比如链表的插入的复杂度不随链表节点数量变化而变化。
其他常见的复杂度如下图所示：
空间复杂度(Space Complexity)
对一个算法在运行过程中临时占用存储空间大小的量度。也可用大O符号表述。举例：
O(n)表示线性级复杂度，表示算法所需空间大小和元素数量成正比，比如归并排序，需要额外的临时空间来保存两个数组的合并结果，元素越多所需空间越大。
O(n)表示常数级复杂度，表示算法所需空间大小和元素数量无关。
排序的稳定性
- 稳定：相等的两个数，排序前后两数的顺序保持不变。
- 不稳定：相等的两个数，排序前后两数的顺序发生变化。
排序的复杂度一览
| 算法 | 时间复杂度:最好 | 时间复杂度:平均 | 时间复杂度:最坏 | 空间复杂度:最坏 | 稳定性 |
|---|---|---|---|---|---|
| 冒泡排序 | O(n) | O(n2) | O(n2) | O(1) | 稳定 |
| 选择排序 | O(n2) | O(n2) | O(n2) | O(1) | 不稳定 |
| 插入排序 | O(n) | O(n2) | O(n2) | O(1) | 稳定 |
| 希尔排序 | O(n) | O(n3/2) | O(n2) | O(1) | 不稳定 |
| 快速排序 | O(nlogn) | O(nlogn) | O(n2) | O(logn) | 不稳定 |
| 归并排序 | O(nlogn) | O(nlogn) | O(nlogn) | O(n) | 稳定 |
| 计数排序 | O(n+k) | O(n+k) | O(n+k) | O(k) | 稳定 |
| 基数排序 | O(nk) | O(nk) | O(nk) | O(n+k) | 稳定 |
| 堆排序 | O(nlogn) | O(nlogn) | O(nlogn) | O(1) | 不稳定 |
冒泡排序(Bubble Sort)
动图
核心思路
将数组分为左右两部分，左为无序部分，右为有序部分。无序部分中的最大数在每次遍历结束后被交换到无序部分的最右侧，继而成为有序部分的最左侧元素，就像冒泡一样。
代码
func sort(_ a:inout Array<Int>){
let n = a.count
for i in 0..<n-1 {
var isSorted = true
for j in 0..<n-1-i {
if a[j] > a[j+1] {
a.swapAt(j, j+1)
isSorted = false
}
}
if isSorted {
break
}
}
}
代码讲解
使用双重循来遍历，把双重循环分为内循环和外循环。
内循环：
从左往右处理无序部分，使用下标 j 遍历，比较相邻元素大小，交换位置成为左小右大，一次遍历后，无序部分中最大数被交换到无序部分的最右处，继而加入有序部分的最左侧。
外循环：
i可理解为有序部分的数量，每次内循环结束，有序部分数量增加一个，无序部分数量减少一个。
特点
两两比较，不存在跳跃，所以稳定。
每次遍历都能检查数组是否有序，可提前退出排序，但是冒泡的交换在内循环，交换次数多。实际效率比选择排序低。
复杂度分析
最好的情况可以达到O(n)，最坏的情况是O(n2)，平均O(n2)。
选择排序(Selection Sort)
动图
核心思路
将数组分为左右两部分，左为有序部分，右为无序部分。无序部分每次遍历选择出一个最小的元素，交换到无序部分的最左侧，继而成为有序部分的最右侧元素。
代码
func sort(_ a:inout Array<Int>){
let n = a.count
for i in 0..<n-1 {
var iMin = i
for j in i+1..<n {
if a[iMin] > a[j] {
iMin = j
}
}
a.swapAt(i, iMin)
}
}
代码讲解
使用双重循来遍历，把双重循环分为内循环和外循环。
内循环：
从左往右处理无序部分，使用下标 j 遍历，每次遍历后保存下无序部分中最小数的位置iMin。
外循环：
i为无序部分的首元素位置，其左侧为有序部分，将有序部分排除在内循环外。每次内循环结束，将内循环保存的iMin和i位置的连个元素交换，使有序部分数量增加一个，无序部分数量减少一个。
特点
由于交换动作放在外循环，交换次数少于冒泡，实际效率优于冒泡。除非本来就是有序的数组的最好情况，选择排序还是要进行比较和交换，而冒泡排序一次n的遍历就能提前退出。
不稳定，举个例子，序列5 8 5 2 9， 我们知道第一遍选择第1个元素5会和2交换，那么原序列中2个5的相对前后顺序就被破坏了）
复杂度分析
最好情况O(n2)，最坏情况O(n2)，平均O(n^2)。
插入排序(Insertion Sort)
动图
核心思路
将数组分为左右两部分，左为有序部分，右为无序部分。遍历有序部分，将无序部分首元素，根据其大小在有序部分寻找合适的位置并插入。
代码
func sort(_ a:inout Array<Int>){
let n = a.count
for i in 1..<n {
print(" i=\(i)")
let value = a[i]
var hole = i
while hole > 0 && a[hole-1] > value {
a[hole] = a[hole-1]
hole -= 1
}
a[hole] = value
}
}
代码讲解
