介绍排序是将一组数据按指定顺序排列的过程分类内排序：是指将所有需要处理的数据加载到内存中的内部排序。常见的内部排序有：直接插入排序、希尔排序、简单选择排序、堆排序、冒泡排序、快速排序、归并排序、基数排序。外部排序：数据量太大，无法加载到内存中，需要外部存储进行排序。通过算法的时间复杂度来衡量一个程序（算法）的执行时间有两种方法：事后统计法是可行的，但存在两个问题：一是评估设计算法的运行性能，有必要实际运行该算法。二是获取时间的统计取决于计算机硬件\软件等环境因素。这样就需要在相同的状态下运行同一台计算机来比较哪种算法更快。预估法通过分析算法的时间复杂度来判断哪种算法更好。时间频率算法所花费的时间与算法中语句的执行次数成正比。无论哪种算法执行算法中的语句数量，都需要更多的时间。算法中语句执行的次数称为语句频率或时间频率。记录为T(n)。比如计算1到100所有数字的和，有两种算法inttotal=0;intend=100;//for循环计算for(inti=1;i<=end;i++){total+=i;}执行的次数取决于结束的长度。其T(n)=n+1.//直接计算total=(1+end)*end/2;直接计算只需要Execute一次，其T(n)=1。估计时间频率时注意：忽略常数项：如T(n)=2n+20和T(n)=2n，随着n变大，20可以忽略。忽略低阶项：比如T(n)=2n^2+3n+10和T(n)=2n^2，随着n变大，3n+10可以忽略。忽略系数：比如T(n)=5n^2+7n和T(n)=3n^2+2n，随着n变大，5和3可以忽略。时间复杂度一般来说，算法中基本运算语句的重复执行次数是问题规模n的函数，用T(n)表示，如果有辅助函数f(n)，则当n趋近于无穷大，T(n)/f(n)的极限值是一个不等于零的常数，则称f(n)是与T(n)同量级的函数。记为T(n)=O(f(n))，O(f(n))称为算法的渐近时间复杂度，简称时间复杂度。T(n)不同，但时间复杂度可能相同。比如：T(n)=n^2+7n+6和T(n)=3n^2+2n+2，它们的T(n)不同，但是时间复杂度都是O(n^2)。计算时间复杂度法用一个常数1代替运行时所有的加法常数。在修改后的流水号函数中，只保留最高阶项。删除最高阶项的系数。常见的时间复杂度常数阶O(1)不管执行多少行代码，只要没有loop等复杂结构，那么这段代码的复杂度就是O(1)inti=1;intj=2;++我；j++；intm=i+j；上面的代码在执行的时候，它消耗的时间并不会随着某个变量的增长而增加，所以不管这类代码多长，哪怕有几万、几十万行，都可以用O(1)来表示它的时间复杂度。对数阶O(log2n)inti=1;while(i
