vlambda博客
学习文章列表

图解排序算法:归并排序

(给算法爱好者加星标,修炼编程内功

归并排序

那我们借用 cs50 里的例子,比如要把一摞卷子排好序,那用并归排序的思想是怎么做的呢?

  1. 首先把一摞卷子分成两摞;
  2. 把每一摞排好序;
  3. 把排好序的两摞再合并起来。

感觉啥都没说?
那是因为上面的过程里省略了很多细节,我们一个个来看。

  1. 首先分成两摞的过程,均分,奇偶数无所谓,也就是多一个少一个的问题;

  2. 那每一摞是怎么排好序的?

答案是用同样的方法排好序。

  1. 排好序的两摞是怎么合并起来的?

这里需要借助两个指针和额外的空间,然后左边画一个彩虹🌈右边画个龙🐲,不是,是左边拿一个数,右边拿一个数,两个比较大小之后排好序放回到数组里(至于放回原数组还是新数组稍后再说)。

这其实就是分治法 divide-and-conquer 的思想。归并排序是一个非常典型的例子。

分治法

顾名思义:分而治之。

就是把一个大问题分解成相似的小问题,通过解决这些小问题,再用小问题的解构造大问题的解。

听起来是不是和之前讲递归的时候很像?

没错,分治法基本都是可以用递归来实现的。

在之前,我们没有加以区分,当然现在我也认为不需要加以区分,但你如果非要问它们之间是什么区别,我的理解是:

  • 递归是一种编程技巧,一个函数自己调用自己就是递归;
  • 分治法是一种解决问题的思想:
    • 把大的问题分解成小问题的这个过程就叫“分”,
    • 解决小问题的过程就叫“治”,
    • 解决小问题的方法往往是递归。

所以分治法的三大步骤是:

「分」:大问题分解成小问题;

「治」:用同样的方法解决小问题;

「合」:用小问题的解构造大问题的解。

那回到我们的归并排序上来:

「分」:把一个数组拆成两个;

「治」:用归并排序去排这两个小数组;

「合」:把两个排好序的小数组合并成大数组。

这里还有个问题,就是什么时候能够解决小问题了?

答:当只剩一个元素的时候,直接返回就好了,分解不了了。这就是递归的 base case,是要直接给出答案的。

老例子:{5, 2, 1, 0}

暗示着齐姐对你们的爱啊~❤️

Step1.

先拆成两半,
分成两个数组:{5, 2} 和 {1, 0}

Step2.

没到 base case,所以继续把大问题分解成小问题:

图解排序算法:归并排序

当然了,虽然左右两边的拆分我都叫它 Step2,但是它们并不是同时发生的,我在递归那篇文章里有说原因,本质上是由冯诺伊曼体系造成的,一个 CPU 在某一时间只能处理一件事,但我之所以都写成 Step2,是因为它们发生在同一层 call stack,这里就不在 IDE 里演示了,不明白的同学还是去看递归那篇文章里的演示吧。

Step3.

这一层都是一个元素了,是 base case,可以返回并合并了。

图解排序算法:归并排序

Step4.

合并的过程就是按大小顺序来排好,这里借助两个指针来比较,以及一个额外的数组来辅助完成。

图解排序算法:归并排序

比如在最后一步时,数组已经变成了:
{2, 5, 0, 1},

那么通过两个指针 i 和 j,比较指针所指向元素的大小,把小的那个放到一个新的数组?里,然后指针相应的向右移动。

图解排序算法:归并排序

其实这里我们有两个选择:

  • 一种是从新数组往原数组合并,
  • 另一种就是从原数组往新数组里合并。

这个取决于题目要求的返回值类型是什么;以及在实际工作中,我们往往是希望改变当前的这个数组,把当前的这个数组排好序,而不是返回一个新的数组,所以我们采取从新数组往原数组合并的方式,而不是把结果存在一个新的数组里。

那具体怎么合并的,大家可以看下15秒的小动画:

图解排序算法:归并排序

挡板左右两边是分别排好序的,那么合并的过程就是利用两个指针,谁指的数字小,就把这个数放到结果里,然后移动指针,直到一方到头(出界)。

图解排序算法:归并排序
图解排序算法:归并排序
public class MergeSort {
public void mergeSort(int[] array) {
 if(array == null || array.length <= 1) {
  return;
 }
 int[] newArray = new int[array.length];
 mergeSort(array, 0, array.length-1, newArray);
}
private void mergeSort(int[] array, int left, int right, int[] newArray) {
  // base case
 if(left >= right) {
  return;
 }

  // 「分」
 int mid = left + (right - left)/2;
 
  // 「治」
  mergeSort(array, left, mid, newArray);
 mergeSort(array, mid + 1, right, newArray);
 
  // 辅助的 array
 for(int i = left; i <= right; i++) {
  newArray[i] = array[i];
 }
 
  // 「合」
 int i = left;
 int j = mid + 1;
 int k = left;
 while(i <= mid && j <= right) {
  if(newArray[i] <= newArray[j]) { // 等号会影响算法的稳定性
   array[k++] = newArray[i++];
  } else {
   array[k++] = newArray[j++];
  }
 }
 if(i <= mid) {
  array[k++] = newArray[i++];
 }
}
}

写的不错,我再来讲一下:

首先定义 base case,否则就会成无限递归死循环,那么这里是当未排序区间里只剩一个元素的时候返回,即左右挡板重合的时候,或者没有元素的时候返回。

「分」

然后定义小问题,先找到中点,

  • 那这里能不能写成 (left+right)/2 呢?
  • 注意⚠️,是不可以的哦。
    虽然数学上是一样的, 但是这样写, 有可能出现 integer overflow.

