【优选算法篇】揭秘快速排序：分治算法如何突破性能瓶颈

文章目录

须知

💬 欢迎讨论：如果你在学习过程中有任何问题或想法，欢迎在评论区留言，我们一起交流学习。你的支持是我继续创作的动力！

👍 点赞、收藏与分享：觉得这篇文章对你有帮助吗？别忘了点赞、收藏并分享给更多的小伙伴哦！你们的支持是我不断进步的动力！
🚀 分享给更多人：如果你觉得这篇文章对你有帮助，欢迎分享给更多对C++算法感兴趣的朋友，让我们一起进步！

1. C++ 分治（快速排序）算法详解

1.1 模拟分治（快速排序）的重要性

分治法是一种非常高效的算法设计策略，广泛应用于计算机科学的多个领域，尤其是在解决复杂问题时，它通过将大问题拆解成更小的子问题来降低问题的复杂度。快速排序（QuickSort）是分治法中的经典例子，能够在许多实际场景中提升性能。它的重要性体现在以下几个方面：

时间复杂度优化：分治法通过拆解问题，使得大规模问题能够分步解决，从而显著提高计算效率。比如快速排序的平均时间复杂度为O(n log n)，优于许多传统排序算法（如冒泡排序、插入排序）O(n²)的时间复杂度。
提高算法的可扩展性：分治法能够有效地应对大规模数据集，许多现代应用都依赖于这种方法来优化性能，如大数据处理、数据库查询等。
简化问题的求解：分治法将复杂问题拆分成多个简单的子问题，通过递归或迭代逐步求解，最终汇总结果，极大地简化了解决问题的过程。

1.2 分治法的定义

**分治法（Divide and Conquer）**是一种通过递归将一个问题分解成多个子问题的算法设计策略。这些子问题通常是原问题的规模较小的变体，并且这些子问题的求解方式与原问题相同。每个子问题得到解后，再将结果合并成原问题的解。

分治法的步骤包括：

分解（Divide）：将一个大问题分解为多个规模较小、相似的子问题。
求解（Conquer）：递归地解决这些子问题，通常子问题的规模逐渐变小，直到达到基准情况。
合并（Combine）：将子问题的解合并成原问题的解。

1.3 分治法的核心思想

分治法的核心思想是**“将大问题拆解为多个小问题，再通过递归解决小问题，最后将结果合并”**。这一思路的关键在于能够有效地将问题拆解成更易于解决的部分，并利用递归的方式进行求解。

对于快速排序（QuickSort）来说，分治法的应用非常典型，它通过如下步骤执行：

选定基准元素（Pivot）：从待排序的数组中选择一个元素作为“基准元素”。
划分（Partition）：将数组中的其他元素根据基准元素的大小进行分组。具体来说，把比基准元素小的放在基准元素的左边，把比基准元素大的放在右边。
递归排序：对基准元素左边和右边的子数组分别递归应用快速排序。

通过不断递归和分治，最终整个数组被排序完成。

1.4 快速排序的核心思想

快速排序是分治法的一种经典应用，它的核心思想就是通过选择基准元素，划分数组并递归地对各个子数组进行排序。

快速排序的具体步骤如下：

选择一个基准元素：通常选择数组的第一个元素、最后一个元素或中间的元素。
划分操作（Partition）：通过交换数组中的元素，将小于基准元素的放在左边，大于基准元素的放在右边，并最终将基准元素放到合适的位置。
递归排序：递归地对基准元素左边和右边的子数组进行相同的排序操作，直到子数组的大小为1。

1.4.1 时间复杂度分析：

最优情况下，快速排序的时间复杂度是 O(n log n)，即每次分割都能将数组对半分。
最坏情况下（例如每次都选择最小或最大元素作为基准），时间复杂度为 O(n²)。