使用双重循来遍历，把双重循环分为内循环和外循环。
内循环：
每次从无序部分的首元素value的位置开始，从右向左，在有序部分中遍历，比较每一个元素，凡是比value大的元素，都向右移动一位，遍历结束后空出来的位置hole就是value的插入位置。
外循环：
i可理解为有序部分的数量，同时也是无序部分的首元素的位置。每次外循环value都作为无序部分首元素，需通过内循环在有序部分寻找一个合适的位置hole并将其插入。
特点
选择排序的比较开销是固定的n(n-1)/2,而插入排序平均下来是n(n-1)/4。
选择排序最多只需要执行2(n-1)次交换，而插入排序平均的交换开销也是n(n-1)/4。这就取决于单次比较和交换的开销之比。如果是一个量级的，则插入排序优于选择排序，如果交换开销远大于插入开销，则插入排序可能比选择排序慢。
两两比较，不存在跳跃，所以稳定。
复杂度分析
最好情况O(n)，最坏情况O(n2)，平均O(n2)。
希尔排序(Shell Sort)
动图
核心思路
在插入排序基础上引入增量gap概念，是插入排序的改进。
代码
func sort(_ a:inout Array<Int>){
let n = a.count
var gap = n / 2
while gap > 0 {
for i in gap..<n {
let value = a[i]
var hole = i
while hole > 0 && a[hole-1] > value {
a[hole] = a[hole-1]
hole -= 1
}
a[hole] = value
}
gap /= 2
}
}
代码讲解
当增量gap为半数时，在整个数组中选取右边1/2部分进行插入排序，在此结果上在整个数组中选取右边3/4部分进行插入排序，反复这个过程，直到最后一次对整个数组做插入排序，最终成为有序数组。
每次做插入排序的部分从gap开始，每次扩大做插入排序的范围。
特点
希尔排序算法1959年提出，是直接插入排序算法的一种改进，减少了移动次数，平均时间复杂度比插入快。是第一批时间复杂度低于O(n2)的排序算法。
插入排序是稳定的，而shell排序会分组，相同的数分在不同的组内各自进行移动打破稳定性。所以不稳定。
复杂度分析
gap /= 2表示折半的方式选取增量。究竟应该选取什么样的增量才是最好，目前还有数学上的定论。最坏的情况是O(n2)，在使用了增量后，平均时间复杂度O(n(3/2))。
快速排序(Quick Sort)
动图
核心思路
将数组最右侧的元素作为一个参照值pivot，以参照值为标准，将数组拆分patition为3个部分：比参照值小的部分，参照值，比参照值大的部分。
将这个过程再分别应用到较小部分和较大部分中继续拆分，直到所有部分被拆分成1个元素无法再拆分，就完成了排序。
这是一个分而治之的方法，也是一个递归的过程。
代码
func sort(_ a:inout Array<Int>, start: Int, end: Int){
if start < end {
let partitionIndex = partition(&a, start: start, end: end)
sort(&a, start: start, end: partitionIndex-1 )
sort(&a, start: partitionIndex+1, end: end )
}
}
func partition(_ a:inout Array<Int>, start: Int, end: Int) -> Int {
let pivot = a[end]
var partitionIndex = start
for i in start..<end {
if a[i] <= pivot {
a.swapAt(i, partitionIndex)
partitionIndex += 1
}
}
a.swapAt(partitionIndex, end)
return partitionIndex
}
代码讲解
每次递归将数组拆分成前部，基准值，后部3部分，前部比后部小。按此方法再递归调用前，后部分，最终达到从小到大的排序。
partition()拆分
将数组a的start到end区间拆分为三部分。区间内选择一个参照值，通常可选start或者end的值为参照。因为区间拆分前无序，任何一个值都可作为参照，这里我们选择end的值作为参照值pivot。
因为pivot作为end，所以区间遍历使用i从start到end-1，并假设参照值位置为pt初始为start。将比参照值小的元素交换到pt，pt的右侧位置就是参照值的位置，所以pt+=1，遍历结束，将参照值交换到pt，并返回参照值的位置。
sort()递归分治
调用partition()拆分数组，返回拆分后参照值位置pt，那么数组前部分的区间是start到pt-1，后部分的区间为pt+1到end。对着两部分继续递归调用sort()。当数组被拆分为1个元素，即start等于end的时候，则停止分治，退出递归。
特点
快速排序是一种交换类的排序，它同样是分治法的经典体现。
如果pivot的值有重复，pivot作为参照放在前后两部中间有可能打破稳定性，所以不稳定。
复杂度分析
