Tim 排序

本页面将介绍 Tim 排序（Timsort），一种混合的、稳定的排序算法．

引入

Timsort 由 Python 核心开发者 Tim Peters 于 2002 年设计，并应用于 Python 语言，其巧妙结合了插入排序和归并排序的优点，针对数据集中的有序性进行了精确的优化，尤其适合处理包含大量部分有序子序列的数据集．CPython 从 2.3 版本开始使用 Timsort，之后从 3.11 版本开始将其归并顺序策略替换为 Powersort¹．Timsort 也被广泛应用于其他编程环境，例如在 Java SE 7 中被用于对非原始对象数组进行排序．

本页介绍传统 Timsort，并以 CPython 3.6.5 中已修复栈不变量维护问题的归并规则为准²．

步骤

Timsort 的核心思想是通过识别和利用数据集中已有的有序性，提高排序效率，其主要包括以下步骤：

识别 Run：扫描待排序数组，识别出有序的连续子序列（Run）；
扩展 Run：如果识别的 Run 长度小于 MIN_RUN，则使用插入排序对其进行扩展；
归并 Run：Timsort 维护一个特殊的栈，采用特定的归并策略将栈中已有的 Run 合并成更大的有序序列．

识别 Run

首先，Timsort 会从左向右扫描数组，识别出连续的有序序列，这些有序序列被称为 Run：

升序 Run：如果后一个元素大于等于前一个元素，则继续扩展 Run．
降序 Run：如果后一个元素小于前一个元素，则继续扩展 Run，随后将该 Run 反转为升序．

扩展 Run

为了提高小规模数据的排序效率，Timsort 引入了一个 Run 最小的长度 MIN_RUN．其值一般根据待排序数组的长度动态计算，通常为 $32$ 至 $64$ 之间．

如果识别的 Run 长度大于等于 MIN_RUN，则不需要额外操作，直接将 Run 压入栈中．
如果识别的 Run 长度小于 MIN_RUN，则使用二分插入排序将该 Run 的后续元素插入到 Run 中，直到 Run 的长度达到 MIN_RUN，然后将其压入栈中．

归并 Run

在 Timsort 中，归并排序是通过栈来管理和控制的．栈中保存了已经识别出的有序的 Run，并通过特定的归并规则控制栈中 Run 的合并，其目的是在合并时保持序列的平衡性和稳定性．

归并规则

Timsort 是一种稳定的排序算法，即相同元素在排序后仍然保持原有的相对顺序．为确保这一点，Timsort 在归并时只会合并相邻的、连续的 Run，而不会直接合并非相邻的 Run．因为非相邻的 Run 之间可能存在相同的元素，直接合并很有可能会打乱它们的相对顺序．

同时，为了控制合并的平衡性和待合并 Run 的数量，Timsort 要求栈中每组相邻的三个 Run 都满足以下不变量．记三个 Run 从栈顶向栈底的方向依次为 X、Y 和 Z：

条件一：len(Z) > len(Y) + len(X)
条件二：len(Y) > len(X)

栈中只有两个 Run 时也要求 len(Y) > len(X)．每次压入新 Run 后，mergeCollapse 会检查栈顶至多四个 Run，记它们从栈顶向下依次为 X、Y、Z、W，并按以下顺序决定是否合并²：

若 len(Z) <= len(Y) + len(X) 或 len(W) <= len(Z) + len(Y)，则将 Y 与 X、Z 中较短的一个合并；X 与 Z 等长时选择 X；
否则，若 len(Y) <= len(X)，则合并 Y 与 X；
否则，停止本轮合并，继续识别下一个 Run．

只检查所需 Run 均存在的条件；每次合并后重新确定 X、Y、Z、W 并重复上述过程．下图示意合并 X 与 Y 时栈的变化．

Merge Rules

为什么需要检查第四个 Run？

仅检查栈顶三个 Run，可能在合并后遗漏栈中更深处的不变量失效．例如，依次压入长度为 $240, 160, 50, 40, 60$ 的 Run（从栈底到栈顶），旧规则会合并 $50$ 和 $40$ ，得到 $240, 160, 90, 60$ ．此时栈顶满足 $160 > 90 + 60$ 和 $90 > 60$ ，但更深处有 $240 \leq 160 + 90$ ．

这一缺陷会使根据全栈不变量推导的固定栈容量保证失效．CPython 在 2015 年修复了检查条件⁴．

归并优化

为了在归并不同长度的 Run 时提高效率并减少空间开销，Timsort 在归并前会通过二分查找精确定位需要处理的元素范围，只对需要移动的部分进行归并，具体方式为：

确定插入点：使用二分查找，找到第二个 Run 的第一个元素在第一个 Run 中的插入位置，以及第一个 Run 的最后一个元素在第二个 Run 中的插入位置．这样，可以缩小需要归并的范围，只对需要移动的元素进行处理；
临时缓冲区：传统的原地合并算法效率太低，需要大量的元素移动．为了减少这种开销，Timsort 使用一个临时缓冲区，将长度较小的 Run 复制到缓冲区中，然后逐步将元素从缓冲区复制回原数组．

