这是我参与「第三届青训营 -后端场」笔记创作活动的第1篇笔记 .
听过青训营老师讲述的go语言内置的排序算法，本文章对于go 1.19发行版内置算法
的由来做了一些总结和归纳：
首先，我们可以对序列元素的排序情况做几个大分类：
1.完全随机的情况
2.有序、逆序的情况
3.序列重复度高的情况
4.还需要根据长度划分
常用的几个排序算法：插入排序，快速排序，堆排序。哪种方法的时间复杂度最小呢？ 从理论上分析：
插入排序：Best：O（n） Avg: O（n^2） worst: O（n^2）
快速排序：Best：O(nlogn) Avg：O(nlogn) worst：O（n^2）
堆排序： Best:O(nlogn) Avg:O(nlogn) worst: O(nlogn)
从时间复杂度方面分析，似乎堆排序的综合时间复杂度最小，那么最优的排序是堆排序吗？ 在实际测试中，出现了以下结果：
benchmark-random（随机序列）
短序列中，插入排序最快
中序列中，快速排序最快
长序列中，快速排序最快
benchmark-sorted:（有序序列）
短序列中。插入排序最快
中序列中，插入排序最为快
长序列中，插入排序也是最快
由实际测试结果测试出：
在短序列和元素有序的情况下，插入排序的性能最好。在大部分情况下，快速排序有较好的综合性能。
在任何情况下，堆排序的表现最为稳定。
我们可以将这三种算法类比为三种常见的交通工具：
插入排序：单车
快速排序：汽车
堆排序：地铁
二、如何设计一个跟好的算法 如何将三种算法结合实现最优的算法？go 1.19的算法又是基于什么呢？
go 1.19的排序算法为pdqsort混合排序算法。 在pdqsort算法中，其实是对以上三种排序算法做了整合和取优：
pdqsort混合排序算法：
对于短序列使用插入排序，其他情况使用快速排序保证其稳定性，当快速排序表现不佳时，使用堆排序来保证最坏情况下时间复杂度为O（nlogn）
那么有以下问题：
1.短序列的具体长度是多少呢？
12~32，在不同语言和场景中使用，泛型版本为选定24
2.如何得知快速排序表现不佳，合适切换为堆排序？
可以从快排本身的行为来发现，当最终的pivot离序列两端很近时（距离小于length/8）判定其表现不佳，当这种情况的次数达到limit时，切换到堆排序。（limit==0，发现前几次排序效果不是很好，则limit-1，limit的初始值会根据长度计算出一个值）
由此诞生了：
pdqsort version1版本
但是version1版本有可以改进的地方，例如：
如何使快排更快呢？
1.选取pivot为中位数 -> 改进 choose pivot
2.pation速度更快 -> 改进partion，但此优化在go中并不好
因此有了pdqsort version2的出现： version1版本中使用首个元素缺点pivot，如果有序就会达到最坏情况 实现简单，但效果不好，在sorted下性能很差
解决方法：
遍历数组寻找中位数：遍历数组代价很高
寻找pivot所需要的开销，并平衡pivot的性能优化，寻找近似的中位数
根据序列长度的不同，来决定选择的策略
优化：
pivot选择：
短序列，选择固定元素
中序列，采样三个元素，选择中位数
长序列，采用九个元素，选择中位数
pivot采样方式也可以是我们有探知序列当前状态的能力：
如果采样的元素都是逆序，很可能序列已经逆序，所以先反转整个序列
如果采用元素都是顺序，序列恒可能有序，使用插入排序算法
（注意：这里的插入排序为partiallnsertionSort，即尝试三次的插入排序，若任然没有拍成一个顺序的序列，则放弃使用插入排序）
version2的优化总结：
1.选择了一个近似的中位数（采样三个点，先猜测，失败后考虑快排）
2.发现序列可能有逆序，先使用reverse
3.发现序列可能有序，使用有限插入排序
还有什么地方没有实现性能优化呢？
短序列情况：使用插入排序
极端情况：使用堆排序保证算法的可行性
完全随机的情况：跟好的pivot选择（version2的优化）
有序或逆序根据序列状态反转或者插入排序
对于元素重复度较高的情况，pivot采样的时候可以检测重复度吗？
不可行。因为采样数量有限，不一定能采样到相同的元素
解决防范：
如果两次partition生成的pivot相同，即partition进行了无效分割，此时认为pivot的值为重复元素
优化重复元素较多的情况：
重复元素较多：
当检测到此时pivot和上次相同时（发生在leftsubarray），使用partitionEqual将重复元素排列在一起，减少重复元素对于pivot选择的干扰
当选择策略表现不佳，随机交换元素：
可以防止一些黑客的攻击
pdqsort-final version（最终pdqsort算法的版本）
最终pdqsort的排序测试结果：
最好情况下o(n)
平均情况下o（nlogn）
最坏其概况下o(nlogn)
实际性能测试：
在有序和无需情况下提升了十倍
在其他情况下有10~50%的提升
总结：
高性能排序算法是如何设计的：
根据不同情况选择不同策略，取长补短
生产环境中的排序算法和课本上的排序算法有什么不同？
理论算法注重理论，例如时间空间复杂度等。生产算法中的算法需要对不同的实践场景，更加注重实际性能
