Java数据结构与算法第七课——优先级队列（堆）

已于 2023-02-12 12:31:46 修改
阅读量634 收藏 2
点赞数
分类专栏： 数据结构与算法（Java语言） 文章标签： java servlet jvm
于 2022-07-25 19:48:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/baijaiyu/article/details/125965725
版权

目录

一：优先级队列的概念

二：堆

三：堆的存储方式

四：堆的创建

五：堆的插入与删除

5.1堆的插入

5.2堆的删除

5.3获取堆顶元素

六：常用接口介绍

6.1PriorityQueue的特性

6.2使用实例

 6.3插入/删除/获取优先级最高的元素

七：堆的应用

7.1Topk问题

 7.2堆排序

一：优先级队列的概念

        前面介绍过队列，队列是一种先进先出(FIFO)的数据结构，但有些情况下，操作的数据可能带有优先级，一般出队列时，可能需要优先级高的元素先出队列。
        在这种情况下，我们的数据结构应该提供两个最基本的操作，一个是返回最高优先级对象，一个是添加新的对象。
这种数据结构就是优先级队列(Priority Queue)。

二：堆

        我们直接看图，堆分为大根堆和小根堆：

         性质：

  • 堆中某个节点的值总是不大于或不小于其父节点的值；
  • 堆总是一棵完全二叉树。

三：堆的存储方式

        堆是一棵完全二叉树，因此可以按照层序遍历的规则采用顺序的方式来高效存储。

        将元素存储到数组中后，可以根据二叉树章节的性质5对树进行还原。假设i为节点在数组中的下标，则有：

  1. 如果i为0，则i表示的节点为根节点，否则i节点的双亲节点为 (i - 1)/2；
  2. 如果2 * i + 1 小于节点个数，则节点i的左孩子下标为2 * i + 1，否则没有左孩子；
  3. 如果2 * i + 2 小于节点个数，则节点i的右孩子下标为2 * i + 2，否则没有右孩子。

四：堆的创建

        我们采用的是向下调整的方式。以创建大根堆为例，如何将这棵完全二叉树调整为堆呢？

整体的思路是：

1.从最后一棵子树开始调整；

2.每次调整都是向下调整；

3.对于每一个根节点，将根节点的值与左右节点的最大值进行比较，如果根节点的值大于左右节点中的最大值，不作调整，否则将根节点与左右节点中的最大值交换。

一些小问题：

1.如何确定最后一棵子树的根节点？

        p=(len-1-1)/2=len/2-1，其中len为数组长度。如上图这棵二叉树，len=10，p=(10-1-1)/2=4，即从4号节点开始调整。

2.调整完一棵树后，怎么到下一棵树？

        p--；直到调整到下标为0的这棵树就好了。

3.每棵子树调整的结束位置如何确定？

        对于一个节点是否需要进行调整，取决于它是否是根节点，换句话说，是否具有左右子树。所以每棵树调整时，其左右孩子的下标都不能超过或等于一个数字，就是len。如下标为4的节点左子树下标为9，9<10，所以需要继续调整；而下标为5的节点的左子树下标为10，10=10，就无需进行调整了。

依据上面的分析，写出代码：

public class TestHeap {
    public int[] elem;
    public int usedSize;

    public TestHeap(){
        this.elem = new int[10];
    }

    public void createHeap(int[] array){
        for (int i = 0; i < array.length; i++) {
            elem[i] = array[i];
            usedSize++;
        }

        //p = (usedSize-1-1)   确定最后一棵子树的根节点
        for (int p = (usedSize-1-1)/2; p>=0 ; p--) {
            shifDown(p,usedSize);
        }
    }

    private void shifDown(int root,int len){
        int parent = root;
        int child = 2*parent + 1;
        //进入这个循环，说明至少有一个孩子
        while(child < len){
            //如果有右孩子，就需要找到左右孩子的最大值
            if(child + 1 < len && elem[child] < elem[child+1]){
                child++;
            }
            //孩子的最大值和根节点去比较大小
            if(elem[child] > elem[parent]){
                    int tmp = elem[child];
                    elem[child] = elem[parent];
                    elem[parent] = tmp;
                    parent = child;    //更新子树，继续看下面的子树是不是大根堆
                    child = 2*parent + 1;
            } else {
                break;      //说明此时已经是大根堆，不需要进行调整了
            }
        }
    }

}

public class Test {
    public static void main(String[] args) {
        int[] array = { 27,15,19,18,28,34,65,49,25,37 };
        TestHeap testHeap = new TestHeap();
        testHeap.createHeap(array);
        System.out.println("测试");
    }
}

