六. 经典排序算法
6.1 例子：抖音直播排行榜功能
规则：某个时间段内，直播间礼物数TOP10房间获得奖励，每个房间展示排行榜
解决方案：
- 礼物数量存储在Redis-zset中，使用skiplist使得元素整体有序
- 使用Redis集群，避免单机压力过大，使用主从算法、分片算法
- 保证集群原信息的稳定，使用一致性算法
- 后端使用缓存算法（LRU）降低Redis压力，展示房间排行榜
总结：数据结构和算法几乎存在于程序开发中的所有地方
6.2 经典排序算法
-
插入排序
将元素不断插入已排序好的array中，最好O(n)，平均o(n^2)，最差O(n^2)
缺点：平均和最差时间复杂度较高
优点：最好情况时间复杂度低
-
快速排序
最好情况是选中的轴点恰好是中位数，即刚好能平分数组，最好O(nlogn)，平均O(nlogn)，最差O(n^2)
-
堆排序
时间复杂度均为O(n*logn)
-
random测试
-
有序测试
-
结论
短序列和元素有序的情况，插入排序性能最好（单车）
大部分情况下，快速排序有较好的综合性能（汽车）
任何情况下，堆排序表现稳定（地铁）
因此，我们能否可以结合这几种 "交通工具"，设计一个更好的算法？
6.3 从零开始打造pdqsort
作为一种不稳定的混合排序算法，pdqsort 的不同版本被应用在 C++ BOOST、Rust 以及 Go 1.19 中。它对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，本节课将详细介绍其实践步骤。
6.3.1 Version 1
结合三种排序方法的优点：
- 对于短序列（小于一定长度）使用插入排序（在泛型版本中选定24）
- 其他情况，使用快速排序保证整体性能（当最终pivot位置离序列两段很接近，距离小于length/8时，这种情况达到limit次，切换到堆排序）
- 当快速排序表现不佳，使用堆排序保证最坏情况下时间复杂度仍为O(n*logn)
6.3.2 Version 2
继续针对快速排序部分优化，我们可以从pivot的选择入手：
-
使用首个元素作为pivot（最简单方案）
-
遍历数组，寻找中位数（代价高，性能不好）
-
优化选择：
短序列（小于等于8），选择固定元素；
中序列（小于等于50），采样三个元素，取其中的中位数
长序列（大于50），采样九个元素，取其中的中位数
-
上面的采样方法使得我们可以探知序列当前状态：
采样的元素是逆序 -> 序列可能 逆序 -> 翻转序列
采样的元素是顺序 -> 序列可能 有序 -> 插入排序（限制次数）
6.3.3 Version 3
优化重复元素很多的情况：
采样pivot的时候检测重复度？但概率有点低。
解决方案：
- 如果两次分割的pivot相同，即进行了无效分割，这时认为pivot的值为重复元素。
- 当pivot选择策略表现不佳，随机交换元素。
淡黄色：可能发生，可能不发生
最终时间复杂度：最好O(n)，平均O(nlogn)，最差O(nlogn)
6.4 总结
Q：高性能排序算法如何设计？
A：根据不同情况选择不同策略，取长补短
Q：生产环境中使用的排序算法和课本上的排序算法区别？
A：理论算法注重理论性能，如时间、空间复杂度。生产环境中算法需要面对不同实践场景，注重实践性能。
Q：Go(<=1.18)的排序算法是？
A：混合排序算法，主体是快速排序，和1.19后的pdqsort区别在于 fallback时机、pivot选择策略、是否针对不同pattern优化 等。
