{
  "id": "powersort",
  "title": "Powersort",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "Powersort 是一种自适应的稳定归并排序方法，根据有序段的位置，为已有序的子序列选择近乎最优的归并顺序。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/powersort/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/powersort/",
      "json": "https://aiwiki.page/en/powersort.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "Powersort 是一种自适应的归并排序方法，能够为有序子序列（称为有序段）选择高效的归并顺序。它由 J. Ian Munro 和 Sebastian Wild 于 2018 年提出，利用相邻有序段的位置和长度，以很低的调度开销构造近乎最优的归并树。它的主要贡献是一种归并策略，即决定何时归并哪些相邻有序段的规则。结合适当的有序段检测和稳定归并操作，它就构成了一种能够利用输入中已有顺序的稳定排序算法。"
    },
    {
      "heading": "有序段与归并顺序问题",
      "text": "自然归并排序首先识别输入中已有序的部分。例如，一个数组可能由几个长度相差悬殊的升序段组成。也可以检测降序段并将其反转，但必须妥善处理相等元素，以保持稳定性。\n\n找到有序段后，算法必须决定如何将它们归并。这一选择很重要，因为一个元素所在的有序段在接连参与归并时，该元素可能会被反复复制或比较。\n\n在标准的抽象成本模型中，归并长度为 \\(a\\) 和 \\(b\\) 的有序段，成本为 \\(a+b\\)。考虑三个连续的有序段，其长度分别为 \\(4\\)、\\(4\\) 和 \\(8\\)：\n\n- 先归并前两个有序段，再将结果与第三个有序段归并，成本为 \\(8+16=24\\)。\n- 先归并后两个有序段，再将结果与第一个有序段归并，成本为 \\(12+16=28\\)。\n\n这两种调度方案得到的排序结果相同，但第一种的归并总工作量更小。\n\n在通常对连续有序段进行稳定归并的框架中，只能归并相邻的有序段。因此，归并调度方案对应一棵保序二叉树：它的叶节点按原始的从左到右顺序表示各个原始有序段。如果有序段 \\(i\\) 的长度为 \\(r_i\\)，所在深度为 \\(d_i\\)，则归并总成本为\n\n\\[C=\\sum_{i=1}^{k} r_i d_i.\\]\n\n因此，调度问题就是构造一棵成本较低的有序二叉树，使权重较大的叶节点倾向于处在较浅的深度。\n\n这与霍夫曼编码相似，但普通霍夫曼编码并不保持指定的叶节点顺序。因此，不考虑位置、直接归并最短的两个有序段，并不能作为有效的替代方法。"
    },
    {
      "heading": "节点幂",
      "text": "Powersort 为相邻有序段之间的每个边界赋予一个较小的整数，称为节点幂。在概念上对整个输入区间进行均衡细分时，这个整数表示两个有序段在哪一层被分开。\n\n设输入长度为 \\(n\\)，两个相邻有序段占据的半开区间为\n\n\\[[a,b), \\qquad [b,c).\\]\n\n它们的归一化中点为\n\n\\[x=\\frac{a+b}{2n}, \\qquad y=\\frac{b+c}{2n}.\\]\n\n它们之间边界的幂是满足下式的最小非负整数 \\(p\\)：\n\n\\[\\left\\lfloor 2^p x\\right\\rfloor \\ne \\left\\lfloor 2^p y\\right\\rfloor.\\]\n\n由于两个中点都位于 \\([0,1)\\) 内，首次分离发生在 \\(p\\geq 1\\) 时。\n\n从几何上看，将区间 \\([0,1)\\) 反复二等分。节点幂就是两个中点首次落入不同小区间时的细分层数：\n\n- 较小的幂表示输入中较高层级的划分。\n- 较大的幂表示更局部的划分，通常应当更早处理。\n\n等价地，节点幂标识了两个中点的二进制展开中首次出现差异的位置；上述基于向下取整的定义可以精确处理落在细分边界上的情况。\n\n节点幂根据原始的相邻有序段计算，而不是在归并后根据当时形成的更大有序段反复重新计算。实现时可以使用整数运算和位运算，无须以浮点数计算中点。"
    },
    {
      "heading": "基于栈的调度",
      "text": "Powersort 从左到右处理有序段，同时用一个栈维护待处理的有序段及其边界幂。\n\n从概念上说，其调度过程如下：\n\n- 识别下一个有序段。\n- 计算它与前一个原始有序段之间的边界幂。\n- 归并那些边界幂大于新边界幂的待处理组。\n- 保留新边界，继续扫描。\n- 处理完最后一个有序段后，归并剩余的待处理组。\n\n新遇到的低幂边界意味着一个较高层级的划分。因此，在保留这一边界以供后续处理之前，必须先完成它左侧更局部的归并。\n\n由此得到的调度方案对应一棵以边界幂为依据的笛卡尔树，其中较小的幂更靠近根节点。这就把简单的栈操作过程与预期的层次化归并树联系起来。\n\n对于长度分别为 \\(4\\)、\\(4\\) 和 \\(8\\) 的有序段，其归一化中点分别为 \\(1/8\\)、\\(3/8\\) 和 \\(3/4\\)。两个边界的幂分别为 \\(2\\) 和 \\(1\\)。遇到第二个幂更小的边界时，算法会先归并前两个有序段，再将合并后的有序段与最后一个有序段归并。\n\n栈中的幂保持递增这一不变量，使待处理条目数的上界为 \\(O(\\log n)\\)。除计算节点幂的成本外，调度所需的工作量与有序段数量呈线性关系。"
