2.还有一个概念是稳定排序 ，指的是相同的值在经过排序之后的顺序还是不变。如1,2,1,2,1,3在排序之前3个1的顺序是就如其字体的颜色（这个颜色只是为了便于查看哈），在经过稳定排序之后，其为1,1,1,2,2,3;而不稳定排序则可能是1,1,1,2,2,3 相同数值的元素的顺序就被打乱了。在给定一输入顺序时，稳定排序是具有可预测性的，而不稳定排序则无法准确的预测。这个特性在某些场合还是十分有必要的，比如在处理优先队列时。举例说下吧，在处理成绩表时，先按语文的高低排序，再按数学的成绩排序，若是稳定排序，则数学成绩相等的同学，排在前面的语文成绩一定比后面的同学好;相反，若是不稳定排序则不具备这种特性。
二.堆排序，中值排序，快速排序，归并排序，希尔排序
三.计数排序，基数排序，桶排序
第一类是基于两两比较
的，这类算法用在小规模的数据且初始数据近乎已排好序，在这种情况下，其性能优势很明显，不会比快速排序等“高阶”算法差多少：
1.冒泡排序:
原地+稳定
这个算法的思想很简单，也很容易实现。操作步骤就是两两比较使得较小元素往上浮动。
2.插入排序:
原地+稳定
其思想是从头部到尾，逐渐的确定每一个元素的位置，再执行数据移动。
3.选择排序:
原地+不稳定
其思想是从头部到尾，逐渐的确定每一个位置的元素，在执行交换。我个人比较喜欢选择排序一点，虽然插入排序的时间复杂度在最佳情况下是线性的，但其数据移动的规模太大了。在对操作系统及编译器优化的进一步深入了解之前，我还是觉得大规模移动数据的开销要更厉害一些。
PS:选择排序和插入排序是一个相反的过程，插入排序是确定一个元素的位置，而选择排序是确定这个位置的元素。只是插入排序的时间复杂度在最好情况下为O(n)而选择排序为O(n*n)，当然空间复杂度则可就反过来了，具体那个好一些得看具体的体系结构吧。
第二类则是虽然也是基于两两比较，但统一的采用了分治的思想
，所以在时间复杂度上就不再限于O(n*n)了。
1.堆排序:
原地+不稳定
比较适用于基于数组的排序，其策略是先建立一个最大二叉堆，然后将数组头部的元素与堆尾互换，使最大的元素处在最后，然后更新维护使之继续保持为最大二叉堆。如此循环，最终就可以获得一个有序序列
2.快速排序:
原地+不稳定
最为著名的算法当属快速排序了，容易实现性能高效
3.中值排序:
原地+不稳定
中值排序的方法是先遍历数组以获取中值(这个中值是严格的中间值,如一个序列23,18,17,14,82,56,31.序列中31为中值，那么会将31置换到序列正中间），然后十分平均的二分再递归，至于怎么个搜索到中值则会有不同的算法。这个算法一般书上讲得相对来说较少，而且也用得少，因为其跟快速排序的思想几乎一样，但因为其严格寻找出中值，所以能够较好的处理最差情况，当然优化的快速排序也不会差到哪去。
4.归并排序:
非原地+稳定
归并排序也算是小有名气吧，其思想就是分治，将源数据一分为二分别进行排序然后再在线性时间内完成合并。由于要申请额外的空间，所以其应用并不如快速排序那样广泛，但还是应该好好掌握其精髓。
5.希尔排序:
原地+非稳定
其具体的操作步骤按步长将数组分为几个小数组，然后采用起他的排序算法将各小数组进行排序即可。希尔排序省去了相邻两元素之间的直接比较，所以速度上的优势是极为明显的。
第三类则不是基于两两比较了，这三个算法的策略基本相同，都是采用额外的数据结构来辅助进行排序
。由于三者中比较著名的是桶排序，加上三者的思想的确比较类似，所以容易混淆，一度以为基数排序就是桶排序的一种应用。不过只要算法的思想精髓掌握了，名字什么的都只是浮云。
1.计数排序:
非原地+稳定