「治」

这样我们拆好了左右两个小问题,然后用“同样的方法”解决这两个自问题,这样左右两边就都排好序了~

  • 为什么敢说这两边都排好序了呢?
  • 因为有数学归纳法在后面撑着~

那在这里,能不能把它写成:

mergeSort(array, left, mid-1, newArray);
mergeSort(array, mid, right, newArray);

也就是说,

  • 左边是 [left, mid-1],
  • 右边是 [mid, right],

这样对不对呢?

答案是否定的。

因为会造成无限递归。

最简单的,举个两个数的例子,比如数组为{1, 2}.

那么 left = 0, right = 1, mid = 0.

用这个方法拆分的数组就是:

  • [0, -1], [0, 1] 即:
  • 空集,{1, 2}

所以这样来分并没有缩小问题,没有把大问题拆解成小问题,这样的“分”是错误的,会出现 stack overflow.

再深一层,究其根本原因,是因为 Java 中的小数是「向零取整」

所以这里必须要写成:

  • 左边是 [left, mid],
  • 右边是 [mid + 1, right]。

「合」

接下来就是合并的过程了。

在这里我们刚才说过了,要新开一个数组用来帮助合并,那么最好是在上面的函数里开,然后把引用往下传。开一个,反复用,这样节省空间。

我们用两个指针:i 和 j 指向新数组,指针 k 指向原数组,开始刚才动画里的移动过程。

要注意,这里的等于号跟哪边,会影响这个排序算法的稳定性。不清楚稳定性的同学快去翻一下上一篇文章啦~

那像我代码中这种写法,指针 i 指的是左边的元素,遇到相等的元素也会先拷贝下来,所以左边的元素一直在左边,维持了相对顺序,所以就是稳定的。

最后我们来分析下时空复杂度:

时间复杂度

归并排序的过程涉及到递归,所以时空复杂度的分析稍微有点复杂,在之前「递归」的那篇文章里我有提到,求解大问题的时间就是把所有求解子问题的时间加起来,再加上合并的时间。

我们在递归树中具体来看:

图解排序算法:归并排序

这里我右边已经写出来了:

「分」的过程,每次的时间取决于有多少个小问题,可以看出来是
1,2,4,8...这样递增的,
那么加起来就是O(n).

「合」的过程,每次都要用两个指针走完全程,每一层的 call stack 加起来用时是 O(n),总共有 logn 层,所以是 O(nlogn).

那么总的时间,就是 O(nlogn).

空间复杂度

其实归并排序的空间复杂度和代码怎么写的有很大的关系,所以我这里分析的空间复杂度是针对我上面这种写法的。

要注意的是,递归的空间复杂度的分析并不能像时间复杂度那样直接累加,因为空间复杂度的定义是在程序运行过程中的使用空间的峰值,本身就是一个峰值而非累加值的概念。

那也就是 call stack 中,所使用空间最高的时刻,其实就是递归树中最右边的这条路线:它既要存着左边排好序的那半边结果,还要把右边这半边继续排,总共是 O(n)。

那有同学说,call stack 有 logn 层,不就是 O(logn) 吗?但每层使用的空间不是 O(1) 呀~

扩展:外排序

这两节介绍的排序算法都属于内部排序算法,也就是排序的过程都是在内存中完成。

但在实际工作中,当数据量特别大时,或者说比内存容量还要大时,数据就无法一次性放入内存中,只能放在硬盘等外存储器上,这就需要用到外部排序算法算法来完成。一个典型的外排序算法就是外归并排序(External Merge Sort)。

这才是一道有意思的面试题,在经典算法的基础上,加上实际工作中的限制条件,和面试官探讨的过程中,就能看出 candidate 的功力。

要解决这个问题,其实是要明确这里的限制条件是什么:

首先是内存不够。那除此之外,我们还想尽量少的进行硬盘的读写,因为很慢啊。

比如就拿wiki[1]上的例子,要对 900MB 的数据进行排序,但是内存只有 100MB,那么怎么排呢?

  1. wiki 中给出的是读 100MB 数据至内存中,我并不赞同,因为无论是归并排序还是快排都是要费空间的,刚说的空间复杂度 O(n) 不是,那数据把内存都占满了,还怎么运行程序?那我建议比如就读取 10MB 的数据,那就相当于把 900MB 的数据分成了 90 份;
  2. 在内存中排序完成后写入磁盘;
  3. 把这 90 份数据都排好序,那就会产生 90 个临时文件;
  4. 用 k-way merge 对着 90 个文件进行合并,比如每次读取每个文件中的 1MB 拿到内存里来 merge,保证加起来是小于内存容量且能保证程序能够运行的。

那这是在一台机器上的,如果数据量再大,比如在一个分布式系统,那就需要用到 Map-Reduced 去做归并排序,感兴趣的同学就继续关注我吧~


- EOF -




推荐阅读   点击标题可跳转


觉得本文有帮助?请分享给更多人

关注「算法爱好者」加星标,修炼编程内功

好文章,我在看❤️