数据结构和算法—排序速度的比较|学习笔记

简介: 快速学习数据结构和算法—排序速度的比较

开发者学堂课程【Go 语言核心编程 - 数据结构和算法:数据结构和算法—排序速度的比较】学习笔记,与课程紧密联系,让用户快速学习知识。

课程地址:https://developer.aliyun.com/learning/course/627/detail/9860


数据结构和算法—排序速度的比较


现在比较一下之前学的三种比较方法的速度,分别是选择排序,插入排序和快速排序。

先看选择排序

要整一个8w 的数据,首先要它无序,要随机产生8w 个数据。

fune main(){

//定义一个数组,从大到小

arr:=[6]int{10, 34, 19, 100, 80, 789}

var arr[80000]int

for 1:=θ;i<80000;ι++{

arr[1]=rand.Intn(900000)

}

fmt. Println(arr)

start:=time, Now(). Unix()

selectsort (&arr)

end:=time. Now(). Unix()

fmt.Printf(“选择排序耗时=%d秒”,end-start)

fmt. Println("main函数”)

//fmt. Println(arr)

这个不需要再打了,打印的时间不做测试,现在验证一下8w 个数据花了多长时间。

运行时比较慢,结果排序耗费12s,取平均值就是十几秒。

插入排序

Func main(){

var arr[80000]int

for 1:=θ;i<80000;ι++{

arr[1]=rand.Intn(900000)

}

fmt. Println(arr)

start:=time, Now(). Unix()

fmt.Printf(“插入排序耗时=%d秒”,end-start)

运行8w 个数据是耗时4s,平均就是4-5s,以后再比较时候就是这个数组的一半,每次都是全部看完才知道最大最小,插入排序总是排序总数的一半,所以时间上它就节省一半。

快速排序

快速排序其实也没有多现成,其实也是左边排完才排右边

Func main(){

var arr[80000]int

for 1:=θ;i<80000;ι++{

arr[1]=rand.Intn(900000)

}

fmt. Println(arr)

start:=time, Now(). Unix()

fmt.Printf(“快速排序耗时=%d秒”,end-start)

运行排序耗时是0s,因为从秒的单位是看不到的

Func main(){

var arr[800000]int

for 1:=θ;i<800000;ι++{

arr[1]=rand.Intn(900000)

}

fmt. Println(arr)

start:=time, Now(). Unix()

结果还是耗时0s

Func main(){

var arr[8000000]int

for 1:=θ;i<8000000;ι++{

arr[1]=rand.Intn(900000)

}

fmt. Println(arr)

start:=time, Now(). Unix()

结果是耗时3s,如果是800w 数据用插入排序的话就是需要用很长时间。

当然快速排序不是同时排,它也是递归的,是一步一步做的,它是不停的往里边追的,等到左边递归完,才去递归右边的。

那它不是同时排还这么快的原因就是从中间开始,比以前攒动的方法快了很多,是两个同时找到,两个直接交换就省了很多时间,当扫描完一半后,一边就继续进行这样的操作,像插入排序就是每一次只减少一次比较,选择排序也是每次减少一次而已,快速排序减少了排序次数,但是它耗费的内存比较大,选择排序耗费在40左右。

 

 

 

