我最近一直在学习Radix排序，我使用的其中一个来源是维基百科页面。目前有关于算法效率的以下段落：
与其他排序相比，基数排序效率的主题 算法有点棘手，并且受到相当多的限制 误解。基数排序是否同样有效，更少 比最佳的基于比较的算法更有效或更有效 取决于所做假设的细节。基数排序复杂性 对于n个键是O（wn），它是字大小w的整数。有时w是 作为常数呈现，这将使基数排序更好（对于 n）比最好的基于比较的排序足够大 算法，它们都执行O（n log n）比较以排序n个键。 但是，通常w不能被视为常数： 如果全部为n 密钥是不同的，那么w必须至少为log n以进行随机访问 机器能够将它们存储在内存中，这样可以充分利用时间 复杂度O（n log n）。 这似乎最多可以进行基数排序 与最佳的基于比较的排序同样有效（如果是，则更糟 密钥比log n更长。
粗体的部分令人遗憾地变成了一个我无法通过的障碍。我知道一般来说Radix排序是O（wn），并且通过其他来源已经看到如何实现O（n），但是不能完全理解为什么n个不同的密钥需要O（n log n）时间来随机存储 - 访问机器。我相当肯定它归结为一些简单的数学，但不幸的是，一个坚实的理解仍然是我无法掌握的。
我最接近的尝试如下：
给定一个基数，'B'和该基数中的数字'N'，'N'的最大数字可以是：
（N的logB）+ 1。
如果给定列表中的每个数字L都是唯一的，那么我们最多可以：
L *（（log的N）+ 1）可能性
此时我不确定如何进步。
是否有人能够以粗体扩展上述部分并分解为什么n个不同的密钥需要最少的log n用于随机存取存储？
答案 0 :(得分：0)
假设MSB基数排序为常量m二进制位：
n个不同值的任意大数据类型，所需的位数为N = ceiling(log2(n)) O(log n);假设顺序内存访问，读/写值的时间复杂度为O(N) = O(log n)，尽管可以使用指针O(N / m) = O(log n) m也必须是2的幂;假设这对于HW平台来说足够小，例如4位数字= 16个容器在排序期间：
对于每个基数传递，其中有O(log n)：
O(1)获取所有n值。应注意，每个计数器也必须是N位，尽管增量为1将是（摊销）O(1)。如果我们使用了非2位数，那么通常为O(log n log log n)（source）使存储桶计数数组累积：必须执行m - 1个添加，每个都是O(N) = O(log n)（与增量特殊情况不同）
写出输出数组：循环通过n值，再次确定bin，并用正确的偏移量写入指针
因此总复杂度为O(log n) * [ n * O(1) + m * O(log n) + n * O(1) ] = O(n log n) 。