排序算法的介绍
排序也称排序算法 (Sort Algorithm)，排序是将 一组数据 ， 依指定的顺序 进行 排列的过程 。
排序的分类
1) 内部排序 : 指将需要处理的所有数据都加载 到 内部存储器(内存) 中进行排序。
2) 外部排序法: 数据量过大，无法全部加载到内 存中，需要借助 外部存储(文件等) 进行 排序。
常见的排序算法分类
算法的时间复杂度 度量一个程序(算法)执行时间的两种方法
1、事后统计的方法 这种方法可行, 但是有两个问题：一是要想对设计的算法的运行性能进行评测，需要实际运行该程序；
二是所得时间的统计量依赖于计算机的硬件、软件等环境因素 , 这种方式，要在同一台计算机的相同状态下运行，才能比较那个算法速度更快。
2、事前估算的方法 通过分析某个算法的时间复杂度来判断哪个算法更优.
时间频度
时间频度：一个算法花费的时间与算法中语句的执行次数成正比例，哪个算法中语句执行次数多，它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
举例说明-基本案例
比如计算1-100所有数字之和, 我们设计两种算法：
时间复杂度
1、一般情况下，算法中的基本操作语句的重复执行次数是问题规模n的某个函数，用T(n)表示，若有某个辅助函数f(n)，使得当n趋近于无穷大时，T(n) / f(n) 的极限值为不等于零的常数，则称f(n)是T(n)的同数量级函数。记作 T(n)=Ｏ( f(n) )，称Ｏ( f(n) ) 为算法的渐进时间复杂度，简称时间复杂度。
2、T(n) 不同，但时间复杂度可能相同。 如：T(n)=n²+7n+6 与 T(n)=3n²+2n+2 它们的T(n) 不同，但时间复杂度相同，都为O(n²)。
3、计算时间复杂度的方法：
用常数1代替运行时间中的所有加法常数 T(n)=n²+7n+6 => T(n)=n²+7n+1 修改后的运行次数函数中，只保留最高阶项 T(n)=n²+7n+1 => T(n) = n² 去除最高阶项的系数 T(n) = n² => T(n) = n² => O(n²) 常见的时间复杂度
说明：
常见的算法时间复杂度由小到大依次为： Ο(1)＜Ο(log 2 n)＜Ο(n)＜Ο(nlog 2 n)＜Ο(n 2 )＜Ο(n 3 )＜ Ο(n k ) ＜Ο(2 n ) ，随着问题规模n的不断增大，上述时间复杂度不断增大，算法的执行效率越低
从图中可见，我们应该尽可能避免使用指数阶的算法
时间复杂度示例介绍 1）常数阶O(1)
无论代码执行了多少行，只要是没有循环等复杂结构，那这个代码的时间复杂度就都是O(1)
上述代码在执行的时候，它消耗的时候并不随着某个变量的增长而增长，那么无论这类代码有多长，即使有几万几十万行，都可以用O(1)来表示它的时间复杂度。
2）对数阶O(log 2 n)
说明：在while循环里面，每次都将 i 乘以 2，乘完之后，i 距离 n 就越来越近了。假设循环x次之后，i 就大于 2 了，此时这个循环就退出了，也就是说 2 的 x 次方等于 n，那么 x = log 2 n也就是说当循环 log 2 n 次以后，这个代码就结束了。因此这个代码的时间复杂度为：O(log 2 n) 。 O(log 2 n) 的这个2 时间上是根据代码变化的，i = i * 3 ，则是 O(log 3 n) .
3）线性阶O(n)
说明：这段代码，for循环里面的代码会执行n遍，因此它消耗的时间是随着n的变化而变化的，因此这类代码都可以用O(n)来表示它的时间复杂度
4）线性对数阶O(nlogN)
说明：线性对数阶O(nlogN) 其实非常容易理解，将时间复杂度为O(logn)的代码循环N遍的话，那么它的时间复杂度就是 n * O(logN)，也就是了O(nlogN)
5）平方阶O(n²)
