达内Android培训技术专家认为：以前在音乐做过一些实时投票，积分排名；单曲、专辑等排行榜；游戏中也有类似的战斗力排行；SNS的游戏又有好友排行等，对于此类的排行算法在此做个总结。
需求背景：
查看前topN的排名用户
查看自己的排名
用户积分变更后，排名及时更新
方案一：
利用MySQL来实现，存放一张用户积分表user_score，结构如下：
取前topN，自己的排名都可以通过简单的sql语句搞定。
算法简单，利用sql的功能，不需要其他复杂逻辑，对于数据量比较少、性能要求不高，可以使用。但是对于海量数据，性能是无法接受的。
方案二：积分排名数组实现
如有1百万用户进行排名，就用一个大小为1，000，000的数组表示积分和排名的对应关系，其中rank[s]表示积分s所对应的排名。初始化时，rank数组可以由user_score表在O(n)的复杂度内计算而来。用户排名的查询和更新基于这个数组来进行。查询积分s所对应的排名直接返回rank[s]即可，复杂度为O(1)；当用户积分从s变为s+n，只需要把rank[s]到rank[s+n-1]这n个元素的值增加1即可，复杂度为O(n)。
方案三：用GCC的pb_ds库中有assoc_container来进行实现。
参考如下：
存取效率都可以达到O(log(n))，不足就是程序重启后数据会丢失。
方案四：自己实现排序树
大致实现思路如下：
我们可以把[0,1,000,000)作为一级区间；再把一级区间分为两个2级区间[0,500,000),[500,000,1,000,000)，然后把二级区间二分为4个3级区间[0,250,000),[250,000,500,000),[500,000,750,000),[750,000,1,000,000)，依此类推，最终我们会得到1,000,000个21级区间[0,1),[1,2)…[999,999,1,000,000)。这实际上是把区间组织成了一种平衡二叉树结构，根结点代表一级区间，每个非叶子结点有两个子结点，左子结点代表低分区间，右子结点代表高分区间。树形分区结构需要在更新时保持一种不变量，非叶子结点的count值总是等于其左右子结点的count值之和。
以后，每次用户积分有变化所需要更新的区间数量和积分变化量有关系，积分变化越小更新的区间层次越低。总体上，每次所需要更新的区间数量是用户积分变量的log(n)级别的，也就是说如果用户积分一次变化在百万级，更新区间的数量在二十这个级别。在这种树形分区积分表的辅助下查询积分为s的用户排名，实际上是一个在区间树上由上至下、由粗到细一步步明确s所在位置的过程。比如，对于积分499,000，我们用一个初值为0的排名变量来做累加；首先，它属于1级区间的左子树[0,500,000)，那么该用户排名应该在右子树[500,000,1,000,000)的用户数count之后，我们把该count值累加到该用户排名变量，进入下一级区间；其次，它属于3级区间的[250,000,500,000)，这是2级区间的右子树，所以不用累加count到排名变量，直接进入下一级区间；再次，它属于4级区间的…；直到最后我们把用户积分精确定位在21级区间[499,000,499,001)，整个累加过程完成，得出排名！
达内Android培训技术专家表示：虽然，本算法的更新和查询都涉及到若干个操作，但如果我们为区间的from_score和to_score建立索引，这些操作都是基于键的查询和更新，不会产生表扫描，因此效率更高。另外，本算法并不依赖于关系数据模型和SQL运算，可以轻易地改造为NoSQL等其他存储方式，而基于键的操作也很容易引入缓存机制进一步优化性能。进一步，我们可以估算一下树形区间的数目大约为2,000,000，考虑每个结点的大小，整个结构只占用几十M空间。所以，我们完全可以在内存建立区间树结构，并通过user_score表在O(n)的时间内初始化区间树，然后排名的查询和更新操作都可以在内存进行。一般来讲，同样的算法，从数据库到内存算法的性能提升常常可以达到10^5以上；因此，本算法可以达到非常高的性能。
算法特点
优点：结构稳定，不受积分分布影响；每次查询或更新的复杂度为积分最大值的O(log(n))级别，且与用户规模无关，可以应对海量规模；不依赖于SQL，容易改造为NoSQL或内存数据结构。
缺点：算法相对更复杂。
方案五：skiplist的实现
达内Android培训技术专家认为：实现方案四的时候，发现代码比较复杂，调试起来特别不方便。游戏这边有个同事也实现了个，代码地址
推荐：