STL(Standard Template Library)的算法据说是经过精心优化的。那么在它的排序算法方面做了哪些优化呢？
自从快速排序算法出世以后，从平均性能上来说，除了在数据量极少(<=20)的的情况下其性能不如插入排序外，快速算法的性能起码是其他同阶算法的2到3倍，这也已经是教科书里不争的事实。
一个最简单的混合算法就是在数据量少的时候(n<20)，算法转入插入排序，而其它时候则仍然采用快速排序，比如
void quicksort(_RandomIterator __start, _RandomIterator __last){ while (__last - __first > __stl_threshold) { _RandomIterator __pivot= partition(__first, __last, mean(*__first, *__last, *(__first + (__last-__first)/2)); quicksort(__first, __pivot); __first = __pivot; } __insert_sort(__first, __last);}
这里有一个选择，就是什么时候做插入排序：上面的算法是每次细分到数据量小于阈值就转入插入排序；另外一种算法是一旦细分到数据长度小于阈值就退出，最后汇总的时候再来一次总的插入排序。应该说这两种算法没有很大的区别，但是STL使用的是后者。原因最后再说。
STL真正出彩的地方是对快速排序算法的补充。快速 排序的特点是平均性能好，能达到O(NlgN)的性能，缺点是对于最坏情况性能会下降到O(N^2)。STL对此做的补充是引入一个递归计数，当递归深度超过一定阈值(STL设定的阈值是2lgN)，则算法转入一个较慢的但是最坏情况也是O(NlgN)的算法，比如堆排序(STL把堆排序推广为partial_sort也就是部分排序)。这一算法监控自身的递归深度，具有一定的内观性，被称为内观排序(introsort--introspective sort)，实际上是快速排序法的变种，是一种混合算法。在最坏情况下能近似达到O(NlgN)的性能。实际上在最坏情况下比堆排序要差点，但是比快速排序要好得多。而其平均性能和快速排序差不多。其算法如下：
void introsort_loop(RandomIterator __first, RandomIterator __last, int m){ while (__last - __first > __stl_threshold) { if (0==m) { partial_sort(__first, __last, __last); return; } RandomIterator __pivot = mean(*__first, *__last, *(__first+(__last-__first)/2)); introsort__loop(__first, __pivot); __first = __pivot+1; }}void introsort(RandomIterator __first, RandomIterator __last){ introsort_loop(__first, __last, __lg(__last-__first)*2); __final_insert_sort(__first, __last);}
STL在__final_inser_sort中玩了一个小小的加速trick。其算法如下：
void __final_insert_sort(__first, __last){ if (__last - __first < __stl_threshold) __insert_sort(__first, __last); else { __insert_sort(__first, __first+__stl_threshold); __unguarded_insert_sort(__first+__std_threshold+1, __last); }}
我当时不太明白为什么插入算法还要如此，后来自己尝试优化插入算法的时候才发现在__unguarded_insert_sort的循环中少了一个边界测试条件，这样边界测试条件从两个降为一个。原因就是经过“粗略的”快速排序后，最小元素已经能确定就在前__stl_threshold个元素中，于是基于位置的边界条件就可以去掉。具体参看插入排序的算法。不再赘述。