1.4.2 为什么快速排序如此高效？

快速排序的高效性主要来自其 划分操作，通过对数组的分割，将整个排序问题分解成多个较小的子问题，避免了无意义的全数组遍历。
分治法可以使得每次操作都针对数据的较小部分，从而减少了操作的冗余，提高了性能。

1.5 快速排序的经典应用

快速排序广泛应用于各种需要高效排序的场景。以下是几个经典应用：

大数据处理：快速排序是处理大规模数据集时常用的排序算法，尤其是在数据量非常大的情况下，快速排序能显著提高数据排序的效率。
数据库排序：在数据库系统中，排序操作是常见的需求，尤其是在索引建立、查询优化、数据分析等过程中。快速排序通常被用作数据库中默认的排序算法之一。
在线算法：快速排序在处理流式数据时非常高效，能够在线处理数据并进行排序。例如，实时数据分析和流媒体数据的排序。
并行计算：通过分治法的思想，快速排序适合于并行化处理。多个处理器可以并行地对数据子集进行排序，最终将结果合并。
应用于搜索和图像处理：在需要排序的算法中，快速排序由于其较高的效率，常常应用于大规模图像处理、数据清洗以及需要频繁排序的机器学习算法中。

2. 题目1：颜色分类

题目链接：75. 颜色分类 - 力扣（LeetCode）

题目描述：

2.1 算法思路：

这个算法通过双指针来解决问题，利用一个 left 指针来管理所有 0 的位置，一个 right 指针来管理所有 2 的位置，i 指针用来遍历数组。通过这三个指针的移动，逐步调整数组元素的顺序。

具体步骤如下：

初始化指针：
- left: 用来标记当前数组中 0 的末尾。初始值为 -1。
- right: 用来标记当前数组中 2 的起始位置。初始值为 nums.size()，即数组的长度。
- i: 用来遍历整个数组，指向当前处理的元素。
遍历数组并交换元素：
- 当 nums[i] == 0 时，表示当前元素是 0，将其与 left + 1 位置的元素交换（left 增加），然后 i 继续向右移动。
- 当 nums[i] == 2 时，表示当前元素是 2，将其与 right - 1 位置的元素交换（right 减少），但是由于交换后的元素需要重新判断，所以 i 不增加。
- 当 nums[i] == 1 时，表示当前元素是 1，无需交换，只需要将 i 增加，继续检查下一个元素。
终止条件：当 i 大于等于 right 时，表示数组已经被完全排序，退出循环。

2.2 代码示例：

class Solution {
public:
    void sortColors(vector<int>& nums) {
        // 初始化指针
        int left = -1;          // left指针表示当前0的最后位置，初始为-1（即0还没被放置）
        int right = nums.size();  // right指针表示当前2的开始位置，初始为数组长度
        int i = 0;               // i为遍历指针，从数组的开头开始

        // 当i小于right时继续遍历，i表示当前处理的位置，right表示处理2的边界
        while (i < right) {
            if (nums[i] == 2) {
                // 如果当前元素是2，将其放到right-1位置，并将right指针向左移动
                // 交换nums[i]和nums[right-1]的值，right减小，继续处理交换后的元素
                swap(nums[--right], nums[i]);
            } 
            else if (nums[i] == 0) {
                // 如果当前元素是0，将其放到left+1位置，并将left指针向右移动
                // 同时i向右移动继续处理下一个元素
                swap(nums[++left], nums[i++]);
            } 
            else if (nums[i] == 1) {
                // 如果当前元素是1，不需要交换，i指针向右移动，继续处理下一个元素
                i++;
            }
        }
    }
};