计数排序先遍历源数据以获取最大和最小的数据，然后确定创建一个多大的数组(如一堆含有1000个整数的数据，分布在[10,50]中，那么可以创建一个具有41个元素数组);再遍历一遍源数据，统计出源数据中不同的元素出现的次数;最后根据这个数组即可快速的进行排序。使用这个算法的前提条件是输入数据具有一确定的较小范围，若范围过大则在空间上会造成过大的损失。
2.基数排序:
非原地+稳定
基数排序常用在对数字数据的排序，根据不同数位的值来进行多次排序，跟桶排序有异曲同工之妙。不过得注意的是权值低的位先排，权值高的则后排。
3.桶排序:
非原地+稳定
桶排序的思想乃至操作步骤几乎与桶排序完全相同，只是应用的场景略有不同。桶排序可以通过使用hash函数来完成桶的选择，如果将数字的位值也当作hash的话，则的确有点可以将计数排序理解成桶排序。
具体的算法简略描述已经完了，其实简略的描述也不是很好的能够能够描述算法的思想，我这里只是做了一个简单的概括，能够从全貌的直接了解算法采取的策略。就如标题所言，这篇文章只是对11中常用的排序算法进行一个十分简略的表述，所以需要进行深入研究的可能会在这里无法获得较大收益....这里有两篇文章，用Java实现了常见的几种算法，注释相当详细，可做参考吧，我自己的代码就不出来献丑了。
常用排序算法分析与实现（一）（Java版）
常用排序算法分析与实现（二）（Java版）
| 算法名称 | 原地排序 | 稳定排序 | 时间复杂度(最佳/最差/平均) | 适用的情景 |
|---|---|---|---|---|
| 冒泡排序 | yes | yes | O(n*n)/O(n*n)/O(n*n) | 仅对于少量数据的排序才会适用，但相对来说并没有什么很大的优势 |
| 插入排序 | yes | yes | O(n)/O(n*n)/O(n*n) | 在处理小数据尤其是数据基本上已排好序的前提下，则插入排序当属首选了。不过仍然逃不过只能适用于小量数据的排序，数量一般不超过1000 |
| 选择排序 | yes | no | O(n*n)/O(n*n)/O(n*n) | 交换的次数比冒泡排序来说要少一点，而且也较好实现，不过仍然仅限于少量数据的处理 |
| 堆排序 | yes | no | O(nlogn)/O(nlogn)/Θ(nlogn) | 堆排序不是一个稳定的排序，而且非常频繁的移动数据，建议不要使用在基于值的数据，但可以用于指针类型排序。 |
| 中值排序 | yes | no | Θ(nlogn)/Θ(n2)/Θ(nlogn) | 和快速排序基本相同，但快速排序应用得更广泛一点。 |
| 快速排序 | yes | no | Θ(nlogn)/Θ(n2)/Θ(nlogn) | 应用相当的广泛，必须熟练掌握的算法之一。但因为不是一个稳定排序，所以在要求具有稳定性的情况下是不能够适用的。 |
| 归并排序 | no | yes | Θ(n)/Θ(nlogn)/Θ(nlogn) | 在时间复杂度上相对快速排序来说并没有什么太大优势，空间复杂度却有较高，所以在快速排序面前基本上没有什么太大优势，但也是最好熟练掌握的一种算法 |
| 希尔排序 | yes | no | O(n)/O(n)/根据步长来具体确定 | 比较偏门的算法吧，应用之处倒也没有什么特别要求，全凭环境而定吧 |
| 计数排序 | no | yes | O(n)/O(n)/O(n) | 在数据范围很小时，这个就基本上是最实用高效的算法了吧 |
| 基数排序 | no | yes | O(n)/O(n)/O(n) | 和桶排序的思想类似，但基本上是单一的应用在数值排序上 |
| 桶排序 | no | yes | O(n)/O(n)/O(n) | 当数据能够以一个快速hash函数均匀的分配时，桶排序就是最快的排序算法了 |