交换排序详解：冒泡优化与快速排序四种实现

二、快速排序

快速排序（Quick Sort）是计算机科学领域最伟大的算法之一。它的核心是一种'分而治之'的策略：选一个基准值（key），通过一次排序将待排记录分割成独立的两部分，其中一部分记录的关键字均比另一部分小，则可分别对这两部分记录继续进行排序，以达到整个序列有序。

2.1 初始版本：Hoare 版

快排的创始人 Tony Hoare 最初设计的逻辑非常简洁：选取一个基准值（key），通过左右指针的'对冲'交换，实现左右分区。

算法逻辑：

1. 选基准：通常取区间最左侧元素为 key。
2. 右指针（R）先行：从右向左寻找比 key 小的值。
3. 左指针（L）后行：从左向右寻找比 key 大的值。
4. 交换：将 L 和 R 指向的元素对调。
5. 相遇归位：当 L 与 R 相遇时，将 key 与相遇点的值交换。

这里得问问为什么了，为什么相遇的位置一定是 key 的准确位置呢？为什么必须是 R 先走呢？当 L 和 R 相遇时，只有两种情况，而这两种情况在 R 先走的前提下都是安全的：

情况 A：R 撞上 L

• 过程：L 在上一轮交换后停下的位置，或者就在初始位置。由于 L 停下的位置要么是 key 本身，要么是刚刚换过来的比 key 小的值。
• 结果：R 向左移动寻找比 key 小的值，直到撞上 L。此时相遇点的值是 L 停留的值（即 ≤ key 的值），交换是安全的。

情况 B：L 撞上 R

• 过程：R 先走，已经找出了一个比 key 小的值并停了下来。
• 结果：随后 L 向右移动寻找大值，如果没有找到，最终会撞上停在'小值点'的 R。此时相遇点正是 R 停下的位置，该值必然 < key，交换也是安全的。

这个逻辑可以总结为一个对称的原则：

• 左边作 key，右边先走：保证相遇点 ≤ key。
• 右边作 key，左边先走：保证相遇点 ≥ key。

一句话总结：先走的那一方，实际上是在为最后一次交换'踩点'，确保交换回来的数符合分区的要求。

2.1.1 初始代码

void QuickSort(int* a, int left, int right) {
    // 递归终止条件：区间只有一个元素或区间非法
    if (left >= right) return;
    
    int begin = left;
    int end = right;
    
    // 选定左边第一个数为基准值，记录其位置
    int key_pos = left;
    
    while (begin < end) {
        // 关键点 1：必须右边先走！寻找比基准值小的值
        while (begin < end && a[end] >= a[key_pos]) end--;
        
        // 关键点 2：左边再走 寻找比基准值大的值
        while (begin < end && a[begin] <= a[key_pos]) begin++;
        
        // 找到后，交换左右两个'不听话'的元素 使得小的去左边，大的去右边
        Swap(&(a[begin]), &(a[end]));
    }
    
    // 此时 begin == end，即指针相遇，将相遇点的值与基准值位置的值交换
    // 由于是右边先走，保证了 a[begin] 一定小于等于 a[key_pos]
    Swap(&(a[begin]), &(a[key_pos]));
    
    // 更新基准值在数组中的最终正确位置
    key_pos = begin;
    
    // 递归处理左子区间 [left, key_pos - 1]
    QuickSort(a, left, key_pos - 1);
    
    // 递归处理右子区间 [key_pos + 1, right]
    QuickSort(a, key_pos + 1, right);
}

2.1.2 优化一：三数取中

在快速排序中，'三数取中'（Median-of-Three）是一项极其关键的优化技术。它的核心目的只有一个：防止算法在处理'最差情况'时退化，确保排序效率的稳定性。

