DSA 插入排序时间复杂度
有关时间复杂度的通用解释,请参阅此页面。
插入排序时间复杂度
插入排序最坏情况的场景是数组已经排序,但数值是从大到小排列的。这是因为在这种情况下,每个新值都必须“穿过”整个已排序的数组部分。
以下是插入排序算法为前几个元素执行的操作:
- 第 1 个值已在正确的位置。
- 第 2 个值必须与第 1 个值进行比较并移到其后。
- 第 3 个值必须与前面两个值进行比较并移到它们之后。
- 第 3 个值必须与前面三个值进行比较并移到它们之后。
- 以此类推……
如果我们继续这种模式,那么对于 \(n\) 个值,总操作次数为:
\[1+2+3+...+(n-1)\]
这是数学中一个众所周知的数列,可以写成:
\[ \frac{n(n-1)}{2} = \frac{n^2}{2} - \frac{n}{2} \]
对于非常大的 \(n\),\(\frac{n^2}{2}\) 项占主导地位,因此我们可以通过移除第二项 \(\frac{n}{2}\) 来简化。
使用大 O 符号,插入排序算法的时间复杂度为:
\[ O(\frac{n^2}{2}) = O(\frac{1}{2} \cdot n^2) = \underline{\underline{O(n^2)}} \]
时间复杂度可以显示如下:

如您所见,当值 \(n\) 增加时,插入排序使用的时间会快速增加。
插入排序模拟
使用下面的模拟来查看理论时间复杂度 \(O(n^2)\)(红线)与实际插入排序操作次数的比较。
{{ this.userX }}
操作次数:{{ operations }}
对于插入排序,最佳、平均和最坏情况场景之间存在很大差异。您可以通过运行上面的不同模拟来查看。
上面的红线代表理论上的上限时间复杂度 \(O(n^2)\),而实际函数是 \(1.07 \cdot n^2\)。
请记住,如果存在一个正常量 \(C\) 使得 \(C \cdot g(n)>f(n)\),则称函数 \(f(n)\) 为 \(O(g(n))\)。
在这种情况下,\(f(n)\) 是插入排序使用的操作数,\(g(n)=n^2\),而 \(C=1.07\)。