我的一位朋友最近提到，你可以通过“缩短它”来减少合并排序的实际运行时间。他没有将数组分解为各个块，而是提到应该停止在各个数组大小等于缓存行大小的位置，因为整个数组将被加载到缓存中。此时，您应该使用替代排序（即插入排序）来合并每个阵列，然后完成合并排序。
虽然BigO建议不然，但他的建议似乎具有直观意义。有人可以确认或否认这一点，和/或提供有关其工作原理和原因的更多信息吗？
感谢帮助人员！
答案 0 :(得分：0)
嗯，（有点抽象）答案是Big-O只对大数字有用：它抛弃了常数因子：O（n）= O（3n），抛出低阶项：O（n² + 3N）= O（N²）。所以是的，你无法用Big-O表示法来判断。
此外，Big-O表示法通常用于一个非常简单的模型，其中每个“操作”只花费1，而且它不知道缓存。
这就是为什么模型没有告诉你这可能有用。我想你可以看看Donald E. Knuth的“排序和搜索”，在那里他用虚构的汇编语言对运行时分析进行了较低的术语（但仍然不考虑缓存，IIRC）。
答案 1 :(得分：0)
插入排序组合创建小运行，然后切换到合并排序称为timsort。维基文章：
答案 2 :(得分：0)
使用 O （Ω，Θ等）分析复杂性仅用于描述算法如何作为输入执行规模增长。如果查看实际函数，可以看到随着输入的增长，常数因子变得不那么重要了。总的来说，输入大小占主导地位。
在实践中，常数因素确实很重要（缓存未命中，指令延迟等等），这就是为什么RadixSort通常很少使用的原因。例如，从寄存器读取大约需要从缓存中最低级别读取的时间的1/5（大约是下一级别的1/5等等）。由于它们是数量级的，实际上缓存成本通常主导算法的实际性能。
插入排序确实可以非常有效地使用缓存，通常只要数据适合缓存。由于它是连续的，它也与预测器很好地相互作用。两者都是为什么对较小的投入更好的原因。另一个很好的例子是QuickSort，它在技术上是O(n^2)，但在实践中仍然使用很多，因为它具有更好的缓存特性。 TimSort（Python和Java的默认值）也对较小的输入使用插入排序。