以下是为什么要采取这一策略的深层原因：

1. 规避 O(N²) 的性能陷阱：快速排序的平均时间复杂度是 O(N log N)，但这取决于基准值（Pivot）能否将数组大致对半分。
   • 理想情况：每次基准值都能落在区间的中位数附近，递归树是平衡的，层数为 log N。
   • 最差情况：如果数组已经有序（升序或降序），而你总是选最左边的数作为基准值。此时，基准值每次都是最大或最小值，导致划分出的子区间一个为空，另一个包含 N−1 个元素。递归树会变成一根'长棍'，时间复杂度直接退化到 O(N²)。
2. 提高'基准值'的代表性：'三数取中'通过取区间左端、右端和中间位置的三个数，并选出其中的中位数作为基准值。
   • 逻辑：通过这三个位置的采样，极大地降低了选到'极端值'（最大或最小）的概率。
   • 效果：它强制让基准值更趋向于整个区间的平均水平，从而保证递归划分更加均匀。

2.1.3 优化二：小区间优化

为什么要进行小区间优化？

快速排序是一个递归算法。随着递归的深入，子区间的长度会越来越短。当区间长度减小到一定程度（例如 10 左右）时，继续使用快排会带来两个负面影响：

1. 递归开销过大：每一层递归都需要建立函数栈帧，涉及参数传递、寄存器保护等操作。对于只有几个元素的区间，递归带来的系统开销远超排序本身的计算开销。
2. 效率递减：在数据量极小时，快排 O(N log N) 的复杂性优势并不明显，而简单的排序算法（如插入排序）因为逻辑简单，在小规模数据下表现更好。

假设此图为快速排序递归树，如果每一次递归都进行到区间只有一个元素为止，那么最后一层将产生最多的函数调用。根据统计，递归树最后 3 到 4 层的节点数占了整棵树总节点数的 80% 以上。

那就可以将最后几层优化掉，也就是使用别的排序替换掉最后几层的快排。你可以选择任何你喜欢的排序算法，这里我选插入排序。

// 小区间优化：当区间长度小于 10 时，采用插入排序
if ((right - left + 1) < 10) {
    // 注意：传入的地址是 a + left，长度是区间个数
    InsertSort(a + left, right - left + 1);
    return;
}

当子区间的 right - left + 1 小于某个阈值（通常设定为 10~15）时，我们不再进行划分，而是直接调用插入排序（Insertion Sort）。

为什么选择插入排序？

• 趋于有序：在快排的过程中，数据已经在大体上变得有序了。而插入排序在处理'接近有序'的数据时，效率极高，接近 O(N)。
• 空间开销小：插入排序是原地排序，没有额外的递归成本。

2.2 版本二：前后指针法

在快速排序的多种单趟排序实现中，前后指针法以其代码极其精简、逻辑高度一致的特点，成为现代工程实践中最受推崇的版本之一。

2.2.1 核心思想：推土机策略

前后指针法的核心思想可以形象地比喻为 '推土机'或'区域划分'：

• key (基准值)：作为参照的标杆，通常选定为区间的第一个元素。
• prev (后指针)：它是小于 key 区域的边界。它的左边（包括它自己）存放的都是已经发现的比 key 小的值。
• cur (前指针)：它是侦察兵。它从左向右扫描数组，寻找比 key 小的元素。

2.2.2 算法执行步骤

1. 初始化：通过'三数取中'优化选出基准值并换到 left 位置。令 prev 指向 left，cur 指向 left + 1。
2. 侦察阶段 (cur 移动)：
   • 如果 a[cur] 大于或等于 key，cur 直接继续向后走。
   • 如果 a[cur] 小于 key，说明找到了一个需要被'归位'的小数：
     • prev 向前移动一步（扩展小于区边界）。
     • 交换 a[prev] 和 a[cur]，将这个小数扔进 prev 维护的'安全区'内。
3. 基准值归位：当 cur 遍历完整个区间后，prev 所在的位置就是小于 key 区域的最后一个位置。此时交换 a[prev] 和 a[key_pos]，key 正好落在了大小数的分界点上。

