【数据结构】排序

原创已于 2023-02-07 15:41:31 修改 · 258 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

收录于

数据结构

于 2023-02-07 15:41:19 首次发布

文章详细介绍了插入排序、希尔排序、堆排序、选择排序、冒泡排序、快速排序、归并排序和计数排序的基本思想、程序实现及时间复杂度。其中，快速排序和归并排序还讨论了非递归实现的方法。文章最后提供了测试排序算法性能的代码示例。

插入排序

基本思想

可以将一组混乱无序的数字看作两个类别，一个是有序的序列，一个是无序的序列。排序开始前，有序的序列为该数组的第一个，其余的数字均属于无序的序列。接下来插入排序的核心思想就是：将无序序列中的数字，逐个拿出，插入有序序列中，直至无序序列没有数字，即为排序完成。

时间复杂度为： $O(n ^ 2)$

程序实现（InsertSort）

void InsertSort(int* arr, int len)
{
	int i = 0;
	while (i < len - 1)
	{
		//i表示的是有序序列中数字的个数
		int end = i;
		int tmp = arr[end + 1];
		while (end >= 0)
		{
			//[0,end]为有序序列，[end + 1，len - 1]为无序序列，将arr[end + 1]插入，使得[0,end + 1]有序
			if (arr[end] > tmp)
			{
				//将arr[end]向后移动一个位置
				arr[end + 1] = arr[end];
				end--;
			}
			if (arr[end] <= tmp)
			{
				arr[end + 1] = tmp;
				break;
			}
		}
		i++;
	}
}

希尔排序

基本思路

希尔排序是插入排序的优化，希尔排序的基本思路为：
1.先进行预排序，使数组接近于有序
2.再进行插入排序

gap 的作用为：进行多次预排序，使数组尽可能趋于有序。gap越大，数字可以移动的幅度越大；gap越小，则说明数组趋于有序，当gap==1，即为插入排序。

时间复杂度： $O(n^{1.3})$ ~ $O(n ^ 2)$

程序实现（ShellSort）

//希尔排序是插入排序的优化
//1.先进行预排序，使数组接近于有序
//2.再进行插入排序
void ShellSort(int* arr, int len)
{
	
	int gap = len;
	//gap == 1 插入排序
	//gap > 1 预排序
	while (gap > 1)
	{
		gap = gap / 3 + 1;
		int i = 0;
		//间隔为gap的多趟数据同时排序
		for (i = 0; i < len - gap; i++)
		{
			int end = i;
			int tmp = arr[end + gap];
			while (end >= 0)
			{
				if (arr[end] >= tmp)
				{
					arr[end + gap] = arr[end];
					end -= gap;
				}
				if (arr[end] <= tmp)
				{
					arr[end + end] = tmp;
					break;
				}
			}
		}
	}
}

堆排序

基本思路

堆的逻辑结构是一棵完全二叉树，物理结构是一个数组。我们可以通过计算数组下标从而判断其父子关系。

parent * 2 + 1 = leftchild

parent * 2 + 2 = rightchild

parent = (child - 1) / 2

堆可以分为两类，最大堆和最小堆。

最大堆

（大堆）

最大堆中所有的父亲都大于等于孩子

根节点储存的值是最大值

最小堆

（小堆）

最小堆中所有的父亲都小于等于孩子

根节点储存的值是最大值

接下来，我们以数组arr[] = {1,18,5,9,3,8,12,2}为例，进行分析。

如图，堆的物理结构是arr这个数组，其逻辑结构如图。

我们堆排序的前提是建堆（时间复杂度： $O(n ^ 2)$ ），这里我们要将数组arr变成一个小堆。这里我们用到的算法是向下调整算法。

向下调整算法：前提是所给的根节点 root 的左右子树都是小堆，利用这个算法可以将 root 为根节点的二叉树转换为一个小堆。具体思路如图。

如图，根节点的左子树和右子树都是小堆，符合向下调整算法的前提。

基本步骤为：

接下来，我们对于数组arr[] = {1,18,5,9,3,8,12,2}，它的根节点的左右子树并不满足是小堆的前提。但是我们可以知道，当一棵二叉树深度为2时，这个二叉树的左右子树必然是小堆（以为根节点下就是叶子节点，叶子节点一定是小堆）。所以我们可以从倒数一个非叶子节点的子树开始向下调整，这样子自下而上，就可以保证整个二叉树都变成小堆了。如图：