例如，假设存在两个 Run A 和 B，分别为：

Run A: $[1, 2, 3, 6, 10]$
Run B: $[4, 5, 7, 9, 12, 14, 17]$

通过二分查找，可以确定：

元素 $4$ 应插入到 Run A 的第四个位置．
元素 $10$ 应插入到 Run B 的第五个位置．

因此，Run A 的前 $3$ 个元素和 Run B 的后 $3$ 个元素已经在正确位置，无需处理．只需归并 Run A 的 $[6, 10]$ 和 Run B 的 $[4, 5, 7, 9]$ ，其归并过程如下图所示：

Timsort Merge

加速模式

为进一步提升归并效率，Timsort 引入了 加速模式（Galloping Mode）．在标准的归并过程中，算法会逐一比较两个 Run 中的元素，将较小的元素放入结果数组．然而，如果一侧的 Run 中有大量连续元素比另一侧的当前元素要小，逐一比较会造成不必要的开销．

为了解决这一问题，Timsort 设定了一个阈值 Min_Gallop（默认值为 $7$ ）．当一侧 Run 中的元素连续比较胜利的次数达到 Min_Gallop 时，算法会进入加速模式，快速定位元素位置，其具体步骤如下：

指数查找：从当前位置开始，算法以指数增长的步长 $(1, 2, 4, 8, \dots)$ 在一侧的 Run 中查找，直到找到一个区间，使得目标元素位于该区间内；
二分查找：一旦确定了包含目标元素的区间，算法会在该区间内使用二分查找，精确定位目标元素的位置．

通过这种方式，Timsort 可以跳过大量不必要的比较，快速处理一侧 Run 中连续的、较小（或较大）的元素，将它们批量移动到合并结果中．

然而，加速模式并非在所有情况下都更高效．在某些数据分布下，加速模式可能导致更多的比较次数．为此，Timsort 采用了动态调整策略：

阈值调整：维护一个可变的 Min_Gallop 参数．当加速模式表现良好（即连续多次从同一 Run 中选取元素）时，Min_Gallop 减 $1$ ，鼓励继续使用加速模式；当加速模式效果不佳（频繁在两个 Run 之间切换）时，Min_Gallop 加 $1$ ，降低加速模式的使用频率．

通过动态调整 Min_Gallop 的值，算法能够根据实际数据情况，在普通归并模式和加速模式之间取得平衡．对于部分有序或高度有序的数据，加速模式可以显著提高效率，使 Timsort 的性能接近 $O (n)$ ；而对于随机数据，算法会逐渐倾向于使用普通归并，从而保证 $O (n \log n)$ 的时间复杂度．

复杂度

Timsort 的时间复杂度取决于数据的有序性：

最优情况： $O (n)$
- 当数据已经有序或近似有序时，算法识别出的 Run 长度接近 $n$ ，归并次数减少，复杂度趋近于 $O (n)$ ．
最坏情况： $O (n \log n)$ $O(n \log n)$
- 若有 $r$ 个 Run，最终需要 $r - 1$ 次二路合并；不能把合并次数写成 $O (\log n)$ ．

识别 Run 花费 $O (n)$ ，以有界的 MIN_RUN 扩展短 Run 也共需 $O (n)$ ．归并成本则是每次合并的两个 Run 长度之和，等价于对每个元素参与合并的次数求和．这个总和的上界依赖具体合并规则，对文献³所分析的 Python 3.6.5 TimSort 合并规则而言，均摊分析给出 $O (n + n \log r)$ ，从而最坏为 $O (n \log n)$ ．

而对于空间复杂度，由于 Timsort 大致需要额外的 $O (n)$ 空间用于存储栈和临时缓冲区，因此总的空间复杂度为 $O (n)$ ．

实现

伪代码实现

\begin{array}{ll} 1 & nRemaining \leftarrow 数组长度 \\ 2 & minRun \leftarrow 选择合适的 MinRun 的值 (nRemaining) \\ 3 & startIndex \leftarrow 0 \\ 4 & while nRemaining > 0 do \\ 5 & runLength \leftarrow 识别 Run (array, startIndex, nRemaining) \\ 6 & if runLength < minRun then \\ 7 & extendLength \leftarrow min (minRun, nRemaining) \\ 8 & 使用插入排序扩展区间 [startIndex, startIndex + extendLength - 1] \\ 9 & runLength \leftarrow extendLength \\ 10 & end if \\ 11 & 将 Run (startIndex, runLength) 压入栈中 \\ 12 & 调用 mergeCollapse(栈) 检查并合并栈中的 Run \\ 13 & startIndex \leftarrow startIndex + runLength 更新起始位置 \\ 14 & nRemaining \leftarrow nRemaining - runLength 更新剩余长度 \\ 15 & end while \\ 16 & 调用 mergeForceCollapse(栈) 对栈中所有 Run 进行最终的合并 \end{array}

参考资料与注释

本页面最近更新：2026/9/28 01:09:54，更新历史
发现错误？想一起完善？在 GitHub 上编辑此页！
本页面贡献者：Tiphereth-A, c-forrest, Great-designer, HeRaNO, shuzhouliu, yyyu-star
本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用