如何实现一个通用的，高性能的排序算法。
总结一下前面学过的几种排序算法
| 算法 | 时间复杂度 | 是稳定排序 ？ | 是原地排序？ |
|---|---|---|---|
| 冒泡排序 | O(n^2) | ✔ | ✔ |
| 插入排序 | O(n^2) | ✔ | ✔ |
| 选择排序 | O(n^2) | ✖ | ✔ |
| 快速排序 | O(n*logn) | ✖ | ✔ |
| 归并排序 | O(n*logn) | ✔ | ✖ |
| 计数排序 | O(n+k) k是数据范围 | ✔ | ✖ |
| 桶排序 | O(n) | ✔ | ✖ |
| 基数排序 | O(dn) d是维度 | ✔ | ✖ |
线性排序时间复杂度比较低，但是对数据的要求十分严格，所以不能用作通用排序的方案。
小数据规模的排序，首选时间复杂度为 O(n^2) 的算法。如果数据规模较大，选择时间复杂度为 O(nlogn) 的算法。所以为了兼顾任意规模的数据排序，那就首选时间复杂度为 O(nlogn) 的算法。
归并排序和快速排序时间复杂度都为 O(n*logn)，而且极端情况下快速排序的时间复杂度会变成 O(n^2)，但是二者之间还是快速排序优先被选用。归并排序不是原地排序，在排序期间会申请同样数据大小的内存空间，所以空间复杂度上要高的多。
虽然优先选择的是快速排序，但是极端情况下时间复杂度会退化为 O(n^2)，那么如何避免这种情况的发生呢？这就是接下来要总结的如何优化快速排序算法。
优化快速排序算法
当待排序数据呈现有序或者接近有序状态，每次分区选择的分区点都是最后一位的时候，快速排序算法时间复杂度退化为 O(n^2)。那么避免这种情况的发生就是每次选取的分区点，尽量将数据均分成两份。下面介绍两种选取分区点的方法。
方法一：三数取中法。分别获取分区区间的第一个，中间位置，最后一个元素，比较大小，选择中间的值作为分区点。如果分区区间的数据量过大，就可以采用五数取中，十数取中，尽量保证分区点的选择趋于中间数值。
方法二：随机法。随机在分区区间选择一个数据，根据概率来判断，分区点选到最小值或者最大值得概率是很小的，所以时间复杂度退化为 O(n^2) 的概率也是很小的。
算法实现举例分析
王争老师举例了 Glibc 中 qsort() 函数实现排序的原理。
qsort() 在数据量小的情况下会优选选择归并排序算法。当数据量比较大的时候，就会选择快速排序算法。使用快速排序的时候，对于分区点的选择，qsort() 函数采用的正是三数取中法。
在快速排序中，如果区间的元素个数小于等于 4，qsort() 就会采用插入排序对数据排序。因为在小数据规模下， O(n^2) 的值要小于 O(n*logn)。
总结
本文创作灵感来源于 极客时间 王争老师的《数据结构与算法之美》课程，通过课后反思以及借鉴各位学友的发言总结，现整理出自己的知识架构，以便日后温故知新，查漏补缺。
初入算法学习，必是步履蹒跚，一路磕磕绊绊跌跌撞撞。看不懂别慌，也别忙着总结，先读五遍文章先，无他，唯手熟尔~
与诸君共勉
