排序算法效率分析及总结
快速排序算法的改进与分析
快速排序算法的改进与分析快速排序算法是一种经典的排序算法，被广泛应用于各个领域。
然而，快速排序在某些情况下存在效率较低的问题。
在本文中，我们将对快速排序算法进行改进与分析，以提高其在各种情况下的排序效率。
首先，我们来简要介绍一下快速排序算法。
快速排序算法的核心思想是通过选取一个基准元素，将待排序序列分割为独立的两部分，其中一部分的所有元素小于等于基准元素，另一部分的所有元素大于等于基准元素。
然后，对这两部分分别进行递归地快速排序，最终得到有序序列。
虽然快速排序算法在大多数情况下表现出色，但在某些特殊情况下，其效率可能降低到O(n^2)。
这种情况主要发生在待排序序列已经部分有序的情况下，即存在大量的重复元素。
为了解决这一问题，可以对快速排序算法进行改进。
一种改进方法是随机选择基准元素。
原始的快速排序算法通常选择待排序序列的第一个元素作为基准元素，而随机选择基准元素能够有效地避免最坏情况的发生。
通过随机选择基准元素，可以在很大程度上降低分割的不均匀性，进而提高排序效率。
另一种改进方法是三路快速排序。
三路快速排序算法在处理大量重复元素的情况下，能够进一步提高排序效率。
其思想是将待排序序列分成小于、等于和大于基准元素三个部分，并分别对这三个部分进行递归地快速排序。
这种方法能够更加均匀地分割序列，避免重复元素的过多交换，从而加快排序速度。
除了基于元素的改进方法外，还可以考虑基于算法的改进。
例如，引入插入排序。
当待排序序列的规模较小时，插入排序比快速排序更加高效。
因此，在快速排序的递归过程中，可以设置一个阈值，当待排序序列的规模小于该阈值时，采用插入排序而非继续使用快速排序。
这样做可以在一定程度上提高快速排序的效率。
综上所述，快速排序算法是一种高效的排序算法，但在某些情况下存在效率较低的问题。
为了提高快速排序算法的性能，可以采取多种改进方法，如随机选择基准元素、三路快速排序以及引入插入排序等。
这些改进方法能够有效地降低最坏情况的发生概率，提高排序效率。
排序方法实践心得体会
一、引言在计算机科学领域，排序算法是基础且重要的内容之一。
通过对一组数据进行排序，可以使得后续的查找、统计等操作更加高效。
在实际应用中，不同的排序算法有着各自的特点和适用场景。
本文将从实践角度出发，分享我在学习排序方法过程中的心得体会。
二、排序算法概述1. 冒泡排序冒泡排序是一种简单的排序算法，其基本思想是相邻元素两两比较，若逆序则交换，直到整个序列有序。
冒泡排序的时间复杂度为O(n^2)，空间复杂度为O(1)。
2. 选择排序选择排序的基本思想是每次从待排序的序列中选出最小（或最大）的元素，放到序列的起始位置，然后继续对剩余未排序的序列进行同样的操作。
选择排序的时间复杂度为O(n^2)，空间复杂度为O(1)。
3. 插入排序插入排序的基本思想是将一个记录插入到已经排好序的有序表中，从而得到一个新的、记录数增加1的有序表。
插入排序的时间复杂度为O(n^2)，空间复杂度为O(1)。
4. 快速排序快速排序是一种高效的排序算法，其基本思想是选取一个基准值，将序列划分为两个子序列，一个包含小于基准值的元素，另一个包含大于基准值的元素，然后递归地对这两个子序列进行快速排序。
快速排序的平均时间复杂度为O(nlogn)，最坏情况时间复杂度为O(n^2)，空间复杂度为O(logn)。
5. 归并排序归并排序是一种分治算法，其基本思想是将序列划分为两个子序列，分别对这两个子序列进行排序，然后将排序好的子序列合并成一个有序序列。
归并排序的时间复杂度为O(nlogn)，空间复杂度为O(n)。
6. 堆排序堆排序是一种基于堆的排序算法，其基本思想是将序列构造成一个大顶堆（或小顶堆），然后依次取出堆顶元素，并调整剩余元素，使新堆的堆顶元素仍为最大（或最小）。
堆排序的时间复杂度为O(nlogn)，空间复杂度为O(1)。
