[论文解读] An efficient sorting algorithm - Ultimate Heapsort(UHS)

Feiyang Chen, Nan Chen+2 more|arXiv (Cornell University)|Feb 1, 2019

Algorithms and Data Compression被引用 4

一句话总结

本文提出终极堆排序（UHS），一种基于比较的排序算法，在所有情况下（最好、平均和最坏情况）均实现最优的 O(n log n) 时间复杂度，同时保持 O(1) 的空间复杂度。通过利用最大堆结构和高效的堆化操作，UHS 在频繁插入和删除的动态环境中，优于传统堆排序和快速排序。

ABSTRACT

Motivated by the development of computer theory, the sorting algorithm is emerging in an endless stream. Inspired by decrease and conquer method, we propose a brand new sorting algorithmUltimately Heapsort. The algorithm consists of two parts: building a heap and adjusting a heap. Through the asymptotic analysis and experimental analysis of the algorithm, the time complexity of our algorithm can reach O(nlogn) under any condition. Moreover, its space complexity is only O(1). It can be seen that our algorithm is superior to all previous algorithms.

研究动机与目标

• 设计一种排序算法，确保在所有情况下（包括最坏情况）均保持 O(n log n) 的时间复杂度。
• 通过提升在频繁添加或删除数据的动态排序场景中的性能，改进传统堆排序。
• 同时实现最优的时间与空间复杂度，使其适用于内存内和实时应用。
• 提供一种稳定、原地的排序解决方案，在频繁变动的工作负载下优于快速排序及其他基于比较的算法。

提出的方法

• 使用最大堆数据结构以维护堆性质，即每个父节点的值大于或等于其子节点。
• 在每次提取最大元素后，使用 MAX-HEAPIFY 过程恢复最大堆性质。
• 通过自底向上的方法构建初始最大堆，从最后一个非叶节点开始，对每个节点应用 MAX-HEAPIFY。
• 通过反复将根节点（最大值）与最后一个元素交换，减小堆大小，并对根节点重新堆化，实现数组排序。
• 采用渐近分析与实验分析相结合的方法，验证所有输入类型和堆配置下的时间复杂度。
• 使用数学求和方法证明：构建堆和维护堆的总代价为 O(n)，每次堆化操作的代价为 O(log n)。

实验结果

研究问题

• RQ1 是否存在一种基于比较的排序算法，能够在所有情况（最好、平均和最坏）下实现 O(n log n) 的时间复杂度，同时保持 O(1) 的空间复杂度？
• RQ2 在频繁插入和删除的动态环境中，UHS 与快速排序和传统堆排序相比性能如何？
• RQ3 在构建和维护堆结构时，堆化过程对整体时间复杂度有何影响？
• RQ4 使用最大堆数据结构是否能在现实世界中的动态排序场景下，相比其他原地算法展现出更优性能？
• RQ5 该算法是否能在所有输入条件下被证明是稳定的？还是其本身会破坏相等元素之间的相对顺序？

主要发现

• UHS 在所有情况下（最坏情况、平均情况和最好情况）均实现 O(n log n) 的时间复杂度，表现出对各种输入分布的鲁棒性。
• UHS 的空间复杂度为 O(1)，确认其为一种原地排序算法，除输入数组外无需额外存储空间。
• 实验结果表明，UHS 在涉及频繁插入和删除的动态排序场景中优于其他算法。
• 当数据在排序过程中被修改时，该算法仍能保持最优性能，而快速排序在此类条件下性能会显著下降。
• 渐近分析证实：构建堆和执行堆化操作的总代价为 O(n)，每次操作对总时间的贡献为 O(log n)。
• UHS 不是稳定排序，因为在交换过程中（特别是在内部节点上的堆化过程），堆结构可能改变相等元素之间的相对顺序。