堆排序

升序	建大堆，找最大值
降序	建小堆，找最小值

还是以数组arr[] = {1,18,5,9,3,8,12,2}为例，我们需要升序，所以应该建大堆。

由于最大堆的特性，根节点的值是数组中的最大值，所以我们可以利用这个特性，进行以下操作。

时间复杂度： $O(n\log_{2}n )$

程序实现（HeapSort）

void AdjustDown(int* arr, int len, int root)
{
	//向下调整算法
	//前提：左右子树均为大堆
	//取 min(leftchild, rightchild)，和 parent 比较
	//如果 parent < min(leftchild, rightchild), 则交换位置
	int parent = root;
	//左孩子的下标
	int child = parent * 2 + 1;
	//左孩子和右孩子比大小
	while (child < len)
	{
		if (arr[child] < arr[child + 1] && child + 1 < len)
		{
			child += 1;
		}
		if (arr[parent] < arr[child])
		{
			Swap(&arr[parent], &arr[child]);
		}
		//因为左右子树是大堆，父节点比左右子树的根节点还要大，所以父节点一定是最大的
		else
		{
			break;
		}
		//迭代条件
		parent = child;
		child = parent * 2 + 1;
	}
}

void HeapSort(int* arr, int len)
{
	//建堆
	//向下调整算法的前提是左右子树均为大堆
	//所以我们可以从倒数一个非叶子节点的子树开始向下调整
	//因为叶子节点没有孩子节点，所以一定满足左右子树是大堆
	int i;
	for (i = (len - 2) / 2; i >= 0; i--)
	{
		AdjustDown(arr, len, i);
	}
	int end = len - 1;
	for (end = len - 1; end > 0; end--)
	{
		Swap(&arr[end], &arr[0]);
		AdjustDown(arr, end, 0);
	}
}

选择排序

基本思路

每一次从待排序的数据元素中选出最小（或最大）的一个元素，存放在序列的起始位置，直到全
部待排序的数据元素排完。

如下动图所示

时间复杂度： $O(n^2)$

程序实现（SelectSort）

void SelectSort(int* arr, int len)
{
	int i = 0;
	for (i = 0; i < len; i++)
	{
		int end = i;
		int min = end;
		for (end = i; end < len; end++)
		{
			if (arr[end] < arr[min])
			{
				min = end;
			}
		}
		Swap(&arr[i], &arr[min]);
	}
}

冒泡排序

基本思路

将键值较大的记录向序列的尾部移动，或者将键值较小的记录向序列的前部移动。

如下图所示

时间复杂度： $O(n^2)$

程序实现（BubbleSort）

void BubbleSort(int* arr, int len)
{
	int i = 0;
	int end = len - 1;
	for (end = len - 1; end > 0; end--)
	{
		int flag = 0;
		for (i = 1; i <= end; i++)
		{
			if (arr[i - 1] > arr[i])
			{
				Swap(&arr[i - 1], &arr[i]);
				flag = 1;
			}
		}
		//如果某一趟并未进行一次交换，则说明该趟已经有序，不需要继续循环
		if (flag == 0)
		{
			break;
		}
}

快速排序

基本思路

流程如图所示

一.选取基准值

一般来说，我们选取数组中第一个为基准值。但是，如果要排序的数组是有序的，时间复杂度为 $O(n^2)$ ，我们可以采取三数取中的方法避免该情况：，即取数组中第一个数，最后一个数，和中间一个数的中间大小值作为基准值。

//优化：三数取中
int GetMidIndex(int* arr, int left, int right)
{
	int mid = (left + right) / 2;
	if (arr[left] > arr[right])
	{
		if (arr[mid] > arr[left])
		{
			return left;
		}
		else if (arr[mid] < arr[right])
		{
			return right;
		}
		else
		{
			return mid;
		}
	}
	else
	{
		if (arr[mid] < arr[left])
		{
			return left;
		}
		else if (arr[mid] > arr[right])
		{
			return right;
		}
		else
		{
			return mid;
		}
	}
}