三、实践心得体会1. 理论与实践相结合在学习排序算法时，首先要掌握各种排序算法的基本思想和原理，然后通过编程实践来加深理解。
各种排序算法的总结和比较
各种排序算法的总结和比较1 快速排序（QuickSort ）快速排序是一个就地排序，分而治之，大规模递归的算法。
从本质上来说，它是归并排序的就地版本。
快速排序可以由下面四步组成。
（1 ）如果不多于1 个数据，直接返回。
（2 ）一般选择序列最左边的值作为支点数据。
（3 ）将序列分成2 部分，一部分都大于支点数据，另外一部分都小于支点数据。
（4 ）对两边利用递归排序数列。
快速排序比大部分排序算法都要快。
尽管我们可以在某些特殊的情况下写出比快速排序快的算法，但是就通常情况而言，没有比它更快的了。
快速排序是递归的，对于内存非常有限的机器来说，它不是一个好的选择。
2 归并排序（MergeSort ）归并排序先分解要排序的序列，从1 分成2 ，2 分成4 ，依次分解，当分解到只有1 个一组的时候，就可以排序这些分组，然后依次合并回原来的序列中，这样就可以排序所有数据。
合并排序比堆排序稍微快一点，但是需要比堆排序多一倍的内存空间，因为它需要一个额外的数组。
3 堆排序( HeapSort )堆排序适合于数据量非常大的场合(百万数据)。
堆排序不需要大量的递归或者多维的暂存数组。
这对于数据量非常巨大的序列是合适的。
比如超过数百万条记录，因为快速排序，归并排序都使用递归来设计算法，在数据量非常大的时候，可能会发生堆栈溢出错误。
堆排序会将所有的数据建成一个堆，最大的数据在堆顶，然后将堆顶数据和序列的最后一个数据交换。
接下来再次重建堆，交换数据，依次下去，就可以排序所有的数据。
4 Shell 排序( ShellSort )Shell 排序通过将数据分成不同的组，先对每一组进行排序，然后再对所有的元素进行一次插入排序，以减少数据交换和移动的次数。
平均效率是O(nlogn) 。
其中分组的合理性会对算法产生重要的影响。
现在多用D.E.Knuth 的分组方法。
Shell 排序比冒泡排序快5 倍，比插入排序大致快2 倍。
Shell 排序比起QuickSort ，MergeSort ，HeapSort 慢很多。
生产排序年度总结报告(3篇)
第1篇一、前言随着我国经济的快速发展，各行各业对生产效率的要求越来越高。
生产排序作为生产管理的重要组成部分，对于提高生产效率、降低生产成本、保证产品质量具有重要意义。
本报告将对2022年度生产排序工作进行总结，分析存在的问题，并提出改进措施。
二、2022年度生产排序工作回顾1. 生产计划制定2022年，我们根据市场需求和公司战略，科学制定了年度生产计划。
在计划制定过程中，充分考虑了产品结构、客户需求、原材料供应等因素，确保了生产计划的合理性和可行性。
2. 生产排程优化针对不同产品的生产特点，我们采用了多种排程方法，如顺序法、混合法、随机法等，优化了生产排程。
通过优化排程，提高了生产效率，缩短了交货周期。
3. 生产进度监控我们建立了生产进度监控体系，对生产过程中的关键节点进行实时监控，确保生产进度按计划进行。
同时，对生产过程中出现的问题进行及时调整，确保生产计划的顺利实施。
4. 生产资源整合为了提高生产效率，我们积极整合生产资源，优化生产线布局，提高设备利用率。
同时，加强人员培训，提高员工技能水平，为生产排序工作提供有力保障。
三、存在的问题1. 生产计划调整不及时在市场需求变化较大的情况下，生产计划调整不及时，导致生产进度受到影响。
2. 生产排程不够科学部分产品的生产排程不够科学，导致生产效率不高，影响交货周期。
3. 生产资源利用率有待提高部分生产资源利用率不高，如设备闲置、人员冗余等，导致生产成本增加。
四、改进措施1. 建立快速响应机制针对市场需求变化，建立快速响应机制，及时调整生产计划，确保生产进度。