2.2.1 注释详细解释：

初始化指针：
- left 初始化为 -1，代表数组中 0 的最后一个位置。因为在最开始 0 还没有被放置。
- right 初始化为数组长度，表示数组中 2 的起始位置。right 会从右向左移动，直到遍历完成。
- i 初始化为 0，指向当前正在处理的元素。
遍历数组：
- while (i < right)：当 i 小于 right 时，继续遍历数组。如果 i 超过 right，表示所有元素已经排序完成。
处理 nums[i] == 2：
- 如果当前元素是 2，将其交换到 right-1 位置，并将 right 向左移动。
- swap(nums[--right], nums[i]);：交换当前元素和 right-1 位置的元素。此时 right 减少，表示 2 的区域已经确定，避免处理已经排序好的部分。
处理 nums[i] == 0：
- 如果当前元素是 0，将其放到 left+1 位置，表示已找到一个 0，并且 left 向右移动，指向下一个可插入 0 的位置。
- swap(nums[++left], nums[i++]);：将当前元素交换到 left+1 位置，并且 i 向右移动，因为交换后当前位置的元素已经正确排序。
处理 nums[i] == 1：
- 如果当前元素是 1，则不需要交换。直接将 i 向右移动，继续处理下一个元素。

2.2.2 运行流程：

通过三个指针 i、left 和 right，我们将数组分成三个区域：
- [0, left]：所有的 0。
- [left+1, i-1]：所有的 1。
- [right, nums.size()-1]：所有的 2。
每次移动 i 或交换元素，确保元素正确地分配到相应的区域，最终整个数组按照 0、1、2 排序。

例子：

假设输入为 nums = [2, 0, 2, 1, 1, 0]：

初始化：
- left = -1, right = 6, i = 0
第一轮遍历（i = 0）：
- nums[i] == 2，将 nums[5] 和 nums[0] 交换，right--，数组变为 [0, 0, 2, 1, 1, 2]，right = 5。
第二轮遍历（i = 0）：
- nums[i] == 0，将 nums[0] 和 nums[0] 交换，left++，i++，left = 0，i = 1。
第三轮遍历（i = 1）：
- nums[i] == 0，将 nums[1] 和 nums[1] 交换，left++，i++，left = 1，i = 2。
第四轮遍历（i = 2）：
- nums[i] == 2，将 nums[4] 和 nums[2] 交换，right--，数组变为 [0, 0, 1, 1, 2, 2]，right = 4。
第五轮遍历（i = 2）：
- nums[i] == 1，直接 i++，i = 3。
第六轮遍历（i = 3）：
- nums[i] == 1，直接 i++，i = 4。
结束：
- 当 i = right 时，循环结束，数组已经排序完成。

最终排序结果：[0, 0, 1, 1, 2, 2]

2.3 多种解法

2.3.1 解法 2：计数排序

计数排序是一个简单直接的解法，时间复杂度为 O(n)，空间复杂度为 O(1)（如果我们忽略计数数组的常数空间）。

思路：

我们可以利用计数排序的方法，首先统计 0、1 和 2 的数量，然后按照数量依次填充数组。

代码实现：

class Solution {
public:
    void sortColors(vector<int>& nums) {
        int count[3] = {0};  // 记录 0, 1, 2 的数量
        
        // 统计每个元素的个数
        for (int num : nums) {
            count[num]++;
        }
        
        // 根据计数结果填充数组
        int idx = 0;
        for (int i = 0; i < 3; i++) {
            while (count[i] > 0) {
                nums[idx++] = i;
                count[i]--;
            }
        }
    }
};

解释：

我们首先用一个大小为 3 的数组 count 来记录 0、1 和 2 的出现次数。
然后根据 count 数组中的数量依次将元素放回原数组，完成排序。

这种方法虽然简单，但会用到额外的空间来存储计数数组。

2.3.2 解法 3：两次遍历（插入排序）

插入排序是一种简单的排序方法，但它的时间复杂度较高，不太适合这个问题。不过，在数组大小比较小或者元素种类较少时，它可能会比较简洁。

思路：

第一次遍历，找出所有 0 并把它们排到前面。
第二次遍历，处理剩下的元素，找出所有 1 并把它们放到中间。

代码实现：

class Solution {
public:
    void sortColors(vector<int>& nums) {
        int count0 = 0, count1 = 0, count2 = 0;
        
