例子-抖音直播排行榜功能：例如在某个时段内，直播间礼物数Top10房间获得奖励且在房间内展示排行榜

• 存储在Redis-zset中，使用skiplis使元素整体有序
• Redis集群，使用主从算法、分片算法 避免单机压力过大
• 一致性算法
• 后端使用缓存算法LRU降低Redis的压力

什么是最快的排序算法？

要看数据情况，如果是数量很多的话可以用一些并发排序的算法，有什么特殊场景就用什么特殊算法

例如单线程场景中，Python用timsort C++用introsort Rust-pdqsort

经典排序算法：插入排序、快排序、对排序、Benchmark

Insertion Sort（插入排序）

将元素不断插入已经排序好的数组中

• 起始只有一个元素5，其本身是一个有序序列
• 后续元素插入有序序列中，即不断交换，直到找到第一个比其更小的元素

插入排序的时间复杂度：

最好情况复杂度：O(n)

平均时间复杂度：O(n^2)

最坏情况复杂度：O(n^2)

缺点：

• 时间复杂度很高，运行起来会比较慢，平均和最坏的时间复杂度为O(n^2)

优点：

• 最好情况为O(n）

Quick Sort（快速排序）

不断分割序列直到整体有序为止

• 有序思想选定一个pivot（轴点）
• 使用pivot分割序列，分成元素比pivot大和比pivot小的两个序列

插入排序的时间复杂度：

最好情况复杂度：O(n*logn)

（每一次选择的轴点都恰好是中位数时出现，这样每次分割都能分成2个几乎相等的数）

平均时间复杂度：O(n*logn)

最坏情况复杂度：O(n^2)

（每次都只将一个元素分成有序的一部分，即只解决了一部分）

缺点：

• 最坏情况下的时间复杂度为O(n^2)

优点：

• 平均情况的时间复杂度为O(n*logn)

Heap Sort（堆排序）

利用堆的性质形成的排序算法

• 构造一个大顶堆或小顶堆
• 将根结点（最大元素）交换到最后一个位置，如此反复进行调整整个堆

堆排序的时间复杂度：

最好情况复杂度：O(n*logn)

（每一次选择的轴点都恰好是中位数时出现，这样每次分割都能分成2个几乎相等的数）

平均时间复杂度：O(n*logn)

最坏情况复杂度：O(n*logn)

（每次都只将一个元素分成有序的一部分，即只解决了一部分）

缺点：

• 最好情况下的时间复杂度为O(n*logn)

优点：

• 最坏情况下的时间复杂度也到不了O(n^2)

几种算法进行总结：

经典算法的理论印象：

• 插入排序平均和最坏情况的时间复杂度都是O(n^2)，性能不太好
• 快速排序的性能整体处于中间层次
• 堆排序的性能稳定，在所有情况下的时间复杂度都是O(n*logn)

要结合理论和实践情况，在具体情况下去看不同排序算法的真实效果，不完全只去看他的复杂度来选择。

实际场景benchmark：

根据序列元素的排序情况进行划分

• 情况完全随机（random）
• 有序/逆序的情况（sorted/reverse）
• 元素重复程度较高的问题（mod8）

在此基础上，还需要根据序列长度进行划分（16/128/1024）

Benchmark-random

• 短序列-16个序列：插入排序InsertionSort
• 中序列-128个序列：快速排序QuickSort
• 长序列-1024个序列：快速排序QuickSort

BenchMark-sorted

• 短序列-16个序列：插入排序InsertSort
• 中序列-128个序列：插入排序InsetSort
• 长序列-1024个序列：插入排序insertSort
• 插入排序在序列有序的情况下是最快的

情况总结

• 所有短序列和有序的情况下，插入排序性能最好
• 在大部分情况下，快速排序有较好的综合性能
• 几乎在所有情况下，堆排序的表现都比较稳定

快速排序是单车

快速排序是汽车

堆排序类似地铁

使用多个交通工具（算法）去使用

设计出一种多种算法结合使用形成更高效的算法来应用

pdqsort（pattern-defeating-quicksort）

是一种不稳定的混合排序算法，其不同版本被应用在C++ Boost、Rust以及Go1.19种，堆常见的序列类型做了特殊的优化，使得在不同条件下都拥有不错的性能。

结合三种排序方法的优点

• 对于短序列，使用插入排序
• 其他情况，使用快速排序来保证整体性能
• 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仍然为O(n*logn)

1.短序列的具体长度是多少呢？

12～32，再不提哦那个语言中会有不同，在泛型版本根据测试选定24

2.如何得知快速排序表现不佳，以及如何切换到堆排序？

当最终pivot的位置距离序列两端很接近时（距离小于length/8）判定其表现不佳，当这种情况的次数达到limit（即bits.Len(length)）时，切换到堆排序

• 对于其他情况（<=24）我们使用插入排序
• 其他情况，使用快速排序（选择首个元素作为pivot）来保证整体性能
• 当快速排序表现不佳时（limit==0），使用堆排序来保证最坏情况下时间复杂度仍为O(n*logn)

如何让pdqsort的速度更快呢？

• 尽量使得QuickSort的pivot为序列的中位数-> 改进choose pivot
• Partition速度更快->改进partition，但在Go中表现不佳

思考关于pivot的选择

• 使用首个元素作为pivot（最简单的方案）

实现简单，但是效果往往不好，例如在sorted情况下性能很差

• 遍历数组，寻找真正的中位数

遍历数组代价很高，导致性能不好

结论：寻找pivot所需要的开销～～平衡～～pivot带来的性能优化

根据序列长度的不同来决定选择策略

优化Pivot的选择

• 短序列（<=8）选择一个固定的元素可能更好选择固定元素
• 中序列（<=50）采样三个元素，media of three
• 长序列（>50）采样九个元素，media of medians

如果采样的元素都是逆序排列---〉序列有可能已经逆序---〉翻转整条序列

如果采样的元素都是顺序排列---〉序列可能已经有序了---〉使用插入排序InsertionSort

• 升级Pivot选择策略（近似中位数）
• 发现排序可能逆序，则反转序列--〉应对reverse场景
• 发现序列可能有序，使用有限插入排序--〉应对sorted场景

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

完全随机情况：使用采样能更好的pivot选择策略

有序/逆序情况：根据序列状态进行翻转或者使用插入排序算法

元素重复度较高：采用分割，将重复度较高的部分排列在一起，当选择策略不佳时，随机交换元素

高性能的排序算法是如何设计的呢？

根据不同情况选择不同的策略，取长补短。

生产环境中使用的排序算法和课本上的理论知识有什么区别呢？

理论算法更注重在理论上的性能，例如：时间、空间复杂度等。生产环境中的算法需要面对不同的实践场景，更加注重实践的性能。