2. 优化生产排程针对不同产品的生产特点，优化生产排程，提高生产效率，缩短交货周期。
3. 提高生产资源利用率加强生产资源管理，提高设备利用率，减少人员冗余，降低生产成本。
4. 加强人员培训加强对生产人员的培训，提高员工技能水平，为生产排序工作提供有力保障。
五、总结2022年度，我们在生产排序工作中取得了一定的成绩，但也存在一些问题。
各种排序方法总结
选择排序、快速排序、希尔排序、堆排序不是稳定的排序算法，冒泡排序、插入排序、归并排序和基数排序是稳定的排序算法。
冒泡法：这是最原始，也是众所周知的最慢的算法了。
他的名字的由来因为它的工作看来象是冒泡：复杂度为O(n*n)。
当数据为正序，将不会有交换。
复杂度为O(0)。
直接插入排序：O(n*n)选择排序：O(n*n)快速排序：平均时间复杂度log2(n)*n，所有内部排序方法中最高好的，大多数情况下总是最好的。
归并排序：l og2(n)*n堆排序：l og2(n)*n希尔排序：算法的复杂度为n的1.2次幂这里我没有给出行为的分析，因为这个很简单，我们直接来分析算法：首先我们考虑最理想的情况1.数组的大小是2的幂，这样分下去始终可以被2整除。
假设为2的k次方，即k=log2(n)。
2.每次我们选择的值刚好是中间值，这样，数组才可以被等分。
第一层递归，循环n次，第二层循环2*(n/2)......所以共有n+2(n/2)+4(n/4)+...+n*(n/n) = n+n+n+...+n=k*n=log2(n)*n所以算法复杂度为O(lo g2(n)*n) 其他的情况只会比这种情况差，最差的情况是每次选择到的midd le都是最小值或最大值，那么他将变成交换法（由于使用了递归，情况更糟）。
但是你认为这种情况发生的几率有多大？？呵呵，你完全不必担心这个问题。
实践证明，大多数的情况，快速排序总是最好的。
如果你担心这个问题，你可以使用堆排序，这是一种稳定的O(log2(n)*n)算法，但是通常情况下速度要慢于快速排序（因为要重组堆）。
各种内排序算法的实验心得
各种内排序算法的实验心得
1. 冒泡排序
冒泡排序是一种简单的排序算法，但它的时间复杂度为O(n^2)，在处理大量数据时效率很低。
在实验过程中，我发现当数据量较小时，冒泡排序的效率其实还是不错的，但一旦数据量增加，它的效率就明显下降了。
2. 插入排序
插入排序的时间复杂度也是O(n^2)，类似于冒泡排序。
但是插入排序比冒泡排序更快，因为它每次只需要比较一个元素。
在实验中，我发现当数据量比较小且有序时，插入排序的效率非常高，但如果数据量较大且随机分布，效率就会明显下降。
3. 选择排序
选择排序同样是时间复杂度为O(n^2)的算法，但是它比冒泡排序和插入排序都要快。
在实验中，我发现当数据量很大时，选择排序的效率比较稳定，但是当数据量比较小时，它的效率反而不如插入排序。
4. 快速排序
快速排序是一种常用的排序算法，它的时间复杂度为O(nlogn)，比冒泡、插入和选择排序都要快。
在实验中，我发现当数据量比较大时，快速排序的效率非常高，但是当数据量比较小时，它的效率反而不如插入排序和选择排序。
5. 归并排序
归并排序与快速排序的时间复杂度相同，都是O(nlogn)。
但是归并排序比快速排序更稳定，因为它的最坏时间复杂度是O(nlogn)。
在实验中，我发现当数据量比较大时，归并排序的效率非常高，而且在处理大量数据时表现优异。
6. 基数排序
基数排序是一种特殊的排序算法，它适用于数据量较大且每个元素长度相同的情况。
在实验中，我发现基数排序的效率非常高，尤其是对于大量数据的排序。
但需要注意的是，基数排序无法处理字符串等非数字类型的数据。
排序方法实践实验心得体会
排序方法实践实验心得体会排序算法是计算机科学中最基础也是最常用的算法之一，它的作用是将一组数据按照一定的顺序进行排列。
在我进行排序方法实践实验的过程中，我选择了几种常见的排序算法进行了比较和分析，并对每种算法的时间复杂度、空间复杂度以及稳定性进行了评估。
