1、比较相邻的元素，若前者大于后者则二者交换
2、针对所有元素重复以上步骤
1、将n个元素的数列分为已有序和无序两个部分
2、每次处理就是将无序数列的第一个元素与有序数列的元素从后往前逐个进行比较，找出插入位置并进行插入。
for (int i = 1; i < ints.length; i++) {
int temp = ints[i];
int j = i - 1;
while (j > -1 && temp < ints[j]) {
ints[j + 1] = ints[j];
j--;
}
ints[j + 1] = temp;
}
优点：稳定 缺点：比较次数不一定，比较次数越少，插入点后的数据移动越多，特别是当数据总量庞大的时候，
1、构建大或者小根堆
2、将堆顶结点与最后一个最后一个结点进行比较
for (int i = root * 2 + 1; i < length; i++) {
//若左子结点 root*2+1 小于右子节点 root*2+2 则值交换
swap(ints, i, i + 1);
// 父节点与左子节点比较 并进行直接换
swap(ints, root, i);
}
for (int i = 0; i < ints.length / 2; i++) heapAdjust(ints, i, ints.length - 1);
for (int i = ints.length - 1; i > 0; --i) {
//将堆顶结点与最后一个最后一个结点进行比较
swap(ints, i, 0);
//调整后可能违反堆的性质，需要对堆进行调整
heapAdjust(ints, 0, i - 1);
}
优点：稳定 堆排序的效率与快排、归并相同，都达到了基于比较的排序算法效率的峰值（时间复杂度为O(nlogn)）
缺点：对于待排序序列的每次更新（增，删，改），我们都要重新做一遍堆的维护，以保证其特性，
归并排序（Merge）是将两个（或两个以上）有序表合并成一个新的有序表，即把待排序序列分为若干个子序列，每个子序列是有序的。然后再把有序子序列合并为整体有序序列。
归并排序是建立在归并操作上的一种有效的排序算法。该算法是采用分治法（Divide and Conquer）的一个非常典型的应用
1、申请空间，使其大小为两个已经排序序列之和，该空间用来存放合并后的序列
2、设定两个指针，最初位置分别为两个已经排序序列的起始位置
3、比较两个指针所指向的元素，选择相对小的元素放入到合并空间，并移动指针到下一位置
4、重复步骤3直到某一指针达到序列尾
5、将另一序列剩下的所有元素直接复制到合并序列尾
优点：稳定，效率高
缺点：归并排序需要O(n)的辅助空间，而与之效率相同的快排和堆排分别需要O(logn)和O(1)的辅助空间，在同类算法中归并排序的空间复杂度略高
快速排序（Quicksort）是对冒泡排序的一种改进。采用分治策略
快速排序使用分治的思想，通过一趟排序将待排序列分割成两部分，其中一部分记录的关键字均比另一部分记录的关键字小。
之后分别对这两部分记录继续进行排序，以达到整个序列有序的目的。
(1)选择基准：在待排序列中，按照某种方式挑出一个元素，作为 "基准"（pivot）
(2)分割操作：以该基准在序列中的实际位置，把序列分成两个子序列。此时，在基准左边的元素都比该基准小，在基准右边的元素都比基准大
(3)递归地对两个序列进行快速排序，直到序列为空或者只有一个元素。
//获取基准数
fun partition(ints: IntArray, low: Int, high: Int): Int {
var low = low
var high = high
val key = ints[low]
while (low < high) {
while (ints[high] >= key && high > low) {//从后半部分向前扫描
high--
}
ints[low] = ints[high]
while (ints[low] <= key && high > low) { //从前半部分向后扫描
low++
}
ints[high] = ints[low]
}
ints[high] = key
return high
}
fun sort(ints: IntArray, low: Int, high: Int) {
if (low >= high) {
return
}
val index = partition(ints, low, high)
sort(ints, low, index - 1)
sort(ints, index + 1, high)
}
在一个长度为N的无序数组中，在第一趟遍历N个数据，找出其中最小的数值与第一个元素交换，第二趟遍历剩下的N-1个数据，
找出其中最小的数值与第二个元素交换......第N-1趟遍历剩下的2个数据，找出其中最小的数值与第N-1个元素交换，至此选择排序完成。
fun selectSort(ints: IntArray) {
for (i in ints.indices) {
var index = i
(i..ints.size - 1)
.asSequence()
.filter { ints[index] > ints[it] }
.forEach { index = it }
val temp = ints[i]
ints[i] = ints[index]
ints[index] = temp
}
}
稳定性：不稳定 （比如序列[5， 5， 3]第一趟就将第一个[5]与[3]交换，导致第一个5挪动到第二个5后面）
希尔排序(Shell Sort)是插入排序的一种。也称缩小增量排序，是直接插入排序算法的一种更高效的改进版本。希尔排序是非稳定排序算法。
动态规划算法是通过拆分问题，定义问题状态和状态之间的关系，使得问题能够以递推（或者说分治）的方式去解决。
适用问题：最优化、无后效性、有重叠子问题，特点：解决多数重叠子问题 核心思想：把问题拆分为若干个子问题
动态规划算法的基本思想与分治法类似，也是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，
为后一子问题的求解提供了有用的信息。在求解任一子问题时，列出各种可能的局部解，
通过决策保留那些有可能达到最优的局部解，丢弃其他局部解。依次解决各子问题，最后一个子问题就是初始问题的解。
（1）最优化原理：如果问题的最优解所包含的子问题的解也是最优的，就称该问题具有最优子结构，即满足最优化原理。
（2）无后效性：即某阶段状态一旦确定，就不受这个状态以后决策的影响。也就是说，某状态以后的过程不会影响以前的状态，只与当前状态有关。
（3）有重叠子问题：即子问题之间是不独立的，一个子问题在下一阶段决策中可能被多次使用到。（该性质并不是动态规划适用的必要条件，但是如果没有这条性质，动态规划算法同其他算法相比就不具备优势）
（1）分析最优解的性质，并刻画其结构特征。
（2）递归的定义最优解。
（3）以自底向上或自顶向下的记忆化方式（备忘录法）计算出最优值
（4）根据计算最优值时得到的信息，构造问题的最优解
使用动态规划求解问题，最重要的就是确定动态规划三要素：
（1）问题的阶段
（2）每个阶段的状态
（3）从前一个阶段转化到后一个阶段之间的递推关系。
最长飞降子序列长度 ：LIS
最长公共子序列：LCS
最大字段和问题：http://blog.csdn.net/liufeng_king/article/details/8632430