2.2.3 实现代码

int PartSort3(int* a, int left, int right) {
    // 1. 三数取中优化：从左、中、右三个位置选出中间值
    // 目的：防止在处理有序数组时快排退化为 O(N^2)
    int midi = getMidi(a, left, right);
    
    // 将选出的中间值交换到左边界，作为基准值(key)
    Swap(&(a[midi]), &(a[left]));
    int key_pos = left;
    
    // 记录基准值的位置
    int prev = left;
    // prev 指向小于 key 区域的最后一个元素
    int cur = left + 1;
    // cur 作为探路指针，寻找比 key 小的元素
    
    // 2. 探路阶段：cur 遍历整个区间
    while (cur <= right) {
        // 如果 cur 发现了一个比基准值小的数
        if (a[cur] < a[key_pos]) {
            // 小于 key 的区域向后扩展一位
            prev++;
            
            // 将 cur 发现的小数交换到 prev 的新位置
            // 只有在 prev 和 cur 不相等时才交换，减少无效自换
            if (prev != cur) Swap(&(a[cur]), &(a[prev]));
        }
        
        // cur 无论是否发现小数，都继续向后探测
        cur++;
    }
    
    // 3. 基准值归位
    // 此时 prev 及其左边都是小于 key 的数，prev 右边都是大于等于 key 的数
    // 将基准值交换到 prev 的位置，使其回到序列正中间
    Swap(&(a[prev]), &(a[key_pos]));
    
    // 返回基准值的正确下标，用于后续递归分裂区间
    return prev;
}

2.3 版本三：挖坑法 (最易理解)

挖坑法是 Hoare 版本的变体，以其极其直观的逻辑，成为了最容易理解的版本。通过'填坑'的动作，形象地展示了数据如何根据基准值（key）进行左右分流，不需要纠结谁先走。

2.3.1 核心思想：填空游戏

挖坑法的核心在于利用一个临时变量存出基准值，从而在数组中制造一个'坑位'，随后通过左右指针交替填坑。

• 基准值 (key)：通常选定区间第一个元素，将其取出保存，此时该位置（left）形成第一个坑。
• 右指针 (right)：从右向左移动，寻找比 key 小的数，将其填入左边的坑中，随后 right 位置变成新坑。
• 左指针 (left)：从左向右移动，寻找比 key 大的数，将其填入右边的坑中，随后 left 位置变成新坑。

2.3.2 算法执行步骤

1. 初始挖坑：首先进行三数取中优化，将中位数交换至 left。将 a[left] 赋值给变量 key，令 hole = left。
2. 右填左：从 right 开始向左找比 key 小的数。找到后，将 a[right] 填入 a[hole]，并更新坑位 hole = right。
3. 左填右：从 left 开始向右找比 key 大的数。找到后，将 a[left] 填入 a[hole]，并更新坑位 hole = left。
4. 循环终止：重复上述步骤直到 left 与 right 相遇。
5. 回填基准：最后将 key 填入相遇点的坑位 a[hole]。

2.3.3 实现代码

int PartSort2(int* a, int left, int right) {
    // 1. 三数取中优化：在左、中、右三个数中选出数值大小排在中间的那一个
    // 这样可以有效防止在面对有序数组时，基准值选到极值导致效率退化为 O(N^2)
    int midi = getMidi(a, left, right);
    Swap(&(a[midi]), &(a[left]));
    
    // 将选出的中间值交换到左边界，作为基准值
    // 2. 形成初始坑位
    // 将基准值保存在变量 key 中，此时 a[left] 逻辑上形成了一个'坑'
    int hole = left;
    int key = a[left];
    
    // 左右指针开始向中间靠拢，直到 left 和 right 相遇
    while (left < right) {
        // 3. 右边找小，填左坑
        // 右指针向左移动，跳过所有大于或等于 key 的元素
        while (left < right && a[right] >= key) --right;
        
        // 找到比 key 小的数后，将其填入左边的'坑'a[hole] 中
        // 此时 a[right] 位置空了出来，成为新的'坑'
        a[hole] = a[right];
        hole = right;
        