二.单趟排序

1.挖坑法

任取待排序元素序列中的某元素作为基准值，按照该排序码将待排序集合分割成两子序列，左子序列中所有元素均小于基准值，右子序列中所有元素均大于基准值，然后最左右子序列重复该过程，直到所有元素都排列在相应位置上为止。

如图所示，先进行第一趟的快速排序。

此时我们可以发现，基准值6将原序列分为两个部分，左子列的所有的数都小于基准值，右子列的所有数都大于基准值，且基准值已经放在了正确的位置。

int PartSort1(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	//将arr[begin]放置在正确的位置
	int begin = left;
	int end = right;
	int key = arr[begin];
	int pivot = begin;
	while (begin < end)
	{
		//end向前遍历，找小于基准数的值
		while (arr[end] >= key && begin < end)
		{
			end--;
		}
		arr[begin] = arr[end];
		pivot = end;
		//begin向后遍历，找大于基准数的值
		while (arr[begin] <= key && begin < end)
		{
			begin++;
		}
		arr[end] = arr[begin];
		pivot = begin;
	}
	arr[end] = key;
	return pivot;
}

2.左右指针法

如下图所示，还是以第一个数确立为基准值，begin，end指针同时移动：begin指向的值大于基准值时，停止；end指向的值小于基准值时，停止。交换arr[begin],arr[end]。直至begin，end相遇，停止循环，将此时二者指向的值和基准值（数组第一个数）交换位置。

int PartSort2(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	//将arr[begin]放置在正确的位置
	int begin = left;
	int end = right;
	int pivot = begin;
	while (begin < end)
	{
		while (arr[end] >= arr[pivot] && begin < end)
		{
			end--;
		}
		while (arr[begin] <= arr[pivot] && begin < end)
		{
			begin++;
		}
		Swap(&arr[begin], &arr[end]);
	}
	Swap(&arr[begin], &arr[pivot]);
	pivot = begin;
	return pivot;
}

3.前后指针法（快慢指针法）

cur向后遍历，每当arr[cur]小于基准值时，先将prev向后遍历一位，arr[cur]和arr[prev]交换位置。（注意先后顺序）

int PartSort3(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	int cur = left + 1;
	int prev = left;
	int pivot = left;
	while (cur <= right)
	{
		if (arr[cur] < arr[pivot])
		{
			prev++;
			Swap(&arr[cur], &arr[prev]);
		}
		cur++;
	}
	Swap(&arr[pivot], &arr[prev]);
	pivot = prev;
	return pivot;
}

三.分治递归

接下来，我们只需要将[ 0, pivot - 1]和[ pivot + 1, len - 1]这两个子序列排序即可。

分治递归：只要左边界等于于右边界，则说明子序列中只有一个数，则排序完成（递归终止条件）

时间复杂度：

时间复杂度： $O(n\log_{2}n )$ （有序的情况下时间最长 $O(n^2)$ ）

小区间优化：当数组被分割到一个比较小的数量时，可以采取直接插入排序，减少递归调用的次数，以缩短运行时间。

if (pivot - left < 10)
	{
		InsertSort(arr + left, pivot - left);
	}
	else
	{
		_QuickSort(arr, left, pivot - 1);
	}
	if (right - pivot < 10)
	{
		InsertSort(arr + pivot + 1, right - pivot);
	}
	else
	{
		_QuickSort(arr, pivot + 1, right);
	}

程序实现(QuickSort)

void QuickSort(int* arr, int len)
{
	_QuickSort(arr, 0, len - 1);
}

void _QuickSort(int* arr, int left, int right)
{
	if (right <= left)
	{
		return;
	}

	//int pivot = PartSort1(arr, left, right);
	//int pivot = PartSort2(arr, left, right);
	int pivot = PartSort3(arr, left, right);

	//_QuickSort(arr, left, pivot - 1);
	//_QuickSort(arr, pivot + 1, right);

	//小区间优化
	if (pivot - left < 10)
	{
		InsertSort(arr + left, pivot - left);
	}
	else
	{
		_QuickSort(arr, left, pivot - 1);
	}
	if (right - pivot < 10)
	{
		InsertSort(arr + pivot + 1, right - pivot);
	}
	else
	{
		_QuickSort(arr, pivot + 1, right);
	}
}