    },
    {
      "heading": "自适应性与复杂度",
      "text": "Powersort 不仅适应输入的总规模，也适应有序段长度的分布。\n\n对于长度分别为 \\(r_1,\\ldots,r_k\\) 的 \\(k\\) 个有序段，定义\n\n\\[p_i=\\frac{r_i}{n}, \\qquad H=\\sum_{i=1}^{k}p_i\\log_2\\frac{1}{p_i}.\\]\n\n这里，\\(H\\) 是有序段长度分布的信息熵。它衡量输入分散在各个有序段中的程度：各段长度相等时，\\(H=\\log_2 k\\)；而当一个有序段占据绝大部分输入、其余几个段都很短时，熵可能低得多。\n\n在二路归并成本模型中，\\(nH\\) 是任何归并树的加权路径长度的下界，即使不要求保持叶节点顺序也不例外。Powersort 的归并成本满足\n\n\\[C\\leq nH+2n.\\]\n\n因此，它的归并成本与最优保序归并成本之差不超过一个线性项。“近乎最优”指的就是这一保证，并不意味着 Powersort 总能选出成本严格最小的树。\n\n如果有序段检测采用线性时间算法，归并采用普通的线性时间算法，则其时间复杂度为\n\n\\[O\\bigl(n(1+H)\\bigr),\\]\n\n这意味着当 \\(k\\geq 2\\) 时，复杂度为 \\(O(n\\log k)\\)，而最坏情况下仍具有通常的 \\(O(n\\log n)\\) 上界。对于已经有序的输入，可以在线性时间内完成识别，无须执行归并。\n\n调度栈需要 \\(O(\\log n)\\) 的辅助空间。这与归并操作本身所需的内存是分开的：传统的基于数组的稳定实现，总体上可能需要 \\(O(n)\\) 的临时存储空间。调度栈很小，并不意味着整个排序算法是原地算法。"
    },
    {
      "heading": "与蒂姆排序的关系",
      "text": "Powersort 与蒂姆排序采用了相同的实用思路：\n\n- 检测已有的有序段。\n- 在有益时扩展过短的有序段，通常使用插入排序。\n- 以稳定方式归并相邻有序段。\n- 使用高效的归并例程，其中可能包括疾驰搜索。\n\n两者的核心区别在于归并策略。经典蒂姆排序根据涉及待处理有序段长度的不等式来决定何时归并。Powersort 则使用由有序段位置和长度推导出的边界幂。\n\n由于这种职责分离，可以用 Powersort 的调度方式替换蒂姆排序的归并顺序规则，而无须替换外围的有序段检测、比较处理、临时缓冲区管理或归并机制。\n\n在 CPython 3.11 中，Python编程语言的 list.sort() 和 sorted() 底层实现采用了 Powersort 的归并策略。这一变化针对的是内部调度策略，并未改变公开的排序接口或稳定性保证。因此，将 Python 的排序实现称为蒂姆排序时，也可能是在指一种更广义的实现，其归并调度使用的是 Powersort。"
    },
    {
      "heading": "适用范围与局限",
      "text": "Powersort 的数学保证针对的是一种特定成本模型。实际运行时间还取决于元素比较成本、数据移动、分支行为、CPU 缓存效应以及归并实现的细节。\n\n例如，归并长度为 \\(a\\) 和 \\(b\\) 的有序段，并不一定恰好进行 \\(a+b\\) 次比较。普通归并最多进行 \\(a+b-1\\) 次比较，而疾驰搜索或其他捷径在适宜的数据上可以大幅减少比较次数。因此，最小化抽象归并成本，并不一定能在每种输入上都使比较次数或运行时间最少。\n\n这一保证也只适用于提供给归并策略的那些有序段。扩展短有序段会改变有序段序列，因此在分析完整排序实现时，必须计入扩展操作的成本。\n\n最后，Powersort 是最优保序归并的一种近似方法，而不是精确优化算法。精确方法可以构造成本最低的有序归并树，但需要更复杂的调度机制。Powersort 放弃了精确最优性，换取了一套简洁、从左到右运行且开销较低的过程，同时保证额外归并成本具有线性上界。"
    }
  ],
  "links": [
    "merge-sort",
    "stable-sorting",
    "sorting-algorithm",
    "array-data-structure",
    "binary-tree",
    "huffman-coding",
    "stack-data-type",
    "information-entropy",
    "time-complexity",
    "timsort",
    "insertion-sort",
    "python-programming-language",
    "cpu-cache"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}