        // 4. 左边找大，填右坑
        // 左指针向右移动，跳过所有小于或等于 key 的元素
        while (left < right && a[left] <= key) ++left;
        
        // 找到比 key 大的数后，将其填入右边的'坑'a[hole] 中
        // 此时 a[left] 位置空了出来，再次成为新的'坑'
        a[hole] = a[left];
        hole = left;
    }
    
    // 5. 回填基准值
    // 当循环结束（left == right），将最初保存的 key 填入最后的坑位
    a[hole] = key;
    
    // 返回基准值最终所在的下标，供外层递归划分区间
    return hole;
}

2.4 版本四：非递归版本 (栈的妙用)

在面对海量数据时，深度递归可能会导致栈溢出（Stack Overflow），因为系统栈的空间是有限的。为了提高算法的稳健性，我们可以利用 堆区（Heap） 上开辟的自定义栈（Stack）来手动模拟递归过程。

为什么在处理工业级大数据时，非递归版本更受青睐？这涉及到计算机底层内存的布局差异：

把每次函数递归时不一样的部分画在递归树上可以得到，每次就是待排序数组的边界不一样，也就是区间，那就只需要把区间存起来就好了，然后每次取出需要用的那个区间就好，现在要考虑的就是存取顺序而已，在递归版本的代码，首先是对左部分区间进行递归排序，那就跟递归版本保持一致，也从左区间开始存取，但栈是后进先出，所以怎么压栈就是最大的难题。

先排左，那就代表需要先取出左，那就只能先压右，注意这里区间有左右两个数，这个顺序也很重要，不要取反了。

2.4.1 核心操作接口

• *STInit(ST pst)**：初始化栈。将数组指针置空，容量与栈顶位置归零。
• *STDestroy(ST pst)**：销毁栈。释放动态开辟的内存空间，防止内存泄漏。
• *STPush(ST pst, STDataType x)**：入栈。
  • 关键点：当栈满时（top == capacity），利用 realloc 进行扩容。
  • 在快排中的作用：将待处理子区间的 left 和 right 下标压入栈中。
• *STPop(ST pst)**：出栈。
  • 关键点：需要断言（assert）栈不为空，直接将 top 减 1 即可实现逻辑删除。
• *STTop(ST pst)**：获取栈顶元素。
  • 关键点：返回 a[top - 1] 位置的值。在快排中，这用于获取当前要处理的区间边界。
• *isEmpty(ST pst)**：判空。
  • 这是 while 循环的终止条件。只要栈不为空，就说明还有待排序的子区间。

这些接口之前都已经实现过了，所以这里只给出接口，代码参考之前的栈实现博客。

2.4.2 核心执行流程

非递归快排的执行逻辑可以概括为以下步骤：

• 初始入栈：将整个待排序数组的左右边界下标压入栈中（例如先入 right 再入 left）。
• 循环迭代：只要栈不为空，就说明还有待处理的任务。
• 出栈分区：从栈中成对取出 begin 和 end，调用单趟排序函数（如 singleTripSort）确定基准值的位置 key_pos。
• 任务拆分：根据 key_pos 将原区间拆分为左右两个子区间。
• 入栈子区间：如果子区间依然合法（即包含多个元素），则将子区间的边界再次压入栈中，等待下一轮循环处理（注意入栈顺序）。

2.4.3 实现代码

void QuickSortNonR(int* a, int left, int right) {
    // 1. 初始化自定义栈（ST 为动态数组实现的栈结构）
    ST st;
    STInit(&st);
    
    // 2. 初始区间入栈
    // 策略：先进右边界，后进左边界。
    // 根据栈'后进先出'的特性，出栈时会先拿到左边界，符合我们的思维习惯。
    STPush(&st, right);
    STPush(&st, left);
    