//优化：三数取中
int GetMidIndex(int* arr, int left, int right)
{
	int mid = (left + right) / 2;
	if (arr[left] > arr[right])
	{
		if (arr[mid] > arr[left])
		{
			return left;
		}
		else if (arr[mid] < arr[right])
		{
			return right;
		}
		else
		{
			return mid;
		}
	}
	else
	{
		if (arr[mid] < arr[left])
		{
			return left;
		}
		else if (arr[mid] > arr[right])
		{
			return right;
		}
		else
		{
			return mid;
		}
	}
}

int PartSort1(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	//将arr[begin]放置在正确的位置
	int begin = left;
	int end = right;
	int key = arr[begin];
	int pivot = begin;
	while (begin < end)
	{
		//end向前遍历，找小于基准数的值
		while (arr[end] >= key && begin < end)
		{
			end--;
		}
		arr[begin] = arr[end];
		pivot = end;
		//begin向后遍历，找大于基准数的值
		while (arr[begin] <= key && begin < end)
		{
			begin++;
		}
		arr[end] = arr[begin];
		pivot = begin;
	}
	arr[end] = key;
	return pivot;
}

int PartSort2(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	//将arr[begin]放置在正确的位置
	int begin = left;
	int end = right;
	int pivot = begin;
	while (begin < end)
	{
		while (arr[end] >= arr[pivot] && begin < end)
		{
			end--;
		}
		while (arr[begin] <= arr[pivot] && begin < end)
		{
			begin++;
		}
		Swap(&arr[begin], &arr[end]);
	}
	Swap(&arr[begin], &arr[pivot]);
	pivot = begin;
	return pivot;
}
int PartSort3(int* arr, int left, int right)
{
	int index = GetMidIndex(arr, left, right);
	Swap(&arr[left], &arr[index]);
	int cur = left + 1;
	int prev = left;
	int pivot = left;
	while (cur <= right)
	{
		if (arr[cur] < arr[pivot])
		{
			prev++;
			Swap(&arr[cur], &arr[prev]);
		}
		cur++;
	}
	Swap(&arr[pivot], &arr[prev]);
	pivot = prev;
	return pivot;
}

非递归实现快速排序

递归存在一定的缺陷，我们以下面的程序为例

我们写一个函数 f(n)，用于计算小于n的所有正整数的和。该函数就是使用了递归算法。

int f(int n)
{
	return n <= 1 ? 1 : f(n - 1) + 1;
}
int main()
{
    printf("%d\n", f(10000));
    return 0;
}

但是当我们计算f(10000)时，无法得出结果。

我们可以画出递归图理解：

所以，递归有一个致命缺陷，就是如果递归深度太深，可能会导致栈空间不够用，从而导致栈溢出。

在这里，我们将会借助数据结构的栈模拟递归过程，以增加可调用的空间。

void _QuickSort(int* arr, int left, int right)
{
	if (right <= left)
	{
		return;
	}

	int pivot = PartSort1(arr, left, right);

	_QuickSort(arr, left, pivot - 1);
	_QuickSort(arr, pivot + 1, right);
}

这是未进行三数取中优化的快速排序，接下来我们将会通过画出递归展开图的方式，理解快速排序的逻辑，并通过数据结构的栈模拟递归调用的过程。

程序实现：

我们将左区间和右区间放入一个结构体 r 中，而栈st存储该结构体。

struct range
{
	int left;
	int right;
};

栈中存储的是无序的序列。
我们每次取出栈顶的元素，进行单趟排序，即可将原来一个无序序列 [r.left, r.right] 分为 [r.left, pivot - 1] 和 [pivot + 1, r.right]两个无序序列
如果新的无序序列只有一个值，则已经有序，不需要压入栈中；
如果新的无序序列还有多个值，则说明无序，需要重新压入栈中。
当栈中没有元素时，即完成排序操作。

