求K个最小元素

算法：

1 排序后取前K个算法，比较笨

2排序算法中有些通过取本次循环最小的K实现排序的，因此排下前K个元素就可以实现取得最小的K个元素，比如selectionSort、bubbleSort、heapSort，对于selectionSort和bubbleSort，复杂度为O(Kn)。

对于堆排序来说，有一些自己的实现变体：

a）最简单的就是O(n)的复杂度实现最小堆，然后排序最小的K个元素，复杂度为O(n+Klogn)

b) 将前面的K个元素生成最大堆，复杂度为0(K),然后剩下的n-K个元素和最大堆堆首比较，比堆首小就互换，堆自身再更新一下重新生成堆，复杂度为（n-K)logK,加起来复杂度为O（nlogK）。最后得到的前K个元素就是所需的前K个元素

注：a）算法和b）算法的复杂度到底哪个高，可以相除n取无穷得到极限的方法，大于1就是分母高，小于就是分子高，等于就是一样（高数的知识）。

结果是a）比较好，但实际上在1000w数量级的时候。两者差15ms，因此实际相差不大。原pdf中所说空间复杂度不为1无法理解，数组用自己下标本身也可以构建堆，因此空间就是O（1）的复杂度。

c) a)的变体，实际上堆就是成成递推变大或者变小的数据结构，由于只要取K个元素，因此其实不必维护整个堆，取了第一个元素剩下还要取K-1个，因此只要保证K-1层是堆即可（下面的元素除了堆首沉底的还是都比上层大），也就是说调整min（logn，K-1）次（原pdf说要调整K次，应该是多调了一次）。依次类堆。当n相对于k较大的时候，复杂度为生成堆的O（n）+每次取值调整的O（K×K）。

这几个算法其实都很类似，启发点就是数组在某些情况下看成堆，可以给问题的解决带来便利

3 我的第一反应就是快速排序的变体，pdf推导了很多东西，随机选择pivot得到平均复杂度为0(n),头中尾选中值绝大多数情况下，复杂度就是0(n),还有中位数的中位数，有个神奇的名字：BFPRT算法。。看的晕乎乎的。。这个算法复杂度应该是最小的。

但实际上对于太多的数据量，由于不可能把所有数据都塞入内存，因此，选取要K个数构成最大堆塞入内存，然后用剩下的大量数据去用算法2 b）实现结果。

3的代码在各种排序算法（4）里有了，下面的是2c），破坏部分堆，有点意思。。。

代码如下（生成堆以后每次调整都是堆顶和下面的互换。。。。。。写过的都写了这么久。。。。）：

//默认k<a.length&&k>0，不然没什么意义
	public void getMinKth(int[] a,int k){
		createHeap(a);
		for(int i=0;i<k;i++){
			int temp=a[0];a[0]=a[a.length-1-i];a[a.length-1-i]=temp;//每次堆顶互换
			int value1 = (int)Math.pow(2, k-i)-1-1; //沉k-i次的最大下标
			int value2 = a.length-1-(i+1);
			int end = value1 >  value2? value2 : value1 ; 
			adjustment(a,0,end);
		}
	}
	
	private void createHeap(int[] a){
		for(int i=(a.length-1-1)/2;i>=0;i--){
			adjustment(a,i,a.length-1);
		}
	}
	/**
	 * 
	 * @param a      需要调整位置的数组
	 * @param start  要调整元素的初始位置
	 * @param end	  要调整堆位置的最后端点
	 */
	private void adjustment(int[] a,int start,int end){
		while(2*start+1<=end){//存在左子树
			if(start*2+2<=end&&a[start*2+2]<=a[start*2+1]){//存在右子树并且右子树小于左子树
				if(a[start]>a[start*2+2]){//跟大于右子树
					int temp=a[start];a[start]=a[start*2+2];a[start*2+2]=temp;
					start = start*2+2;
				}else{
					break;
				}
			}else{//要替换的是左子树
				if(a[start]>a[start*2+1]){
					int temp=a[start];a[start]=a[start*2+1];a[start*2+1]=temp;
					start = start*2+1;
				}else{
					break;
				}
			}
		}
	}

原文链接：http://blog.csdn.net/v_july_v/article/details/6278484