我最近遇到了这个疑问。
我们选择快速排序合并排序，因为快速排序的缓存性能优于合并排序。 有人可以解释一下吗？
答案 0 :(得分：2)
平均情况不存在！
由于最佳和最坏的情况通常是在实践中很少发生的极端情况，因此进行了平均案例分析。但任何平均案例分析都假设一些输入分布！对于排序，典型的选择是随机置换模型（在维基百科上默认假设）。
为何选择O-Notation？
抛弃算法分析中的常数是出于一个主要原因：如果我对确切的运行时间感兴趣，我需要（相对）所有相关基本操作的成本（甚至仍然忽略缓存问题，现代处理器中的流水线...... ）。数学分析可以计算每条指令的执行频率，但单条指令的运行时间取决于处理器的详细信息，例如： 32位整数乘法是否需要与加法相同的时间。
有两种方法：
修复一些机器型号。
这是在Don Knuth的书籍系列“The Computer of Computer Programming”中为作者发明的人造“典型”计算机完成的。在第3卷中，您可以找到许多排序算法的精确平均大小写结果，例如
Quicksort：11.667（n + 1）ln（n）-1.74n-18.74 Mergesort：12.5nnn（n） 堆：16nln（n）+ 0.01n Insertionsort：2.25n2 + 7.75n-3ln（n）几种排序算法的运行时间
这些结果表明Quicksort是最快的。但是，它仅在Knuth的人工机器上得到证明，它并不一定意味着你的x86 PC。另请注意，算法与小输入的关联方式不同： 用于小输入的几种排序算法的运行时间
分析抽象基本操作。
对于基于比较的排序，这通常是交换和密钥比较。在Robert Sedgewick的书中，例如“算法”，这种方法是追求的。你找到那里
Quicksort：2nln（n）比较和平均13nln（n）交换 Mergesort：1.44nln（n）比较，但高达8.66nln（n）数组访问（mergesort不基于交换，因此我们无法计算）。 Insertionsort：平均14n2比较和14n2交换。 如您所见，这并不容易将算法比较为精确的运行时分析，但结果与机器详细信息无关。