前言
什么是选择算法?
在计算机科学中，选择算法是一种在列表或数组中找到第k个最小数字的算法；
计算集合中第k大(小)的元素. 就是topK相关系列的问题，但是选择算法只需要找到第k个就好.
在lucene的源码中, 对于选择算法定义了一个接口:
/** An implementation of a selection algorithm, ie. computing the k-th greatest
* value from a collection. */
// 选择算法，topK问题
public abstract class Selector {
/** Reorder elements so that the element at position {@code k} is the same
* as if all elements were sorted and all other elements are partitioned
* around it: {@code [from, k)} only contains elements that are less than
* or equal to {@code k} and {@code (k, to)} only contains elements that
* are greater than or equal to {@code k}. */
// 重排序元素，以使k位置的元素作为分割点. from->k 的都是小于等于k的. k -> to 的都是大于k的
public abstract void select(int from, int to, int k);
void checkArgs(int from, int to, int k) {
if (k < from) {
throw new IllegalArgumentException("k must be >= from");
}
if (k >= to) {
throw new IllegalArgumentException("k must be < to");
}
}
/** Swap values at slots <code>i</code> and <code>j</code>. */
// 交换两个槽的内容
protected abstract void swap(int i, int j);
}
定义的接口除了选择还有交换.
Lucene对于选择算法有两个实现，快速选择算法及基数选择算法.本文将详细分析快速选择算法的源码. 该类的路径是: org.apache.lucene.util.IntroSelector.
完整版本的带有注释的源码在github上. IntroSelector源码
原理介绍
在计算机科学中，快速选择（英语：Quickselect）是一种从无序列表找到第k小元素的选择算法。它从原理上来说与快速排序有关。与快速排序一样都由托尼·霍尔提出的，因而也被称为霍尔选择算法。[1] 同样地，它在实际应用是一种高效的算法，具有很好的平均时间复杂度，然而最坏时间复杂度则不理想。快速选择及其变种是实际应用中最常使用的高效选择算法。
快速选择的总体思路与快速排序一致，选择一个元素作为基准来对元素进行分区，将小于和大于基准的元素分在基准左边和右边的两个区域。不同的是，快速选择并不递归访问双边，而是只递归进入一边的元素中继续寻找。这降低了平均时间复杂度，从O(n log n)至O(n)，不过最坏情况仍然是O(n2)。
对于快速排序，想必大家对其原理都很清楚，这里不赘述了.
众所周知，快速排序最坏的时间复杂度是O(n2). 快速选择也是.
最坏情况通常出现在每次选择分割点时，都选择了最错误的那个. 比如在已排序数组中每次都取第一个,那么根本起不到分割的作用.
因此，对快速选择的优化，主要集中在分割点的选取上.
最左/最右作为分割点
这种就是我们通常随手实现的那种，性能几乎就是线性的， 也就是 O(n). 但是他解决不了已排序数组的问题，会退化到 O(n2).
随机选择分割点
由于我们的数组是未排序的，整个数组其实就是随机. 因此这种方案与上面的方案本质上没什么区别，还是看运气。
三者中位数法选择分割点
取第一个，最后一个，中间位置，三个元素的中位数作为分割点. 这样对已部分排序的数据依然能够达到线性复杂度. 但是在人为构造的特殊数组上，还是会退化成O(n2).
我猜想的算法思路: 之所以随机选择法，会出现最坏的情况，是因为每次都选择到了最差也就是最大的数字. 加入三个数字的中位数，可以保证选择到的分割点既不是最大，也不是最小，刻意避免了最坏的情况出现.
中位数的中位数法(又叫做BFPRT法，根据5个作者的名字首字母命名)
一次分割点的选择方法：
- 将所有元素分成5个一堆的组. 获得了(n/5)个5元组.
- 每个5元组，通过插入排序的办法，求到中位数.
- 对于(n/5)个中位数，递归调用本方法，求到中位数.
时间复杂度分析
为什么是5??
在BFPRT算法中，为什么是选5个作为分组？
首先，偶数排除，因为对于奇数来说，中位数更容易计算。
如果选用3，带入上面的公式，会发现和本身没有什么区别.
如果选取7，9或者更大，在插入排序时耗时增加，常数 [公式] 会很大，有些得不偿失。
实际应用
根据上面的原理，大概能得出的结论：
- 三者中位数法，能提供不错的线性复杂度，但是有极小的概率遇到极端情况，导致O(n2)
- 中位数的中位数法，能提供绝对的线性时间复杂度保证. 但是他的常数比较大，有时候有些浪费.
那么实际应用中当然是取长补短了.
所以实际应用中的最佳快速选择实现，应该是使用三者中位数法选取分割点，设置阈值，如果遇到了极端情况，切换到中位数的中位数(BFPTR)来保证最坏情况下的时间复杂度
真巧呢，Lucene就是这么实现的.(不然我为啥会写呢?)