待排序数组最终被拆分成深度为logn+1的二叉树。拆分次数为logn。第一次拆分时，总共的执行时间是Cn(C为固定的单位时间常数)；第二次拆分时，每个子序列的执行时间为Cn/2，总的执行时间是Cn/2+Cn/2=Cn；第三次拆分时，总时间时Cn/4+Cn/4+Cn/4+Cn/4+=Cn，所以每次执行复杂度都是Cn。
每次执行复杂度Cn * 拆分次数log(n) = 快排复杂度O(nlogn)。最坏情况O(n2)。
归并排序(Merge Sort)
动图
核心思路
将两个有序数组，合并为一个新的有序数组就是做归并。
归并排序中，将数组从中间分解为左右两部分，将这个过程再应用到左右部分中继续分解。最后把n个元素的数组分解为只有1个元素的n个数组。这种情况下，满足两个有序数组进行的归并条件，开始再两两归并，直到合并出一个新的有序数组就完成了排序。
这是一个分而治之的方法，同时也是一个递归的过程。
代码
func sort(a: [Int]) -> [Int] {
let n = a.count
if n == 1 {
return a
}
var left = Array(a[0..<n/2])
var right = Array(a[n/2..<n])
left = sort(a: left)
right = sort(a: right)
let m = merge(left: left, right: right)
return m
}
func merge(left: [Int], right: [Int]) -> [Int] {
var mergedList = [Int]()
while left.count > 0 && right.count > 0 {
if left.first! < right.first! {
mergedList.append(left.first!)
left.removeFirst()
} else {
mergedList.append(right.first!)
r.removeFirst()
}
}
return mergedList + left + right
}
代码讲解
sort()将数组a从中间分为left和right两部分。再将left和right再递归调用sort继续分解。将分解的结果传入merge()进行归并。
merge()合并left和right两个有序数组，返回合并后的有序数组。将left和right两个数组同时开始遍历，对比两个数组的首元素，将较小的元素填入mergedList，并在原数组中删除。当遍历结束后，left或right还不为空，说明该数组元素都大于mergedList，加入在mergedList尾部即可。
特点
该算法采用经典的分治（divide-and-conquer）策略。分治法将问题分(divide)成一些小的问题然后递归求解。两两比较，不存在跳跃，所以稳定。
复杂度分析
归并排序的效率是比较高的，设数列长为n，将数列分开成小数列一共要logn步，每步都是一个合并有序数列的过程，时间复杂度可以记为O(n)，故一共为O(nlogn)。对空间有要求，空间复杂度O(n)。所以，归并排序是一种比较占用内存，但却效率高且稳定的算法。
计数排序(Counting Sort)
动图
核心思路
通过前面元素出现的累计次数确定当前元素的位置，比如第一个元素1出现3次，那么元素2的位置从第4个开始，元素2出现4次，那么元素3的位置从第8个开始。
代码
func sort(_ a:inout Array<Int>) {
let max = a.max() ?? 0
let min = a.min() ?? 0
let k = max - min + 1
var counts = [Int](repeating: 0, count: k)
for item in a {
let i = item - min
counts[i] += 1
}
var prefixSums: [Int] = counts
for i in 1..<counts.count {
prefixSums[i] = prefixSums[i - 1] + counts[i]
}
var sorted = [Int](repeating: 0, count: a.count)
for i in 0..<a.count {
let key = a[i]
let index = key - min
let prefixSum = prefixSums[index]
sorted[prefixSum - 1] = key
prefixSums[index] -= 1
}
a = sorted
}
代码讲解
在无序数组中，先找出最大值max和最小值min，从而确定需要开辟max-min+1大小空间的计数数组和累计数组。
计数数组：
保存每个元素出现的次数。比如1出现2次，2出现3次。
累计数组：
保存前面元素累计出现的次数。比如，1出现3次，累计3次；2出现4次，累计3+4=7次；3出现1次，累计7+1=8次。累计次数-1就是元素有序的位置。
特点
计数排序是一个稳定的非比较排序算法。它的优势在于在对一定范围内的整数排序，比如对1万名学生的考试分数做排序。计数排序是一种以空间换时间的排序算法，整数大小差异越大，所需要的空间越大。
复杂度分析
计数数组的大小为k，无序数组大小为n，复杂度为Ο(n+k)，所以时间复杂度是O(n)；由于申请了大小为k的桶来放计数，所以空间复杂度是O(k)。
基数排序(Radix Sort)
动图
核心思路