        // 统计各个数字的出现次数
        for (int num : nums) {
            if (num == 0) count0++;
            else if (num == 1) count1++;
            else if (num == 2) count2++;
        }
        
        // 填充数组
        int idx = 0;
        while (count0--) nums[idx++] = 0;
        while (count1--) nums[idx++] = 1;
        while (count2--) nums[idx++] = 2;
    }
};

解释：

使用 count0、count1 和 count2 来统计 0、1 和 2 的数量。
然后通过 while 循环将每个数字按照其出现的次数填回到数组中。

2.3.3 解法 4：暴力排序（冒泡排序/快速排序等）

这种方法的时间复杂度通常较高，最坏情况下为 O(n²)，但可以通过常见的排序算法（如冒泡排序、快速排序）来实现。

思路：

我们可以将数组按常规排序算法进行排序，然后根据 0、1 和 2 排列的顺序获得结果。

代码实现（使用 C++ sort()）：

class Solution {
public:
    void sortColors(vector<int>& nums) {
        sort(nums.begin(), nums.end());
    }
};

解释：

通过使用 C++ 的标准库 sort() 函数，快速对数组进行排序。虽然这种方法简单，但它的时间复杂度为 O(n log n)，比荷兰国旗问题的解法效率稍低。

2.3.4 总结：

荷兰国旗问题（三指针法）：这是最高效的解法，时间复杂度为 O(n)，空间复杂度为 O(1)，适用于大部分情况。
计数排序：通过统计每个数字的频率来排序，时间复杂度为 O(n)，空间复杂度为 O(1)（不考虑计数数组）。
两次遍历（插入排序）：适用于小规模数据，空间复杂度低，但时间复杂度相对较高。
暴力排序：利用现有的排序算法（如快速排序、归并排序等），时间复杂度通常为 O(n log n)，但可能会浪费更多的计算资源。

建议：

对于此题，推荐使用荷兰国旗问题法，它不仅时间复杂度最优，而且空间复杂度也最小。

2.4 总结：

这段代码通过巧妙地使用三个指针实现了对只有 0、1、2 的数组进行排序。它是一种非常高效的荷兰国旗问题（Dutch National Flag Problem）的解法，时间复杂度为 O(n)，空间复杂度为 O(1)，并且通过原地排序减少了额外的空间使用。

3. 题目2：排序数组

题目链接：912. 排序数组 - 力扣（LeetCode）

题目描述：

3.1 算法思路：

这段代码是使用随机化快速排序（Randomized Quick Sort）的方式进行排序。与普通的快速排序不同，随机化快速排序通过随机选择 pivot 来避免排序时遇到最坏情况（例如已经有序的数组）。这种方式能够确保平均情况下快速排序的时间复杂度保持在 O(nlog n)，并且极大地降低了退化为 O(n²) 的概率。

快速排序概述：

选择一个 pivot 元素，然后将数组按照这个 pivot 划分成两个部分：左侧部分的元素都比 pivot 小，右侧部分的元素都比 pivot 大。
递归地排序这个两部分数组。

3.2 代码示例：

class Solution {
public:
    // 主函数，返回排序后的数组
    vector<int> sortArray(vector<int>& nums) {
        srand(time(NULL));  // 使用当前时间作为随机数生成器的种子
        qsort(nums, 0, nums.size() - 1);  // 调用递归快速排序函数
        return nums;  // 返回排序后的数组
    }

    // 快速排序的递归实现
    void qsort(vector<int>& nums, int l, int r) {
        if (l >= r)  // 递归结束条件，当左指针大于或等于右指针时，无需排序
            return;

        int k = getRandom(nums, l, r);  // 随机选择一个枢纽元素
        int left = l - 1, i = l, right = r + 1;  // 初始化指针，left指向枢纽元素左侧，right指向枢纽元素右侧，i用于遍历