//非递归实现快排：借助数据结构的栈模拟递归过程
void QuickSortNonR(int* arr, int len)
{
	ST st;
	StackInit(&st);
	struct range r;
	r.left = 0;
	r.right = len - 1;
	StackPush(&st, r);
	//如果栈不为空，则说明需要排序
	while (!StackEmpty(&st))
	{
		//取栈顶元素
		r = StackTop(&st);
		StackPop(&st);
		//单趟排序
		//将一个无序序列 [r.left, r.right] 分为 [r.left, pivot - 1] 和 [pivot + 1, r.right]两个无序序列
		int pivot = PartSort1(arr, r.left, r.right);
		struct range tmp;
		tmp.left = 0;
		tmp.right = 0;
		if (pivot + 1 < r.right)
		{
			tmp.left = pivot + 1;
			tmp.right = r.right;
			StackPush(&st, tmp);
		}
		if (r.left < pivot - 1)
		{
			tmp.left = r.left;
			tmp.right = pivot - 1;
			StackPush(&st, tmp);
		}
	}
	StackDestory(&st);
}

归并排序

基本思路

如图所示，将原序列依次二分，分到只有一个数时，进行层层有序合并。

单趟排序：

前提：将两个有序的数组，合并成一个有序的数组。

具体步骤：当两个区间有序，同时遍历这两个序列，取二者中较小的值插入临时的数组tmp中，如果这两个序列有剩余，则将剩余的值直接插入tmp中。然后将tmp中的值复制给原数组。

详见：10.30链表进阶_zhangyuaizhuzhu的博客-CSDN博客

	//归并：两个有序序列归并到一个有序序列中
	int cur = left;
	int prev = mid + 1;
	int i = left;
	while (cur <= mid && prev <= right)
	{
		if (arr[cur] < arr[prev])
		{
			tmp[i++] = arr[cur++];
		}
		else
		{
			tmp[i++] = arr[prev++];
		}
	}
	while (cur <= mid)
	{
		tmp[i++] = arr[cur++];
	}
	while (prev <= right)
	{
		tmp[i++] = arr[prev++];
	}

时间复杂度： $O(n\log_{2}n )$

空间复杂度： $O(n)$

程序实现（MergeSort）

void MergeSort(int* arr, int len)
{
	//开辟一个临时数组
	int* tmp = (int*)malloc(len * sizeof(int));
	int i = 0;
	//调用子函数，防止多次开辟数组造成内存浪费
	_MergeSort(arr, 0, len - 1, tmp);
	free(tmp);
}
void _MergeSort(int* arr, int left, int right, int* tmp)
{
	if (left >= right)
		return;
	
	//二分：[left, mid] 和 [mid + 1, right]
	//分割到区间内只有一个数，则有序，则可以归并了
	int mid = (left + right) >> 1;
	_MergeSort(arr, left, mid, tmp);
	_MergeSort(arr, mid + 1, right, tmp);

	PartMergeSort(arr, left, right, tmp);
}
void PartMergeSort(int* arr, int left, int right, int* tmp)
{
	//归并：两个有序序列归并到一个有序序列中
	int mid = (left + right) >> 1;
	int cur = left;
	int prev = mid + 1;
	int i = left;
	while (cur <= mid && prev <= right)
	{
		if (arr[cur] < arr[prev])
		{
			tmp[i++] = arr[cur++];
		}
		else
		{
			tmp[i++] = arr[prev++];
		}
	}
	while (cur <= mid)
	{
		tmp[i++] = arr[cur++];
	}
	while (prev <= right)
	{
		tmp[i++] = arr[prev++];
	}

	//将tmp中的数据复制到arr数组中
	for (i = left; i <= right; i++)
	{
		arr[i] = tmp[i];
	}
}

以测试数组arr[] = { 10，6，7，1，3，9，4，2 }为例：

进行归并排序时，由递归展开图可知：

该程序的思路类似于二叉树的后序遍历，后序遍历是对二叉树的叶子节点进行打印输出；而归并排序也类似，每次遍历到最小的区间，再进行排序操作。

非递归实现归并排序

除了可以用数据结构的栈实现模拟递归，我们还可以通过循环代替递归。

例如，函数 f (n) 需要实现求出前n项的和，除了递归，我们可以用for循环替代递归。

int f(int n)
{
	int i = 0;
    int sum = 0;
    for (i = 0; i <= n; i++)
    {    
        sum += i;
    }
    return sum;
}
int main()
{
    printf("%d\n", f(10000));
    return 0;
}