通过这次实验，我深刻理解了每种排序算法的原理和应用场景，并总结出了一些具体的心得和体会。
首先，我选择了冒泡排序算法。
它的原理是通过比较相邻的两个元素，将较大的元素逐渐交换到数组的末尾，从而实现整个数组的排序。
冒泡排序的时间复杂度是O(n^2)，空间复杂度是O(1)，算法的稳定性很好。
通过实验，我发现冒泡排序的性能在数据量很小时可以接受，但当数据量变大时，其效率明显不如其他排序算法。
其次，我实践了插入排序算法。
插入排序的原理是将数组分为两个区域，已排序区和未排序区，然后逐个将未排序区的元素插入到已排序区的合适位置。
插入排序的时间复杂度为O(n^2)，空间复杂度为O(1)，算法是稳定的。
在实验中，我发现插入排序在处理接近有序的数组时表现良好，但在处理逆序数组时效率较低。
接下来，我尝试了选择排序算法。
选择排序的原理是每次从未排序区中选择最小的元素，并与未排序区的第一个元素交换位置，从而逐渐将最小元素移到已排序区的末尾。
选择排序的时间复杂度为O(n^2)，空间复杂度为O(1)，算法是不稳定的。
通过实验，我发现选择排序的效率较低，因为它每次只能确定一个元素的位置。
最后，我实践了快速排序算法。
快速排序的原理是选择一个基准元素，然后将数组分为两个子数组，左边的元素都小于基准，右边的元素都大于基准，再递归地对子数组进行排序。
快速排序的时间复杂度为O(nlogn)，空间复杂度取决于递归深度，算法是不稳定的。
通过实验，我发现快速排序的效率非常高，尤其在处理大规模数据时表现出色。
通过这次排序方法实践实验，我深入了解了各种排序算法的原理和性能特点。
在实验中，我发现不同的排序算法适用于不同的数据情况，选择合适的排序算法可以提高排序的效率。
算法优势总结报告范文(3篇)
第1篇一、引言随着信息技术的飞速发展，算法已成为现代社会不可或缺的技术支撑。
从互联网搜索到自动驾驶，从金融风控到医疗诊断，算法的应用已经渗透到各行各业。
本报告旨在总结各类算法的优势，分析其在不同领域的应用价值，为我国算法技术的发展提供参考。
二、算法概述算法（Algorithm）是一系列解决问题的步骤，它通过一系列操作将输入转化为输出。
在计算机科学中，算法是程序设计的核心，是解决复杂问题的基石。
根据不同的分类标准，算法可以分为多种类型，如：排序算法、搜索算法、图算法、机器学习算法等。
三、算法优势总结1. 高效性算法的高效性体现在两个方面：时间复杂度和空间复杂度。
一个好的算法能够在有限的时间内完成大量的计算任务，降低计算成本。
例如，快速排序算法在平均情况下具有较高的时间复杂度，但实际运行速度却远超其他排序算法。
2. 可靠性算法的可靠性是指其在各种情况下都能稳定运行，不会出现错误。
为了提高算法的可靠性，研究人员通常会采用多种测试方法，如单元测试、集成测试、性能测试等。
3. 可扩展性算法的可扩展性是指其能够适应不同规模的数据。
一个好的算法不仅能够处理小规模数据，还能够应对大规模数据的挑战。
例如，分布式算法能够在多台计算机上并行处理数据，提高处理速度。
4. 泛化能力算法的泛化能力是指其能够适应不同类型的问题。
一个好的算法不仅能够解决特定领域的问题，还能够解决其他领域的问题。
例如，深度学习算法在图像识别、语音识别等领域取得了显著成果，其泛化能力得到了广泛认可。
5. 智能化随着人工智能技术的发展，算法逐渐向智能化方向发展。
智能化算法能够自主学习、适应环境，提高解决问题的能力。
例如，强化学习算法能够通过不断尝试和错误，找到最优策略。
四、算法在不同领域的应用1. 互联网搜索互联网搜索是算法应用最为广泛的领域之一。
搜索引擎通过关键词匹配、页面相关性计算等算法，为用户提供精准的搜索结果。
近年来，深度学习算法在图像识别、语音识别等领域取得了突破，进一步提升了搜索引擎的智能化水平。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