Lucene源码org.apache.lucene.util.IntroSelector.
版本8.7.0
定义
该类是一个抽象类，它只负责提供快速选择的分割点选择，左右分区, 不负责具体的存储介质,交换算法等.因此它有三个抽象方法，等待子类实现。
- void swap(int i, int j): 交换算法，交换i,j两个下标的值
- void setPivot(int i): 将i下标设置为分割点
- int comparePivot(int j): 将j下标上的值与分割点进行比较，返回大小.
这三个方法和快速选择的精髓毫无关系，但是为了方便理解，这里给出一个简单的实现.
/**
* 这是一个简单的，基于int数组的快速选择的实现
*/
public static class TestSelector extends IntroSelector{
Integer[] actual;
Integer pivot;
public TestSelector(Integer[] actual) {
this.actual = actual;
}
@Override
protected void swap(int i, int j) {
ArrayUtil.swap(actual, i, j);
}
@Override
protected void setPivot(int i) {
pivot = actual[i];
}
@Override
protected int comparePivot(int j) {
return pivot.compareTo(actual[j]);
}
}
核心select方法
public final void select(int from, int to, int k) {
checkArgs(from, to, k);
// 递归的最大深度
final int maxDepth = 2 * MathUtil.log(to - from, 2);
quickSelect(from, to, k, maxDepth);
}
核心方法比较简单，入参分别是：左下标，右下标，待寻找的K.
- 检查参数
- 定义递归的最大深度
- 调用快速选择
什么是递归的最大深度
在原理部分讲到，实际应用时，使用三者中位数来进行快速选择，但是如果递归太多次，会认为遇到了极端情况，会切换到中位数的中位数 来进行分割点的选择. 这里定义的阈值是：`递归深度 > 2*lg(n).
quickSelect
明显可以看出来，这里的quick不是快速选择的中名词(整个类才是真的快速选择)，而是一个形容词，形容是比较快的选择，那么就是三者中位数方法的快速选择实现了.
他的流程图如:
结合代码中的注释，应该比较好懂.
核心逻辑可以概括为:
- 通过三者中位数求分割点
- 根据分割点左右分区移动数据
- 左右两边挑选k在的一边进行递归
插入一个逻辑是: 如果每次开始时发现递归次数达到限制了，就走slowSelect.
slowSelect方法
很明显，作者认为这个方法是较慢的，而上一个是较快的. 这与我们学到的理论有点区别，我们学到的是数学证明的时间复杂度，这里的快慢更倾向于工业界的平均预估，对常量会比较敏感一点.
流程图:
代码:
核心逻辑:
- 左右相等则说明找到了，返回
- 用中位数的中位数法，求当前应该选择的分割点
- 根据分割点进行左右分区，小的一边，大的一边
- 根据分割点与K的大小，左右两边选择一边进行递归查找
其中用到了分区方法, 没什么特别的，就是常见的快排分区方法，只是代码又是另一种风格，没必要贴出来.
pivot方法
这个方法实现了对[left,right]，求解中位数的中位数.
这个所谓的中位数的中位数，理论上很好求解，又是一个递归的方法而已. 为什么变复杂了呢?
想一下:
- 快速选择的目的，是对一个未排序的数组，求第k大的元素.
- 求中位数，是求数学上的
中位数. 也是求未排序的数组中，求第length/2大的元素.
他们本质上讲是同构的，因此Lucene的代码中，为了复用代码，在求解中位数的中位数过程中，使用了部分slowSelect的代码，很是精巧，
但是对于刚看这份代码的人，会感到比较困惑.(是的，说的就是我自己,我也是写文章的时候才突然醒悟的).
代码如下:
其中涉及到一个对5个以内的元素求中位数并且分区的方法，其实本质上就是直接进行了插入排序，然后取中位数. 因为控制了总数，所以插入排序的性能完全满足，且实现简单.
总结
- 快速排序和快速选择，都是特别有用的，快排应用于大量的工业排序, 快速选择应用于topK问题
- 快速排序和选择的核心，在于所谓主元(切割点)的选择
- 切割点的选择，有很多种优化方法，性能要求不高就随便写，性能要求高就按这篇文章讲的写. 尽量使用三者中位数来求解切割点，注意防止极端情况，设置阈值使用中位数的中位数来求切割点即可.
说完了，有一说一. Lucene的代码，精巧且难懂. 但高效.
参考文章
完。
联系我
最后，欢迎关注我的个人公众号【 呼延十 】，会不定期更新很多后端工程师的学习笔记。 也欢迎直接公众号私信或者邮箱联系我，一定知无不言，言无不尽。
以上皆为个人所思所得，如有错误欢迎评论区指正。
欢迎转载，烦请署名并保留原文链接。
更多学习笔记见个人博客或关注微信公众号 <呼延十 >------>呼延十