类似地，我们也可以用循环实现归并排序。

在之前的内容中，我们可以知道，归并排序的实质是先分再合。

我们先将一个无序的序列分解到最小的序列，即只有一个数的序列，此时该序列毫无疑问有序。

然后就是合并，我们单趟归并排序就可以将两个有序的序列合并成一个有序的序列。

依据这一特点，我们可以进行如下操作，模拟归并排序的过程。

程序实现

void MergeSortNonR(int* arr, int len)
{
	int gap = 1;
	int i = 0;
	int* tmp = (int*)malloc(len * sizeof(int));
	while (gap < len / 2)
	{
		for (i = 0; i + 2 * gap <= len; i += gap * 2)
		{
			if (i + gap > len)
			{
				break;
			}
			PartMergeSort(arr, i, i + gap * 2 - 1, tmp);
		}
		gap *= 2;
	}
}

计数排序

基本思路

1.绝对映射位置的计数排序

将arr[] = {5, 6, 6, 7, 1, 0, 3, 0}排序：

我们先找到该数组的最大值，然后以最大值为数组的大小开辟一个空间。count [max]

在 arr[] 数组中， max = 7，则开辟一个长度为8的计数数组。

计数数组	count[0]	count[1]	count[2]	count[3]	count[4]	count[5]	count[6]	count[7]
统计每个数出现的个数	2	1	0	1	0	1	2	1

然后我们就可以根据计数数组，进行排序。

arr	arr[0]	arr[1]	arr[2]	arr[3]	arr[4]	arr[5]	arr[6]	arr[7]
值	0	0	1	3	5	6	6	7

绝对位置映射有一个缺陷：

当最大值很大时，且最小值不为零时，需要的辅助空间count[]将会很大，会造成内存空间的浪费。

例如arr[] = {105, 106, 106, 107, 101, 100, 103, 100}

则需要一个长度为107的数组，但是我们arr[]数组长度仅为8，会造成内存的浪费。

2.相对映射位置的计数排序

与绝对映射位置不同的是，我们需要找到数组中的最小值min。

计数数组的下标为 arr[n] - min

需要开辟数组的大小为 max - min

还是以arr[] = {105, 106, 106, 107, 101, 100, 103, 100}为例

max = 107 min = 100

计数数组	count[0]	count[1]	count[2]	count[3]	count[4]	count[5]	count[6]	count[7]	count[107]
统计每个数出现的个数	2	1	0	1	0	1	2	1	1

如此一来，可以减小辅助空间的大小。

特点：没有进行比较运算即可完成排序，适用于范围集中的整形数据排序。

时间复杂度： $O(n+range)$

空间复杂度： $O(range )$

程序实现（CountSort）

void CountSort(int* arr, int len)
{
	//1.找出原数组max和min
	int max = arr[0], min = arr[0];
	int i = 0;
	for (i = 0; i < len; i++)
	{
		if (arr[i] > max)
		{
			max = arr[i];
		}
		if (arr[i] < min)
		{
			min = arr[i];
		}
	}
	int range = max - min + 1;
	//2.建立计数数组
	int* count = (int*)malloc(sizeof(int) * (range));
	//将count数组置零
	memset(count, 0, sizeof(int) * range);
	for (i = 0; i < len; i++)
	{
		count[arr[i] - min]++;
	}
	//3.根据计数数组进行排序
	//i用于遍历arr原数组，j用于遍历计数数组
	i = 0;
	int j = 0;
	for (j = 0; j < range; j++)
	{
		while (count[j] > 0)
		{
			arr[i++] = j + min;
			count[j]--;
		}
	}
	free(count);
}

排序综述

稳定性：假定在待排序的记录序列中，存在多个具有相同的关键字的记录，若经过排序，这些记
录的相对次序保持不变，即在原序列中，r[i]=r[j]，且r[i]在r[j]之前，而在排序后的序列中，r[i]仍在r[j]之前，则称这种排序算法是稳定的；否则称为不稳定的。