        通过在打印语句处打断点进行调试，可以看到如下图所示结果，证明我们的创建是正确的！

 关键问题：建堆的时间复杂度——O(N)！使用错位相减法。

五：堆的插入与删除

5.1堆的插入

堆的插入总共需要两个步骤：
1. 先将元素放入到底层空间中(注意：空间不够时需要扩容)
2. 将最后新插入的节点向上调整，直到满足堆的性质

图解： 

    //插入
    public void push(int val){
        if(isFull()) {
            elem = Arrays.copyOf(elem, (int) (1.5 * elem.length)); //如果容量已满，进行1.5倍扩容
        }
        elem[usedSize]  = val;
        shifUp(usedSize);
        usedSize++;

    }

    public void shifUp(int usedSize){
        int child = usedSize;
        int parent = (child-1)/2;
        while(parent >= 0) {
            if(elem[child] > elem[parent]){
                int tmp = elem[child];
                elem[child] = elem[parent];
                elem[parent] = tmp;
                child = parent;
                parent = (child-1)/2;
            } else {
                break;
            }
        }

    }

    private boolean isFull(){
        return elem.length == usedSize ;
    }

        通过在打印语句处打断点进行调试，可以看到如下图所示结果，证明我们的插入是正确的！

5.2堆的删除

注意：堆的删除一定删除的是堆顶元素。具体如下：
1. 将堆顶元素和堆中最后一个元素交换
2. 将堆中有效数据个数减少一个
3. 对堆顶元素进行向下调整

图解：

  注意 : 每次删除的都是优先级最高的元素 , 即堆顶元素 .

    /**
     * 出队【删除】：每次删除的都是优先级高的元素
     * 仍然要保持是大根堆
     */
    public void pollHeap() {
        if(isEmpty()) {
            System.out.println("优先级队列为空！");
            return;
        }
        int tmp = elem[0];
        elem[0] = elem[usedSize-1];
        elem[usedSize-1] = tmp;
        usedSize--;//9
        shiftDown(0,usedSize);
    }

    public boolean isEmpty() {
        return usedSize == 0;
    }

5.3获取堆顶元素

    /**
     * 获取堆顶元素
     * @return
     */
    public int peekHeap() {
        if(isEmpty()) {
            System.out.println("优先级队列为空！");
            return -1;
        }
        return elem[0];
    }

六：常用接口介绍

6.1PriorityQueue的特性

        Java集合框架中提供了PriorityQueue和PriorityBlockingQueue两种类型的优先级队列，PriorityQueue是线程不安全的，PriorityBlockingQueue是线程安全的，本文主要介绍PriorityQueue。

注意：
1. 使用时必须导入PriorityQueue所在的包，即import java.util.PriorityQueue;
2. PriorityQueue中放置的元素必须要能够比较大小，不能插入无法比较大小的对象，否则会抛出
ClassCastException异常;
3. 不能插入null对象，否则会抛出NullPointerException;
4. 没有容量限制，可以插入任意多个元素，其内部可以自动扩容;
5. 插入和删除元素的时间复杂度为O(logN);
6. PriorityQueue底层使用了堆数据结构;
7. PriorityQueue默认情况下是小堆---即每次获取到的元素都是最小的元素。

6.2使用实例

import java.util.PriorityQueue;

public class Test2 {
    public static void main(String[] args) {
        PriorityQueue<Integer> priorityQueue = new PriorityQueue<>();
        priorityQueue.offer(12);
        priorityQueue.offer(3);
        priorityQueue.offer(24);
        System.out.println(priorityQueue.peek());
        System.out.println(priorityQueue.poll());
        System.out.println(priorityQueue.peek());
    }
}

        默认情况下，PriorityQueue队列是小堆，如果需要大堆需要用户提供比较器。提供比较器的两种写法如下：

写法一：

import java.util.Comparator;
import java.util.PriorityQueue;

class IntCmp implements Comparator<Integer>{
    @Override
    public int compare(Integer o1, Integer o2) {
        return o2-o1;
    }
}
public class Test2 {
    public static void main(String[] args) {
        PriorityQueue<Integer> priorityQueue = new PriorityQueue<>(new IntCmp());
        priorityQueue.offer(12);
        priorityQueue.offer(3);
        priorityQueue.offer(24);
        System.out.println(priorityQueue.peek());
        System.out.println(priorityQueue.poll());
        System.out.println(priorityQueue.peek());
    }
}

 

写法二:

import java.util.Comparator;
import java.util.PriorityQueue;

public class Test2 {
    public static void main(String[] args) {
       PriorityQueue<Integer> priorityQueue = new PriorityQueue<>((a, b) -> {
      return b - a;
           });
        priorityQueue.offer(12);
        priorityQueue.offer(3);
        priorityQueue.offer(24);
        System.out.println(priorityQueue.peek());
        System.out.println(priorityQueue.poll());
        System.out.println(priorityQueue.peek());
    }
}