相关文章
|
16天前
|
算法 数据处理 C语言
C语言中的位运算技巧,涵盖基本概念、应用场景、实用技巧及示例代码,并讨论了位运算的性能优势及其与其他数据结构和算法的结合
本文深入解析了C语言中的位运算技巧,涵盖基本概念、应用场景、实用技巧及示例代码,并讨论了位运算的性能优势及其与其他数据结构和算法的结合,旨在帮助读者掌握这一高效的数据处理方法。
27 1
|
20天前
|
机器学习/深度学习 算法 数据挖掘
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构
K-means聚类算法是机器学习中常用的一种聚类方法,通过将数据集划分为K个簇来简化数据结构。本文介绍了K-means算法的基本原理,包括初始化、数据点分配与簇中心更新等步骤,以及如何在Python中实现该算法,最后讨论了其优缺点及应用场景。
63 4
|
17天前
|
存储 算法 搜索推荐
Python 中数据结构和算法的关系
数据结构是算法的载体,算法是对数据结构的操作和运用。它们共同构成了计算机程序的核心,对于提高程序的质量和性能具有至关重要的作用
|
17天前
|
数据采集 存储 算法
Python 中的数据结构和算法优化策略
Python中的数据结构和算法如何进行优化?
|
25天前
|
算法
数据结构之路由表查找算法(深度优先搜索和宽度优先搜索)
在网络通信中,路由表用于指导数据包的传输路径。本文介绍了两种常用的路由表查找算法——深度优先算法(DFS)和宽度优先算法(BFS)。DFS使用栈实现,适合路径问题;BFS使用队列,保证找到最短路径。两者均能有效查找路由信息,但适用场景不同,需根据具体需求选择。文中还提供了这两种算法的核心代码及测试结果,验证了算法的有效性。
86 23
|
25天前
|
算法
数据结构之蜜蜂算法
蜜蜂算法是一种受蜜蜂觅食行为启发的优化算法,通过模拟蜜蜂的群体智能来解决优化问题。本文介绍了蜜蜂算法的基本原理、数据结构设计、核心代码实现及算法优缺点。算法通过迭代更新蜜蜂位置,逐步优化适应度,最终找到问题的最优解。代码实现了单链表结构,用于管理蜜蜂节点,并通过适应度计算、节点移动等操作实现算法的核心功能。蜜蜂算法具有全局寻优能力强、参数设置简单等优点,但也存在对初始化参数敏感、计算复杂度高等缺点。
57 20
|
16天前
|
并行计算 算法 测试技术
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面
C语言因高效灵活被广泛应用于软件开发。本文探讨了优化C语言程序性能的策略,涵盖算法优化、代码结构优化、内存管理优化、编译器优化、数据结构优化、并行计算优化及性能测试与分析七个方面,旨在通过综合策略提升程序性能,满足实际需求。
43 1
|
25天前
|
机器学习/深度学习 算法 C++
数据结构之鲸鱼算法
鲸鱼算法(Whale Optimization Algorithm,WOA)是由伊朗研究员Seyedali Mirjalili于2016年提出的一种基于群体智能的全局优化算法,灵感源自鲸鱼捕食时的群体协作行为。该算法通过模拟鲸鱼的围捕猎物和喷出气泡网的行为,结合全局搜索和局部搜索策略,有效解决了复杂问题的优化需求。其应用广泛,涵盖函数优化、机器学习、图像处理等领域。鲸鱼算法以其简单直观的特点,成为初学者友好型的优化工具,但同时也存在参数敏感、可能陷入局部最优等问题。提供的C++代码示例展示了算法的基本实现和运行过程。
44 0
|
1月前
|
搜索推荐 算法 C语言
【排序算法】八大排序(上)(c语言实现)(附源码)
本文介绍了四种常见的排序算法:冒泡排序、选择排序、插入排序和希尔排序。通过具体的代码实现和测试数据,详细解释了每种算法的工作原理和性能特点。冒泡排序通过不断交换相邻元素来排序,选择排序通过选择最小元素进行交换,插入排序通过逐步插入元素到已排序部分,而希尔排序则是插入排序的改进版,通过预排序使数据更接近有序,从而提高效率。文章最后总结了这四种算法的空间和时间复杂度,以及它们的稳定性。
90 8
|
1月前
|
搜索推荐 算法 C语言
【排序算法】八大排序(下)(c语言实现)(附源码)
本文继续学习并实现了八大排序算法中的后四种:堆排序、快速排序、归并排序和计数排序。详细介绍了每种排序算法的原理、步骤和代码实现,并通过测试数据展示了它们的性能表现。堆排序利用堆的特性进行排序,快速排序通过递归和多种划分方法实现高效排序,归并排序通过分治法将问题分解后再合并,计数排序则通过统计每个元素的出现次数实现非比较排序。最后,文章还对比了这些排序算法在处理一百万个整形数据时的运行时间,帮助读者了解不同算法的优劣。
91 7

热门文章

最新文章