首先对于1亿的数据量，要求不高的话，大可只使用一个最小堆来维护前10万个最大的数。
不妨设数的总数为N，需要选出的数为M，那么这种方法带来的时间复杂度为：
这个方法最大的缺点是没有并行计算。
如果比1亿数据量再大，比如到100亿这个量级，那么就需要使用并行计算了，下面我详细说一下我的思路。
- 首先将这些数据随机分成K堆，不妨假设正好平均分配，时间复杂度为
。
- 使用K个任务并行的选出每一堆的前M大的数，这一步的时间复杂度为
，此时生成了K组长度为M的有序序列。
- 使用多路归并排序选出这K组序列的前M大的数，这一步的时间复杂度为
因此假设第2步并行完成，那么总体的时间复杂度就是。至此算法得到了常数级别的优化。
但是还没完，注意到2)中每个序列都选了前M大的数，这个是可以继续改进的。
我们可以想象一种场景：2个桶里总共有10个球，球是随机分布的，规定一种操作可以从这2个桶里拿至多L个球，这时我们怎么确定这个L使得我们能够以一个我们能接受的概率拿到所有的球？
显然当L=10的时候，我们当然可以100%的拿到这全部球，但是开销太大了。由于球是随机分布的，可以知道10个球全部落入落入一个盒子里的概率非常的小，是。因此我们可以先把这种请当当成一个中彩票的事件，先不管他，直接把L设成9。
既然我们牺牲了一部分可靠性降低了开销，那么为什么不能把L设的在低一点？究竟应该设多低？
这其实是另外的一个问题了，我认为为了解决这个问题不应该从L入手，而是我们设定一个最低能接受的可靠性概率P，找到最小的L满足我们要求的P即可。
因此我们可以使用如上方法优化2)。设我们要求的最低可靠性为P, 优化函数为 - 使用K个任务并行的选出每一堆的前
大的数，这一步的时间复杂度为
, 此时生成了K组长度为
我可以给出一个数, 可以看出这个函数的威力。所以用这种方法，可以在实际中获得很多倍的速度提升。
但是必须解决的问题是可靠性问题，但这个问题其实很好办，只需要验证一下在3)时有没有把一个序列用尽，如果用尽了并且最后一个数不是这个序列里的最后一个数，那么说明这个序列的第个数也可能出现在最坏的结果。那么最简单的做法就是再从这个序列中补上一部分数据，使得最后的答案时正确的。
所以这时我们得到了一个以P为成功率的算法，这个算法可能比未优化前快好多倍，但是有(1-P)的中奖概率。欣慰的是我们可以判断中没中奖，再不济就是抛弃这次的结果再跑一次未优化前的算法呗。