C 语言主流 的 排序算法效率分析及总结
作者：XXX 工作：算法搜集及程序组合，结论总结。
同组者：刘文 工作：程序测试，时间记录以及程序演示 这次我们组主要搜集了冒泡排序
算法，简单排序算法，直接插入排序算法，希尔排序算法，堆排序 算法，快
速排序算法六种常见的排序算法，并对它们的运行效率作了一个简单的测试与分析。
A 冒泡排序
算法思想简单描述：
在要排序的一组数中，对当前还未排好序的范围内的全部数，自上而下对相邻的两个数依次进行比较 和调整，让较大的数往下沉，较小的往上冒。
即：每当两相邻的数比较后发现它们的排序与排序要求相反 时，就将它们互换。
冒泡排序是稳定的。
算法时间复杂度：O(N2)
下面我们来测试一下不同数据量的排序时间：
这是200个乱序随机数：
冒泡排序运行时间为毫秒
这是1000个乱序随机数：
冒泡排序运行时间为毫秒
这是5000个乱序随机数：
冒泡排序运行时间为毫秒
这是20000个乱序随机数：
冒泡排序运行时间为毫秒
从不同数据量的纵向分析来看，
1，在冒泡排序算法里，随着数据量的增加，其运行时间也会越来越长。
2，在两百个数据的时候，其运行时间少到忽略不计，即运算瞬间完成。
这说明冒泡排序在处理小数 据量的时候
还是很给力的
3，当处理的数据量从5000提到20000的时候，冒泡排序的运行时间发生了质的增加。
从几十毫秒到
几千毫秒，运行时间大大增加，从这里可见，冒泡排序在处理稍微大的数据的时候便已经显现岀 了力不从心感，我个人感觉已不大适用。
B 简单选择排序
算法思想简单描述：
在要排序的一组数中，选岀最小的一个数与第一个位置的数交换；然后在剩下的数当中再找最小的与 第二个位置的数交换，如此循环到倒数第二个数和最后一个数比较为止。
选择排序是不稳定的。
时间复杂度：O(N2)
下面我们依然来测试一下简单选择排序在不同数据量的运行时间：
这是200个乱序随机数：
简单选择排序运行时间：毫秒
这是1000个乱序随机数：
简单选择排序运行时间：毫秒
这是5000个乱序随机数：
简单选择排序运行时间：毫秒
班级：计科二班
日期：2016-3-29
星期二
这是20000个乱序随机数：
简单选择排序运行时间：毫秒
从不同数据量的纵向分析来看，
1，其运行时间随着数据量的增加而增加
2，简单选择排序同冒泡排序一样，在处理像200个这样的小数据量的时候，其运行时间可以忽略不计，即瞬间完成
3，当数据量从5000提高到20000的时候，其运行时间也是提高了几十倍。
C直接插入排序
算法思想简单描述：
在要排序的一组数中，假设前面(n-1) [n>=2]个数已经是排好顺序的，现在要把第n个数插到前面的有序数中，使得这n个数也是排好顺序的。
如此反复循环，直到全部排好顺序。
直接插入排序是稳定的。
算法时间复杂度：O(N2)
下面我们来简单测试一下直接插入排序在不同数据量下的运行时间：
这是200个乱序随机数：
直接插入排序运行时间：毫秒
这是1000个乱序随机数：
直接插入排序运行时间：毫秒
这是5000个乱序随机数：
直接插入排序运行时间：毫秒这是20000个乱序随机数：直接插入排序运行时间：毫秒从不同数据量的纵向分析来看：直接插入排序在想200个这样的小数据量的时候执行非常快，效率高。
当数据量增加的20000的时候，运行时间会猛增几十倍，效率呈现下降趋势。
D希尔排序
算法思想简单描述：
在直接插入排序算法中，每次插入一个数，使有序序列只增加1个节点，并且对插入下一个数没有提供任
何帮助。
如果比较相隔较远距离(称为增量)的数，使得数移动时能跨过多个元素，则进行一次比较就可
能消除多个元素交换。
算法先将要排序的一组数按某个增量d分成若干组，每组中记录的下标相差 d.对每
组中全部元素进行排序，然后再用一个较小的增量对它进行，在每组中再进行排序。
当增量减到1时，整个要排序的数被分成一组，排序完成。
