Sorting Algorithms Performance & Memory Benchmark

Bu proje; bilgisayar bilimlerinin temel taşlarından olan Bubble Sort, Selection Sort ve Insertion Sort algoritmalarının performans ve bellek tüketim analizini yapan bir mühendislik çalışmasıdır.

Teorik zaman ve alan karmaşıklığı (Big-O) değerlerinin, Python ortamında farklı veri boyutları ve senaryolar altında nasıl gerçekleştiğini deneysel verilerle ölçmeyi ve görselleştirmeyi amaçlar.

---

🚀 Öne Çıkan Özellikler

• Çoklu Senaryo Analizi: Algoritmalar; En İyi Durum (Sıralı dizi), Ortalama Durum (Rastgele dağılım) ve En Kötü Durum (Ters sıralı dizi) olmak üzere 3 farklı senaryoda test edilmektedir.
• Hassas Zaman Ölçümü: Python'ın time.perf_counter() modülü kullanılarak milisaniye (ms) düzeyinde yüksek çözünürlüklü ölçümler yapılmıştır.
• Dinamik Bellek İzleme: tracemalloc kütüphanesi entegre edilerek algoritmaların çalışma esnasında tükettiği tepe (peak) ek bellek miktarı KB cinsinden anlık olarak yakalanmıştır.
• Kapsamlı Veri Görselleştirme: Elde edilen tüm test sonuçları, matplotlib kullanılarak tek bir raporlama panosunda (Dashboard) birleştirilip otomatik olarak kaydedilir.

---

📊 Teorik Karmaşıklık Analizi

Projede analizi yapılan algoritmaların literatürdeki Big-O karmaşıklık tablosu aşağıdadır:

Algoritma	En İyi Durum (Best)	Ortalama Durum (Average)	En Kötü Durum (Worst)	Ek Alan Karmaşıklığı
Bubble Sort	$O(n)$	$O(n^2)$	$O(n^2)$	$O(1)$
Selection Sort	$O(n^2)$	$O(n^2)$	$O(n^2)$	$O(1)$
Insertion Sort	$O(n)$	$O(n^2)$	$O(n^2)$	$O(1)$

---

📈 Deneysel Bulgular ve Çıkarımlar

Kodun çalıştırılmasıyla üretilen grafikler üzerinden yapılan analizler:

1. Insertion Sort Avantajı: Küçük veri setlerinde ve özellikle En İyi Durum (Sıralı) senaryosunda Insertion Sort, iç döngüye girmeden $O(n)$ hızında çalışarak diğer algoritmalara domine etmiştir.
2. Selection Sort Kararlılığı: Selection Sort, dizinin başlangıç durumundan (sıralı veya ters sıralı) bağımsız olarak her zaman en küçük elemanı aradığı için 3 senaryoda da birbirine çok yakın grafikler çizmiş ve $O(n^2)$ yapısını doğrulamıştır.
3. Bellek Tüketimi (Ek Alan): Tüm algoritmalar in-place (yerinde) sıralama yaptığı için teorik ek alan karmaşıklıkları $O(1)$'dir. Deneysel ölçümlerde de veri boyutu ($n$) artsa bile tepe bellek kullanımının sabit kaldığı tracemalloc ile kanıtlanmıştır.

💡 Not: Proje çalıştırıldığında üretilen güncel grafik panosunu aşağıda görebilirsiniz:

---

🛠️ Kurulum ve Çalıştırma

🛠️ Gereksinimler

Projenin sorunsuz çalışması için sisteminizde Python 3.4+ sürümünün ve aşağıdaki harici grafik kütüphanesinin kurulu olması gerekmektedir:

# Grafik görselleştirme için gerekli harici kütüphane
pip install matplotlib