前言：本文可能稍微涉及到一点其他算法>排序算法，若想要了解可以看看：第一章：插入排序`
【下面用到的：随机数生成测试排序性能器的代码】
一、普通选择排序
注意下面几种写法的 Max 和 Min 指的都是 元素下标，不是元素本身的值
1.1.一般写法
这种写法，我认为是最好理解的 算法>排序算法了，直接暴力遍历找最值交换即可，思路很直接
void SelectSort(int* a, int n) {for (int i = 0; i < n - 1; ++i) {int Min = i;for (int j = i + 1; j < n; ++j) {if (a[Min] > a[j]) Min = j;}Swap(&a[i], &a[Min]);}
}
1.2.一般写法动图演示
2.1.优化版本
优化思路：既然每一轮都要遍历数组，可以直接将 最大值和最小值 一起找出来，不用像一般写法：每一轮只找出一个 最值，效率较低
每轮找到最大值 和 最小值 就和 头尾交换即可
2.2.优化版本的错误写法
void SelectSort2(int* a, int n) {int begin = 0, end = n - 1;while (begin < end) {int Min = begin, Max = end;for (int i = begin + 1; i <= end; ++i) {if (a[i] < a[Min]) Min = i;if (a[i] > a[Max]) Max = i;}Swap(&a[end], &a[Max]);Swap(&a[begin], &a[Min]);begin++;end--;Print(a, 10);}
}
比如下面这种情况
注意： Max 和 Min 指的都是 元素下标，不是元素本身的值
遍历一遍记录最值下标是 Max == 8， Min == 9
若 直接交换：Swap(a[Max], a[end]) : {2, 5, 8, 1, 4, 7, 3, 6, 0, 9}
可以发现，原本的 Min == 9 的位置，数值变成了 a[Min] = 9 ??!
此时若直接进行：Swap(a[Min], a[begin]) 必然会出错
⭐原因：Min 的位置 和 Max 要交换的目标位置 end 重叠了
⭐方案：加一个 if 语句判断：若 Min == end 则 Min = Max 代表 Min 变成 Max 交换后的位置，就是原有的 Min
if(Min == end) {Min = Max;
}
反过来一样：
若先进行 Swap(a[Min], a[begin]); 则 要判断
if(Max == begin) {Max = Min;
}
2.3.优化版本的正确写法：
void SelectSort2(int* a, int n) {int begin = 0, end = n - 1;while (begin < end) {int Min = begin, Max = end;for (int i = begin + 1; i <= end; ++i) {if (a[i] < a[Min]) Min = i;if (a[i] > a[Max]) Max = i;}Swap(&a[end], &a[Max]);if(Min == end) {Min = Max;}Swap(&a[begin], &a[Min]);begin++;end--;Print(a, 10);}
}
3.1.一般的选择排序 和 优化后选择排序(以及其他几种排序)的性能对比
下面我用代码随机生成 100000 个数据，执行几个算法>排序算法，显示的数据为 时间，以 ms 为单位
【上面用到的：随机数生成测试排序性能器的代码】
可以看到 一般选择排序 和 优化选择排序的在 十万数据量的差别较小，但是还是有一定优化的
（另外说一下：冒泡“真强”，希尔真强 doge）
直接选择排序的特性总结：
- 直接选择排序思考非常好理解，但是效率不是很好。实际中很少使用
- 时间复杂度：O(N^2)
- 空间复杂度：O(1)
- 稳定性：不稳定
二、堆排序
堆排序(Heapsort)是指利用堆积树（堆）这种数据结构所设计的一种算法>排序算法，它是选择排序的一种。它是 通过堆来进行选择数据。需要注意的是排升序要建大堆，排降序建小堆。
想要升序排列，应该使用 大根堆
而不是常理所想的小根堆：常理中，想要升序，top 应该是 最小值才对，但是….