        // 分区过程，将元素分为小于、等于、大于枢纽的三部分
        while (i < right) {
            if (nums[i] < k) {  // 当前元素小于枢纽元素
                swap(nums[++left], nums[i++]);  // 将该元素交换到小于枢纽元素区，并移动i
            } else if (nums[i] == k) {  // 当前元素等于枢纽元素
                i++;  // 直接跳过该元素，因为它已经在正确的区域
            } else {  // 当前元素大于枢纽元素
                swap(nums[--right], nums[i]);  // 将该元素交换到大于枢纽元素区，并移动right
            }
        }

        // 递归调用，对左部分和右部分继续进行快速排序
        qsort(nums, l, left);  // 排序小于枢纽元素的部分
        qsort(nums, right, r);  // 排序大于枢纽元素的部分
    }

    // 获取一个随机的枢纽元素
    int getRandom(vector<int>& nums, int left, int right) {
        int n = rand();  // 获取一个随机数
        return nums[n % (right - left + 1) + left];  // 通过随机数选择一个在[left, right]范围内的元素
    }
};

3.2.1 代码详细解释：

1. sortArray 函数：

作用：这是主函数，负责调用 qsort 来执行快速排序，并返回排序后的数组。
srand(time(NULL))：使用 time(NULL) 获取当前时间作为随机数生成的种子，确保每次程序运行时，随机数生成器的种子不同。
qsort(nums, 0, nums.size() - 1)：调用 qsort 函数，对整个数组进行排序，0 和 nums.size() - 1 表示数组的左右边界。

2. qsort 函数：

作用：这是快速排序的递归实现。它将数组分为三部分：小于枢纽、等于枢纽、大于枢纽。
if (l >= r)：当左边界大于或等于右边界时，表示该部分数组已经是有序的，不需要继续排序。
getRandom(nums, l, r)：在每一轮排序中，通过调用 getRandom 随机选择一个枢纽元素，避免排序退化为最坏情况。
left = l - 1, i = l, right = r + 1：初始化三个指针：
- left：指向左侧区域的最后一个元素的前一个位置。
- i：当前遍历的元素。
- right：指向右侧区域的第一个元素的后一个位置。
while (i < right)：通过 i 遍历数组：
- nums[i] < k：如果当前元素小于枢纽元素，则将其移到 left 区域，left 和 i 同时向右移动。
- nums[i] == k：如果当前元素等于枢纽元素，i 向右移动，继续遍历。
- nums[i] > k：如果当前元素大于枢纽元素，则将其移到 right 区域，right 向左移动，i 不变，因为交换后需要重新判断该元素。
qsort(nums, l, left) 和 qsort(nums, right, r)：分别递归地对小于枢纽部分和大于枢纽部分进行快速排序。

3. getRandom 函数：

作用：随机选择一个枢纽元素，用于分区操作。
int n = rand()：生成一个随机数。
return nums[n % (right - left + 1) + left]：使用随机数对 [left, right] 区间内的索引进行取模，确保生成的随机索引在指定范围内，返回对应位置的元素。

3.3.2 工作流程：

在每一轮排序中，qsort 会随机选择一个枢纽元素 k。
然后，通过遍历 i，将小于 k 的元素移动到 left 区域，大于 k 的元素移动到 right 区域，等于 k 的元素保持不变。
递归地对左半部分和右半部分继续进行快速排序。
随机选择枢纽元素可以避免快速排序在最坏情况下退化为 O(n^2)，提高排序效率。

3.3 多种解法

3.3.1 解法 2：使用 C++ 内置排序 (快速排序)

C++ STL 提供了非常高效的排序函数 std::sort，底层使用的是快速排序或堆排序，通常会选择最适合的数据结构来实现排序。这个方法的时间复杂度通常为 O(n log n)，空间复杂度为 O(log n)（递归调用栈的空间）。