各个排序算法的优劣如下表格：

排序方法	平均情况	最好情况	最坏情况	辅助空间	稳定性
冒泡排序	$O(n^2)$	$O(n)$	$O(n^2)$	$O(1)$	稳定
选择排序	$O(n^2)$	$O(n^2)$	$O(n^2)$	$O(1)$	不稳定
插入排序	$O(n^2)$	$O(n)$	$O(n^2)$	$O(1)$	稳定
希尔排序	$O(n\log_{2}n)$ ~ $O(n^2)$	$O(n^{1.3})$	$O(n^2)$	$O(1)$	不稳定
堆排序	$O(n\log_{2}n)$	$O(n\log_{2}n)$	$O(n\log_{2}n)$	$O(1)$	不稳定
归并排序	$O(n\log_{2}n)$	$O(n\log_{2}n)$	$O(n\log_{2}n)$	$O(1)$	稳定
快速排序	$O(n\log_{2}n)$	$O(n\log_{2}n)$	$O(n^2)$	$O(\log_{2}n)$ ~ $O(n)$	不稳定
计数排序	$O(n+range)$	$O(n+range)$	$O(n+range)$	$O(range )$	不稳定

这里我们可以通过TestOP这个函数，测试各个排序的性能。

#define _CRT_SECURE_NO_WARNINGS

#include"Stack.h"
#include"Sort.h"

// 测试排序的性能对比
void TestOP()
{
	srand(time(0));
	const int N = 100000;
	int* a1 = (int*)malloc(sizeof(int) * N);
	int* a2 = (int*)malloc(sizeof(int) * N);
	int* a3 = (int*)malloc(sizeof(int) * N);
	int* a4 = (int*)malloc(sizeof(int) * N);
	int* a5 = (int*)malloc(sizeof(int) * N);
	int* a6 = (int*)malloc(sizeof(int) * N);
	int* a7 = (int*)malloc(sizeof(int) * N);
	int* a8 = (int*)malloc(sizeof(int) * N);
	for (int i = 0; i < N; ++i)
	{
		a1[i] = rand();
		a2[i] = a1[i];
		a3[i] = a1[i];
		a4[i] = a1[i];
		a5[i] = a1[i];
		a6[i] = a1[i];
		a7[i] = a1[i];
		a8[i] = a1[i];
	}
	int begin1 = clock();
	InsertSort(a1, N);
	int end1 = clock();
	int begin2 = clock();
	ShellSort(a2, N);
	int end2 = clock();
	int begin3 = clock();
	SelectSort(a3, N);
	int end3 = clock();
	int begin4 = clock();
	HeapSort(a4, N);
	int end4 = clock();
	int begin5 = clock();
	QuickSort(a5, N);
	int end5 = clock();
	int begin6 = clock();
	MergeSort(a6, N);
	MergeSortNonR(a6, N);
	int end6 = clock();
	int begin7 = clock();
	BubbleSort(a7, N);
	int end7 = clock();
	int begin8 = clock();
	CountSort(a8, N);
	int end8 = clock();
	printf("InsertSort:%d\n", end1 - begin1);
	printf("ShellSort:%d\n", end2 - begin2);
	printf("SelectSort:%d\n", end3 - begin3);
	printf("HeapSort:%d\n", end4 - begin4);
	printf("QuickSort:%d\n", end5 - begin5);
	printf("MergeSort:%d\n", end6 - begin6);
	printf("BubbleSort:%d\n", end7 - begin7);
	printf("CountSort:%d\n", end8 - begin8);
	free(a1);
	free(a2);
	free(a3);
	free(a4);
	free(a5);
	free(a6);
	free(a7);
	free(a8);
}
void TestInsertSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	InsertSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestShellSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	ShellSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestBubbleSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	BubbleSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestHeapSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	HeapSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestSelectSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	SelectSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestQuickSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	QuickSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestQuickSortNonR()
{
	int arr[] = {6, 1, 2, 7, 9, 3, 4, 5, 10, 8};
	QuickSortNonR(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestMergeSortNonR()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	MergeSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestMergeSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	//MergeSort(arr, sizeof(arr) / sizeof(int));
	MergeSortNonR(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
void TestCountSort()
{
	int arr[] = { 6, 1, 2, 7, 9, 3, 4, 5, 10, 8 };
	CountSort(arr, sizeof(arr) / sizeof(int));
	PrintArray(arr, sizeof(arr) / sizeof(int));
}
int main()
{
	TestOP();
	//TestQuickSortNonR();
	//TestMergeSortNonR();
	//TestCountSort();
	return 0;
}

我们运行1000000个数据，结果如图：