6.3插入/删除/获取优先级最高的元素

七：堆的应用

7.1Topk问题

举例：找出世界500强的公司，找出专业前三十名，都是Topk问题。举例：

面试题 17.14. 最小K个数 - 力扣（LeetCode）https://leetcode.cn/problems/smallest-k-lcci/submissions/        一种最简单的思路是，对整个数组进行排序，然后取出前k个元素即可。但如果数据量极大的话，这种方法则不可取。这时就需要用到优先级队列。
        要找最小K个数，先将整体元素建成小根堆，然后出队K次。

class Solution {
    public int[] smallestK(int[] arr, int k) {

        PriorityQueue<Integer> priorityQueue = new PriorityQueue<>();
        //n*logn
        for (int i = 0; i < arr.length; i++) {
            priorityQueue.offer(arr[i]);//插入堆中
        }
        //小堆创建完毕   n*logn
        int[] ret = new int[k];
        for (int i = 0; i < k; i++) {
            int val = priorityQueue.poll();
            ret[i] = val;
        }
        return ret;
    }
}

        时间复杂度分析：假设一共有n个数据，每次插入一个数据都需要进行向上调整，时间复杂度为logn，所以总的时间复杂度为O(N*logN)。这个时间复杂度有点大，我会介绍一种优化算法：

        要找前K个最大的元素，反其道而行之，不断把最小的元素剔除出去！
        建立含有K个节点的小根堆，堆顶元素最小，如果当前元素比这个堆顶元素大，那么说明堆顶元素必不可能是前K个最大元素之一，就把堆顶元素剔除出去，把当前元素添加进去，每次添加后，都要再调整为小根堆。直到比较完所有的元素后，此时堆中所有的元素就是前K个最大元素。

        时间复杂度分析：假设一共有n个数据，每次插入一个数据都需要进行向上调整，时间复杂度为logn，但是因为堆中元素为K个，所以总的时间复杂度为O(K*logN)。

代码实现：

class IntCmp implements Comparator<Integer>{
    @Override
    public int compare(Integer o1, Integer o2) {
        return o2-o1;
    }
}

public class Test2 {
    //找前k个最小的元素，需要建立大根堆,不断把大元素剔除出去
    public static int[] topK(int []array,int k){
        PriorityQueue<Integer> maxHeap= new PriorityQueue<>(new IntCmp());

        for(int i = 0;i < array.length;i++){
            if(maxHeap.size() < k){
                maxHeap.offer(array[i]);
            } else {
                int top = maxHeap.peek();
                if(array[i] < top){
                    maxHeap.poll();
                    maxHeap.offer(array[i]);
                }
            }
        }
        //此时大根堆中所有的元素就是前K个最小的元素
        int[] ret = new int[k];
        for (int i = 0; i < k; i++) {
            int val = maxHeap.poll();
            ret[i] = val;
        }
        return ret;
    }

测试：

    public static void main(String[] args) {
        int[] arr = {1,0,2,5,7,8,9,36,874,45};
        int[] ret = topK(arr,3);
        System.out.println(Arrays.toString(ret));
    }

 7.2堆排序

堆排序即利用堆的思想来进行排序，总共分为两个步骤：
1. 建堆
升序：建大堆
降序：建小堆
2. 利用堆删除思想来进行排序
建堆和堆删除中都用到了向下调整，因此掌握了向下调整，就可以完成堆排序。

以升序为例，具体步骤为：

1.先建立大根堆；

2.0下标和end下标交换；

3.调整0下标这棵树；

图解： 

    public void heapSort(){
        int end = usedSize - 1;
        while(end > 0){
            int tmp = elem[0];
            elem[0] = elem[end];
            elem[end] = tmp;
            end--;
            shifDown(0,end);
        }
    }

    public void shifDown(int root,int len){
        int parent = root;
        int child = 2*parent + 1;
        //进入这个循环，说明至少有一个孩子
        while(child < len){
            //如果有右孩子，就需要找到左右孩子的最大值
            if(child + 1 < len && elem[child] < elem[child+1]){
                child++;
            }
            //孩子的最大值和根节点去比较大小
            if(elem[child] > elem[parent]){
                    int tmp = elem[child];
                    elem[child] = elem[parent];
                    elem[parent] = tmp;
                    parent = child;    //更新子树，继续看下面的子树是不是大根堆
                    child = 2*parent + 1;
            } else {
                break;      //说明此时已经是大根堆，不需要进行调整了
            }
        }
    }

测试代码：

public class Test {
    public static void main(String[] args) {
        int[] array = { 27,15,19,18,28,34,65,49,25,37 };
        TestHeap testHeap = new TestHeap();
        testHeap.createHeap(array);//O(n)

        testHeap.heapSort();

        System.out.println("测试");
    }
}

运行结果如下：

 显然实现了升序排列！

        本课主要介绍优先级队列及其应用！！！

知行&
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值