本文记述了 J.Bently 和 D.Mcllroy 的快速三向切分快速排序的基本思想和一份参考实现代码，并在说明了算法的性能后用随机数据进行了验证。
◆ 思想
对比快速排序、快速排序（二）和快速排序（三）可以发现，对于随机数据而言，E.W.Dijkstra 的三向切分快速排序的性能要慢于标准快速排序以及改进版本，“因为在数组中重复元素不多的普通情况下它比标准的二分法使用了很多次交换。 J.Bently 和 D.Mcllroy 找到一个聪明的方法解决了这个问题，使得三向切分快速排序比归并排序和其它排序方法在包括重复元素很多的实际应用中更快。...... J.Bently 和 D.Mcllroy 用将重复元素放置于子数组两端的方式实现一个信息量最优的排序算法。”（引《算法（第4版）》）
三向切分快速排序是将待排序范围排序为小于、等于和大于切分元素的三部分。如下所示，
*-----------------------------------------------------------------*
| < 切分元素 | = 切分元素 | > 切分元素 |
*-----------------------------------------------------------------*
J.Bently 和 D.Mcllroy 的解法思想是，维护两个指针 p 和 q ，使得从待排序范围开始位置（lo）到 p-1 、q+1 到待排序范围结束位置（hi）的所有元素都等于切分元素；维护另外两个指针 i 和 j ，使得从 p 到 i-1 的所有元素都小于切分元素，从 j+1 到 q 的所有元素都大于切分元素。从 i 到 j 的所有元素都还未确定与切分元素的大小关系。如下所示，
*----------------------------------------------------------------------------------*
| = 切分元素 | < 切分元素 | 未确定 | > 切分元素 | = 切分元素 |
*----------------------------------------------------------------------------------*^ ^ ^ ^ ^ ^lo p i j q hi
使用指针 i 从左到右、指针 j 从右到左遍历待排序范围，
- 如果 i 所指的元素大于切分元素，停止向右扫描；
- 如果 i 所指的元素等于切分元素，将其与 p 所指的元素交换，将 p 和 i 都加 1。
- 如果 i 所指的元素小于切分元素，将 i 加 1；
- 如果 j 所指的元素小于切分元素，停止向左扫描；
- 如果 j 所指的元素等于切分元素，将其与 q 所指的元素交换，将 q 和 j 都减 1。
- 如果 j 所指的元素大于切分元素，将 j 减 1；
这样就逐步缩小了未确定的范围，保证了遍历当前范围结束。然后将与切分元素相等的所有元素都放在中间，小于切分元素的放在当前范围左端，大于切分元素的放在当前范围右端。最后递归处理从待排序范围开始位置（lo）到 j 的所有元素，以及从 i 到待排序范围结束位置（hi）的所有元素。
◆ 实现
排序代码采用《算法（第4版）》的“排序算法类模板”实现。(代码中涉及的基础类，如 Array，请参考算法文章中涉及的若干基础类的主要API）
// quick4.hxx...class Quick4
{...template<class _T,class = typename std::enable_if<std::is_base_of<Comparable<_T>, _T>::value>::type>staticvoidsort(Array<_T> & a){Std_Random::shuffle(a);__sort__(a, 0, a.size()-1);}...template<class _T,class = typename std::enable_if<std::is_base_of<Comparable<_T>, _T>::value>::type>staticvoid__sort__(Array<_T> & a, int lo, int hi){if (hi <= lo) return;_T v = a[lo];int i = lo+1, j = hi, p = lo+1, q = hi; // #1while (true) {while (i <= j) {int cmp = a[i].compare_to(v); // #2if (cmp > 0) break;if (cmp == 0) __exch__(a, p++, i);++i;}while (i < j) {int cmp = a[j].compare_to(v); // #3if (cmp < 0) break;if (cmp == 0) __exch__(a, q--, j);--j;}if (i >= j) break; // #4__exch__(a, i++, j--);}j = i-1;for (int k = lo; k < p; ++k) __exch__(a, k, j--); // #5for (int k = hi; k > q; --k) __exch__(a, k, i++);__sort__(a, lo, j); // #6__sort__(a, i, hi);}...template<class _T,class = typename std::enable_if<std::is_base_of<Comparable<_T>, _T>::value>::type>staticbool__less__(_T const& v, _T const& w){return v.compare_to(w) < 0;}...template<class _T,class = typename std::enable_if<std::is_base_of<Comparable<_T>, _T>::value>::type>staticvoid__exch__(Array<_T> & a, int i, int j){_T t = a[i];a[i] = a[j];a[j] = t;}...