代码实现：

class Solution {
public:
    vector<int> sortArray(vector<int>& nums) {
        sort(nums.begin(), nums.end());  // 使用 C++ STL 的 sort 排序
        return nums;
    }
};

解释：

sort(nums.begin(), nums.end())：直接调用 STL 中的 sort 函数进行排序。
由于 std::sort 是基于快速排序、归并排序或堆排序实现的，效率非常高。

时间复杂度：

最坏情况：O(n log n)（基于快速排序和堆排序的平均性能）。
平均情况：O(n log n)。

空间复杂度：

O(log n)（递归栈空间）。

3.3.2 解法 3：归并排序

归并排序是一种典型的分治算法，时间复杂度始终为 O(n log n)，并且在最坏情况下也能保持这种性能。归并排序的空间复杂度较高，需要 O(n) 的额外空间。

代码实现：

class Solution {
public:
    vector<int> sortArray(vector<int>& nums) {
        mergeSort(nums, 0, nums.size() - 1);
        return nums;
    }

    void mergeSort(vector<int>& nums, int left, int right) {
        if (left >= right) return;
        int mid = left + (right - left) / 2;
        mergeSort(nums, left, mid);  // 对左半部分递归排序
        mergeSort(nums, mid + 1, right);  // 对右半部分递归排序
        merge(nums, left, mid, right);  // 合并两部分
    }

    void merge(vector<int>& nums, int left, int mid, int right) {
        int n1 = mid - left + 1, n2 = right - mid;
        vector<int> leftArr(n1), rightArr(n2);
        
        // 拷贝数据到临时数组
        for (int i = 0; i < n1; i++) leftArr[i] = nums[left + i];
        for (int i = 0; i < n2; i++) rightArr[i] = nums[mid + 1 + i];
        
        // 合并临时数组
        int i = 0, j = 0, k = left;
        while (i < n1 && j < n2) {
            if (leftArr[i] <= rightArr[j]) {
                nums[k++] = leftArr[i++];
            } else {
                nums[k++] = rightArr[j++];
            }
        }
        
        // 如果左半部分还有剩余，直接复制到 nums
        while (i < n1) {
            nums[k++] = leftArr[i++];
        }
        
        // 如果右半部分还有剩余，直接复制到 nums
        while (j < n2) {
            nums[k++] = rightArr[j++];
        }
    }
};

解释：

mergeSort：递归地将数组分成两部分，直到每部分包含一个元素。
merge：合并两个已排序的子数组。

时间复杂度：

最坏情况：O(n log n)。
平均情况：O(n log n)。

空间复杂度：

O(n)，因为需要额外的空间来存储临时数组。

3.3.3 解法 4：堆排序

堆排序是一种基于完全二叉树的排序算法，其时间复杂度为 O(n log n)，适用于大规模数据的排序。堆排序是一种不稳定的排序。

代码实现：

class Solution {
public:
    vector<int> sortArray(vector<int>& nums) {
        heapSort(nums);
        return nums;
    }

    void heapSort(vector<int>& nums) {
        int n = nums.size();
        
        // 构建大顶堆
        for (int i = n / 2 - 1; i >= 0; i--) {
            heapify(nums, n, i);
        }

        // 逐步交换堆顶元素与最后一个元素，并重新调整堆
        for (int i = n - 1; i >= 1; i--) {
            swap(nums[0], nums[i]);
            heapify(nums, i, 0);  // 调整堆
        }
    }

    void heapify(vector<int>& nums, int n, int i) {
        int largest = i;
        int left = 2 * i + 1;
        int right = 2 * i + 2;
        
        if (left < n && nums[left] > nums[largest]) {
            largest = left;
        }
        if (right < n && nums[right] > nums[largest]) {
            largest = right;
        }

        if (largest != i) {
            swap(nums[i], nums[largest]);
            heapify(nums, n, largest);  // 递归调整
        }
    }
};

解释：