    // 3. 循环处理栈中的任务
    // 只要栈不为空，说明还有待划分的子区间
    while (!isEmpty(&st)) {
        // 4. 出栈获取当前待排序的区间下标 [begin, end]
        // 先拿出来的 top 是左边界，后拿出来的是右边界
        int begin = STTop(&st);
        STPop(&st);
        int end = STTop(&st);
        STPop(&st);
        
        // 5. 执行单趟排序（singleTripSort）
        // singleTripSort 会选定基准值并完成分区，返回基准值的最终下标位置 key_pos
        // 此时 a[key_pos] 已经处于其最终正确位置
        int key_pos = singleTripSort(a, begin, end);
        
        // 6. 分裂子区间并入栈（分治思想的体现）
        // 原区间 [begin, end] 被 key_pos 分为左右两部分：
        // 左区间：[begin, key_pos - 1]
        // 右区间：[key_pos + 1, end]
        
        // --- 压入右子区间 ---
        // 如果右区间包含至少两个元素（key_pos + 1 < end），则入栈等待处理
        if (key_pos + 1 < end) {
            STPush(&st, end);
            STPush(&st, key_pos + 1);
        }
        
        // --- 压入左子区间 ---
        // 如果左区间包含至少两个元素（key_pos - 1 > begin），则入栈等待处理
        if (key_pos - 1 > begin) {
            STPush(&st, key_pos - 1);
            STPush(&st, begin);
        }
        
        // 注意：由于栈是 LIFO（后进先出），我们后压入左区间，
        // 那么下一次循环会优先处理左区间，逻辑上模拟了递归的前序遍历。
    }
    
    // 7. 任务完成，销毁栈并释放动态内存
    STDestroy(&st);
}

三、总结

3.1 算法哲学的跨越：从'渐进有序'到'分治天下'

• 冒泡排序（Bubble Sort）：本质是局部有序化。它像慢速的推土机，通过相邻交换稳步推进。即便加入了 flag 优化，其本质仍未脱离 O(N²) 的限制，适用于小规模数据或教学入门。
• 快速排序（Quick Sort）：本质是全局平衡化。它通过'跨越式交换'迅速缩减问题规模。每一次分区（Partition）都是在确立一个元素的最终物理位置，这种'一战定乾坤'的思想是其高效的根源。

3.2 快排单趟排序的三重境界

三种单趟排序方法，反映了对数据移动的不同理解：

• Hoare 版本（对冲逻辑）：最原始、最经典的指针碰撞，通过左右指针向中间逼近。技术要点是必须由'基准值对侧'的指针先走，以确保相遇点的安全交换。
• 挖坑法（填补逻辑）：通过'取值成坑、对向填补'将逻辑解耦，规避了 Hoare 版本中复杂的先后手限制，是最易于代码落地和教学演示的版本。
• 前后指针法（搬运逻辑）：利用 prev 和 cur 像推土机一样线性推进。这种方法逻辑高度一致，代码最为精简，且对 CPU 缓存（Cache）更加友好，是工业级实现的首选。

3.3 量化调优：剪枝与避坑

• 三数取中（Median-of-three）：通过物理采样规避了有序数组导致 O(N²) 的'性能陷阱'，强行保证递归树的平衡。
• 小区间优化（Small Subarray Optimization）：
  • 量化支撑：递归树最后 3-4 层的节点数占整棵树的 80% 以上。
  • 策略：当区间长度小于阈值（如 10）时切换为插入排序，相当于直接砍掉了 80% 的函数栈帧开销，让算法在微观层面也保持高效。

3.4 内存模型：从系统栈到堆区的突围

非递归版本的剖析加深了对计算机体系结构的理解：

• 物理突破：将区间任务从只有几个 MB 的系统栈区（Stack）转移到了 GB 级别的 堆区（Heap）。
• 逻辑模拟：利用 LIFO 栈结构手动维护待处理的区间，模拟了深度优先搜索（DFS）的遍历路径。这是处理千万级、亿级海量数据时防止程序崩溃的终极保障。

3.5 综合性能对比表