是一种非比较的整数排序算法。其原理是将整数按位数切割成不同的数字，然后对每个位数上的数字进行分别比较。第一轮先按个位数大小排序，第二轮按十位数大小排序，一直进行到最高位。实际上是也一种桶排序，从0到9一共分10个桶。
代码
func sort(_ a:inout Array<Int>){
let maxValue = a.max() ?? 0
var buckets = [[Int]](repeating: [], count: 10)
var powerOfTen = 1
while maxValue / powerOfTen > 0 {
a = a.compactMap { value in
buckets[value / powerOfTen % 10].append(value)
return nil
}
buckets = buckets.map { bucket in
bucket.forEach { value in
a.append(value)
}
return []
}
powerOfTen *= 10
}
}
代码讲解
先找到最大数，算出最大数有几位，则进行几次桶排序。
powerOfTen初始为1，每次while循环则乘以10倍，这样while循环的次数就是最大数的位数。
10个桶，当进行个位数比较的时候，桶n保存个位为n的元素，当进行十位数比较的时候，桶n保存十位为n的元素。
特点
是一种非比较的稳定的整数排序算法。
不适用于数字的位数k多，但是排序的数少的情况；
适用于数字小但是排序的数字多的情况。
复杂度分析
复杂度是O(n*k)。其中n是排序元素个数，每轮处理的操作数目；k是数字位数，决定了进行多少轮处理。
并不一定优于O(n·logn)，当k>logn，就没有归并、堆排序快。
堆排序(Heap Sort)
相关概念：
完全二叉树：其每个结点的编号跟满二叉树都能一一对应。
堆：是一个完全二叉树，其每个结点的值都大于等于其子结点的值称为大顶堆。
满二叉树：所有分支结点都有左右子结点，所有子结点都在同一层上。
动图
核心思路
大顶堆的顶是最大的，所以堆排序的过程就是反复的构造堆。
第一次构建的堆顶最大，和堆尾交换放在数组最后一位，第二次构建的堆的堆顶第二大，放在倒数第二位，以此类推进行排序。
代码
func sort(_ a:inout Array<Int>){
// 构建初始堆
createHeap(a: &a)
// 重建堆。逆序遍历反复构建大顶堆，遍历一次，顶被摘掉放入结果数组a尾部，直到最后无法构建堆，结果就是有序数组a
for index in a.indices.reversed() {
siftDown(from: 0, upTo: index, a: &a)
}
}
func createHeap(a:inout Array<Int>) {
if !a.isEmpty {
//从a.count/2 - 1开始到0结束，逆序遍历。a.count/2 - 1是第一个非叶子节点，向根部遍历
for i in stride(from: a.count/2 - 1, through: 0, by: -1) {
siftDown(from: i, upTo: a.count, a: &a)
}
}
}
func siftDown(from index: Int, upTo size: Int, a:inout Array<Int>) {
var parent = index
while true {
let left = a[leftChildIndex(ofParentAt: parent)]
let right = a[rightChildIndex(ofParentAt: parent)]
var candidate = parent
if left < size && a[left] > a[candidate] {
candidate = left
}
if right < size && a[right] > a[candidate] {
candidate = right
}
if candidate == parent {
return
}
a.swapAt(parent, candidate)
parent = candidate
}
}
// 在树的顺序存储中，返回i的左子节点的下标
func leftChildIndex(ofParentAt i: Int) -> Int {
return (2 * i) + 1
}
// 在树的顺序存储中，返回i的右子节点的下标
func rightChildIndex(ofParentAt i: Int) -> Int {
return (2 * i) + 2
}
代码讲解
先构建堆，可以是大顶堆（也可以是小顶堆）。交换堆顶[0]元素（堆中最大）与末尾[index]元素，再将[0，–index]的堆调整为大顶堆。重复到index为0。
特点
堆尾如果有重复，被交换到数组首再构建堆，会打破稳定性，所以不稳定（记录的比较和交换是跳跃式进行的）。
复杂度分析
整体主要由构建初始堆和重建堆两部分组成。其中构建初始堆经推导复杂度为O(n)，在交换并重建堆的过程中，需交换n-1次；而重建堆的过程中，根据完全二叉树的性质，[log2(n-1),log2(n-2)…1]逐步递减，近似为nlogn。所以堆排序时间复杂度一般认为就是O(nlogn)级。，空间复杂度O(1)。