若使用小根堆 的堆排序
每轮排序出 top 为 最小值，和 最后一个元素交换：
依此类推 从后往前的序列元素分别是： 第 n 小的、第 n-1 小的 … 第 2 小的、第 1 小的
反而是 降序排序
因此，依照堆排序的原理，排序应该反着来
// 堆排序void HeapSort(HPDataType* a, int n)
{// 建堆// 因为 Parent = (child - 1) / 2// 需要从最后一个节点的父节点开始向前循环比较// 最后一个节点的下标是 (n-1)// 则 最后一个节点的父节点 是 ( (n - 1) - 1) / 2for (int i = ((n - 1) - 1) / 2; i >= 0; --i) {AdjustDown(a, n, i);}// 单独一个元素向下调整时间复杂度为 O(logN) 一共调整约 N 轮，时间复杂度为 O(NlogN)int end = n-1;while (end > 0) {Swap(&a[0], &a[end]); // 把处在第一位置的最优值 和 最后位置的值替换AdjustDown(a, end, 0); // 再 将 a[0] 进行向下调整end--;}
}void AdjustDown(HPDataType* a, int size, int Parent) {// 孩子取较大的那个: 为了结果为 升序排列int LeftChild = Parent * 2 + 1;int RightChild = Parent * 2 + 2;int child = (RightChild < size && a[LeftChild] < a[RightChild]) ? RightChild : LeftChild;// 注意：这里必须加上：RightChild < size ：因为 若 RightChild 越界，越界的值是随机的，也是可能大于另一方的，也可能被计算进去，// 当 child 为越界下标时，下面的循环就不能进去，导致较小的但是合法的 左孩子LeftChild 没有参与向下调整，则会漏掉一个值没有计算while (child < size && a[child] > a[Parent]) { // 只要孩子 ：child < size 说明孩子的下标就是合法的Swap(&a[child], &a[Parent]);Parent = child;LeftChild = Parent * 2 + 1;RightChild = Parent * 2 + 2;child = (RightChild < size && a[LeftChild] < a[RightChild]) ? RightChild : LeftChild;}
}
堆排序的特性总结：
- 堆排序使用堆来选数，效率就高了很多。
- 时间复杂度：O(N*logN)
- 空间复杂度：O(1)
- 稳定性：不稳定
三、选择排序 和 堆排序 的性能对比
下面我用代码随机生成 100000 个数据，执行两个算法>排序算法，显示的数据为 时间，以 ms 为单位
【上面用到的：随机数生成测试排序性能器的代码】
可以见识到 堆排序 O(nlogn) 的威力了吧，（薄纱 O(n^2)）
四、浅谈 各种算法>排序算法的意义
上一章节讲解的 希尔排序 中提到
希尔排序时间复杂度大概在 O ( n 1.3 ) O(n^{1.3}) O(n1.3) 略大于 O ( n l o g n ) O(nlogn) O(nlogn)
我们在此 将 希尔排序 ( O ( n 1.3 ) O(n^{1.3}) O(n1.3) ) 和 堆排序 （ O ( n l o g n ) O(nlogn) O(nlogn)） 对比一下
【下面用到的：随机数生成测试排序性能器的代码】
十万 数据量级：
千万 数据量级：
一亿 数据量级：
希尔排序 在后面数据量级升级后，反超了 堆排序，说明了一点
时间复杂度，看的是最坏的情况，有时候不能用于真正的速度对比，算法的运行速度和 算法思想、数据的实际情况等等相关
同时要注意，我们堆排序之前，还要进行 O(n) 的建堆，我们也不能忽略 O(n) 的影响
⭐总结：每个排序都有其存在的意义，不能只盯着算法>排序算法的时间复杂度大小的比较，更多的是看适不适合当前实际的应用场景，，比如堆排序虽然时间复杂度较为优秀，但是，例如当数据基本有序时，使用 插入排序 都能秒了 堆排，不信？🤣 看下面
如图：我先用 希尔排序 将 数组 a2 排序成有序的，营造数据有序场景，来测试 插入排序 和 堆排序
😎😎谁更强一目了然！！
🫡至此，第二章完结！
【若文章有什么错误或则可以改进的地方，非常欢迎评论区讨论或私信指出】**