使用指针 i 从左到右、指针 j 从右到左遍历待排序范围（#1）。比较 i 所指的元素与切分元素的大小关系（#2），大于则停止扫描；等于则将其与 p 所指的元素交换，将 p 和 i 都加 1；小于则将 i 加 1。比较 j 所指的元素与切分元素的大小关系（#3），小于则停止向左扫描；等于则将其与 q 所指的元素交换，将 q 和 j 都减 1；大于则将 j 减 1。当扫描指针相遇后，当前待排序范围的排序过程结束（#4）。然后将与切分元素相等的所有元素都放在中间，小于切分元素的放在当前范围左端，大于切分元素的放在当前范围右端（#5）。最后递归处理从待排序范围开始位置（lo）到 j 的所有元素，以及从 i 到待排序范围结束位置（hi）的所有元素（#6）。
◆ 性能
| 时间复杂度 | 空间复杂度 | 是否稳定 |
|---|---|---|
| N*log(N) | log(N) | 否 |
◆ 验证
测试代码采用《算法（第4版）》的倍率实验方案，用随机数据验证其正确性并获取时间复杂度数据。
// test.cpp...time_trial(int N)
{Array<Double> a(N);for (int i = 0; i < N; ++i) a[i] = Std_Random::random(); // #1Stopwatch timer;Quick4::sort(a); // #2double time = timer.elapsed_time();assert(Quick4::is_sorted(a)); // #3return time;
}...test(char * argv[])
{int T = std::stoi(argv[1]); // #4double prev = time_trial(512);Std_Out::printf("%10s%10s%7s\n", "N", "Time", "Ratio");for (int i = 0, N = 1024; i < T; ++i, N += N) { // #5double time = time_trial(N);Std_Out::printf("%10d%10.3f%7.2f\n", N, time, time/prev); // #6prev = time;}
}...
用 [0,1) 之间的实数初始化待排序数组（#1），打开计时器后执行排序（#2），确保得到正确的排序结果（#3）。整个测试过程要执行 T 次排序（#4）。每次执行排序的数据规模都会翻倍（#5），并以上一次排序的时间为基础计算倍率（#6），
此测试在实验环境一中完成，
$ g++ -std=c++11 test.cpp std_out.cpp std_random.cpp stopwatch.cpp type_wrappers.cpp$ ./a.out 15N Time Ratio1024 0.006 2.002048 0.014 2.334096 0.029 2.078192 0.061 2.1016384 0.127 2.0832768 0.271 2.1365536 0.564 2.08131072 1.196 2.12262144 2.487 2.08524288 5.128 2.061048576 11.086 2.162097152 22.259 2.014194304 46.541 2.098388608 95.625 2.0516777216 200.314 2.09
可以看出，随着数据规模的成倍增长，排序所花费的时间将是上一次规模的 2.0? 倍，且在不断波动地变小。将数据反映到以 2 为底数的对数坐标系中，可以得到如下图像，
O(N*log(N)) 代表了线性对数级别复杂度下的理论排序时间，该行中的数据是以 Time 行的第一个数据为基数逐一乘 2 + 2/log(N) 后得到的结果（因为做的是倍率实验，所以乘 (2*N*log(2*N)) / (N*log(N))，化简得到 2 + 2/log(N)，即乘 2+2/log(1024)，2+2/log(2048)，2+2/log(4096)，... 2+2/log(16777216)；因为是二分递归，所以 log 的底数为 2）。
◆ 最后
完整的代码请参考 [gitee] cnblogs/18252468 。
写作过程中，笔者参考了《算法（第4版）》的快速排序、熵最优排序、练习题 2.3.22、“排序算法类模板”和倍率实验。致作者 Sedgwick，Wayne 及译者谢路云。