希尔排序是不稳定的。
希尔排序时间复杂度：O (平均)最好的O(N)最差的O(N2)
下面我们来简单测试一下希尔排序在不同数据量的运行时间情况：
这是200个乱序随机数：
b
希尔排序运行时间为：毫秒
这是1000个乱序随机数：
希尔排序的运行时间：毫秒这是5000个乱序随机数:
希尔排序的运行时间：毫秒
这是20000个乱序随机数：
希尔排序的运行时间：毫秒
从不同数据量的纵向分析来看：
从200个到20000量的随机数，希尔排序运行的时间都是非常快的，效率极高20000个数据的时候也仅仅只是5毫秒，这说明希尔排序在处理大数据的能力上非常优越。
E堆排序
算法思想简单描述：
堆排序是一种树形选择排序，是对直接选择排序的有效改进。
堆的定义如下：具有n个元素的序列(h1,h2,...,hn),当且仅当满足(hi>=h2i,hi>=2i+1 )或(hi<=h2i,hi<=2i+1) (i=1,2,...,n/2)时称之为堆。
在这里只讨论满足前者条件的堆。
由堆的定义可以看岀，堆顶元素(即第一个元
素)必为最大项。
完全二叉树可以很直观地表示堆的结构。
堆顶为根，其它为左子树、右子树。
初始时把要排序的数的序列看作是一棵顺序存储的二叉树，调整它们的存储顺序，使之成为一个堆，这时堆的根节点的数最大。
然后将根节点与堆的最后一个节点交换。
然后对前面(n-1)个数重新调整使之成为堆。
依此类推，直到只有两个节点的堆，并对它们作交换，最后得到有n个节点的有序序列。
从算法描述来看，堆排
序需要两个过程，一是建立堆，二是堆顶与堆的最后一个元素交换位置。
所以堆排序有两个函数组成。
一是建堆的渗透函数，二是反复调用渗透函数实现排序的函数。
堆排序是不稳定的。
算法时间复杂度：O(nlog2n)。
下面我们测试一下堆排序在不同数据量的运行效果：
这是200个乱序随机数：
堆排序运行时间：毫秒
这是1000个乱序随机数：
堆排序运行时间：毫秒
这是5000个乱序随机数：
堆排序运行时间：毫秒
这是20000个乱序随机数：
堆排序运行时间：毫秒
从不同数据量的纵向分析来看：
堆排序不禁在处理小数据的时候效率非常高，就算处理几万个数据，也几乎是瞬间完成。
从200到20000个数据的运行结果来看，堆排序在处理大数据的能力上还是很强的。
F快速排序
算法思想简单描述：
快速排序是对冒泡排序的一种本质改进。
它的基本思想是通过一趟扫描后，使得排序序列的长度能大幅度地减少。
在冒泡排序中，一次扫描只能确保最大数值的数移到正确位置，而待排序序列的长度可能只减少
1。
快速排序通过一趟扫描，就能确保某个数(以它为基准点吧)的左边各数都比它小，右边各数都比它大。
然后又用同样的方法处理它左右两边的数，直到基准点的左右只有一个元素为止。
显然快速排序可以用递归实现，当然也可以用栈化解递归实现。
快速排序是不稳定的。
最理想情况算法时间复杂度：O(nlog2n)，最坏O(n2)
下面我们测试一下快速排序在不同数据量的运行情况：
这是200个乱序随机数：
快速排序运行时间毫秒
这是1000个乱序随机数：
快速排序运行时间：毫秒
这是5000个乱序随机数：
快速排序运行时间毫秒
这是20000个乱序随机数：
快速排序运行时间毫秒
从不同数据量纵向分析来看：
随着数据量的增加，快速排序运行的时间也越来越长
在处理小数据量的时候，快速排序效率非常高
在处理大数据的时候，运行时间所花的也不是很长，是可以接受的，个人认为快速排序是一种比较平衡的算法。
横向分析这6种排序算法的效率：
在处理小数据量的时候，6中排序算法的效率都是非常可观的，都是可以接受的。
但根据算法具体来看，当数据本身信息量较大时，直接插入排序所需的记录移动操作较多，不宜采用。
简单选择排序会更好。
当数据量较大的时候，应采用时间复杂度O或O(nlog2n)，即希尔排序，堆排序，快速排序都是极好的
当记录本身信息量较大时，可以采用链表存储。