Algorithm 哪种排序算法提供了最好的最坏情况性能？

对于绝对最坏情况，已知最快的排序算法是什么？我不关心最佳情况，我假设一个庞大的数据集，如果这很重要的话。

假设随机排序的数据，快速排序

O（nlog n）平均情况，O（n^2）在最坏情况下，但这需要高度非随机数据

---

您可能需要描述数据集的特征。

这主要与数据集的大小以及数据集是否已排序（或当前的顺序）有关

---

整本书都是关于搜索/排序算法的。假设出现最坏情况，您不会找到“绝对最快的”，因为不同的排序有不同的最坏情况。

请参阅Quicksort和Mergesort的比较，这两种算法在大多数情况下都是比较好的。

请确保您已经看到：

---

-它帮助我决定使用哪种alg

如果使用二进制比较，最好的排序算法需要进行O（N logn）比较才能完成。如果你在寻找一些最坏情况下性能良好的算法，我会看看和，因为它们在所有情况下都是O（N logn）算法

如果所有数据都放在内存中，HeapSort很好，而MergeSort允许您更好地进行磁盘排序（但总体上占用更多空间）

---

排序算法页面上提到的其他不太知名的算法都具有O（n logn）最坏情况性能。（根据mmyers的评论）

这完全取决于您试图排序的数据。对于不同的数据，不同的算法有不同的速度。O（n）算法可能比O（n^2）算法慢，这取决于您处理的数据类型。

根据大O表示法O（n）它取决于大小

下面是供您比较的排序算法列表。

---

我的首选是双向排序，因为它是稳定的（也就是说，如果从排序的角度看两个元素相等，那么它们的相对顺序会被显式保留），但快速排序也很好。

快速排序通常是最快的，但是如果你想在最坏的情况下获得好的排序效果，请尝试或。它们都有

O（n log n）

最差的时间性能。

如果您有一个足够大的数据集，您可能需要对单个数据箱进行排序，然后使用合并排序来合并这些数据箱。但在这一点上，我们谈论的数据集足够大，远远大于主内存

---

我想最正确的答案应该是“视情况而定”。

图灵机的最低上界是通过合并排序实现的，即O（n logn）。尽管在某些数据集上快速排序可能更好

除非使用特殊的硬件（例如，支持的硬件、其他非比较类），否则不能低于O（n log n）。

适用于预算无限的男士 幽默但正确： 交换空间（以实际硬件术语）以获得优于O（n log n）的排序

如果不使用这样的硬件（不太可能提供），您就有一个O（n log n）的最佳下界

O（n log n）最坏情况性能（无特定顺序）

击打原木 如果您的数据符合它的要求，那么您可以克服n log n限制，但也要关心输入数据中的位数

---

这可能是最著名的例子。如果没有更多的关于您的特定需求的信息，那么深入地考虑这些问题是没有意义的。

它取决于数据的类型和资源的类型。例如，有一些并行算法可以击败快速排序，但考虑到你是如何提问的，你不太可能访问它们。有时，一种算法的“最坏情况”是另一种算法的“最佳情况”（几乎排序的数据在Quick and Merge中有问题，但在使用更简单的技术时会出现问题）。

关于指定问题的重要性：基数排序可能是最快的，但只有当您的数据具有固定长度的键，并且这些键可以分解为独立的小块时，它才可用。这限制了它在一般情况下的实用性，也解释了为什么更多的人没有听说过它

---

这是一个O（k*n）算法，其中k是密钥的大小。

取决于数据。例如，对于整数（或任何可以表示为整数的东西），最快的是固定长度值的最坏情况复杂度为O（n）。最佳通用比较排序算法的复杂度为O（n logn）

如果您有一个庞大的数据集（即比可用内存大得多），那么您的数据很可能存在于磁盘/磁带/具有昂贵随机访问的东西上，因此您需要外部排序

---

在这种情况下，合并排序工作得很好；与大多数其他排序不同，它不涉及随机读/写。

请告诉我们有关您的具体场景的更多信息，以便人们可以建议常见排序算法的优缺点。否则，我不认为有任何明确的答案。我建议您明确表示您是否只关心大O表示法，还是只关心ON log（N）实现中涉及的常量是否重要。基数排序等增加了一些混乱，因为它们非常依赖于数据（你的问题太短了）。我说的是，如果一个算法的最坏情况是n^2，另一个是n-log-n，则后者将赢得一个大数据集，即使n^2的场景非常罕见。@Greg:O（n-log-n）是任何基于比较的排序的理论上可能的最佳复杂性。有许多算法的最坏情况复杂度为O（n logn）（请参阅中的表格）。请更新问题标题以反映具体问题，我建议：“什么排序算法提供了最佳的最坏情况性能？”但OP要求的是绝对最坏情况——在这种情况下，快速排序是N^2。OQ是最坏情况下已知的最快排序算法。O（n^2