0.最大堆模板类的简单实现
template<typename Item>
class MaxHeap {
private:
Item *data;
int count;
int capacity;
void shiftUp(int k)//新加入元素后会破坏树的平衡,使用shitUp进行元素位置的调整
{
while (k > 1/*k>1避免越界*/ && data[k / 2] < data[k])//父节点小于当前元素
{
swap(data[k / 2], data[k]);
k /= 2;//更新k将父节点设为当前元素进行考察
}
}
void shiftDown(int k)
{
while (2*k <=count)//该节点有左孩子就说明有孩子
{
int j = 2 * k;//在此轮循环中,data[k]和data[j]交换位置
if (j + 1 <= count && data[j + 1] > data[j])//说明有右孩子,并判断右孩子是否大于左孩子,如果是,则和右孩子交换位置
j = j + 1;
if(data[k]>=data[j])//该节点已经大于孩子节点,则无需交换
break;
swap(data[k], data[j]);
k = j;//更新k值,继续考察
}
}
void putNumberInLine(int num, string &line, int index_cur_level, int cur_tree_width, bool isLeft) {
int sub_tree_width = (cur_tree_width - 1) / 2;
int offset = index_cur_level * (cur_tree_width + 1) + sub_tree_width;
assert(offset + 1 < line.size());
if (num >= 10) {
line[offset + 0] = '0' + num / 10;
line[offset + 1] = '0' + num % 10;
}
else {
if (isLeft)
line[offset + 0] = '0' + num;
else
line[offset + 1] = '0' + num;
}
}
void putBranchInLine(string &line, int index_cur_level, int cur_tree_width) {
int sub_tree_width = (cur_tree_width - 1) / 2;
int sub_sub_tree_width = (sub_tree_width - 1) / 2;
int offset_left = index_cur_level * (cur_tree_width + 1) + sub_sub_tree_width;
assert(offset_left + 1 < line.size());
int offset_right = index_cur_level * (cur_tree_width + 1) + sub_tree_width + 1 + sub_sub_tree_width;
assert(offset_right < line.size());
line[offset_left + 1] = '/';
line[offset_right + 0] = '\\';
}
public:
// 构造函数, 构造一个空堆, 可容纳capacity个元素
MaxHeap(int capacity) {
data = new Item[capacity + 1];//从索引1开始使用
count = 0;
this->capacity = capacity;
}
//Heapify
//这种构造函数就避免了先insert(一个for循环),再extarct(一个for循环)
//降低了算法复杂度
MaxHeap(Item arr[], int n)
{
data = new Item[n + 1];
capacity = n;
for (int i = 0;i<n;i++)
data[i + 1] = arr[i];
count = n;
//调整堆
for (int i = count / 2; i >= 1; i--)//count/2第一个不是叶子节点的节点
shiftDown(i);
}
~MaxHeap() {
delete[] data;
}
// 返回堆中的元素个数
int size() {
return count;
}
// 返回一个布尔值, 表示堆中是否为空
bool isEmpty() {
return count == 0;
}
//插值
void insertElement(Item item)
{
assert(count + 1 <= capacity);//检查是否超出前面开辟的内存
data[count + 1] = item;
count++;
shiftUp(count);
}
//取值,取出最大值
Item extractElement()
{
assert(count > 0);
Item ret = data[1];
swap(data[1], data[count]);
count--;
shiftDown(1);
return ret;
}
// 以树状打印整个堆结构
void testPrint() {
// 我们的testPrint只能打印100个元素以内的堆的树状信息
if (size() >= 100) {
cout << "This print function can only work for less than 100 int";
return;
}
// 我们的testPrint只能处理整数信息
if (typeid(Item) != typeid(int)) {
cout << "This print function can only work for int item";
return;
}
cout << "The max heap size is: " << size() << endl;
cout << "Data in the max heap: ";
for (int i = 1; i <= size(); i++) {
// 我们的testPrint要求堆中的所有整数在[0, 100)的范围内
assert(data[i] >= 0 && data[i] < 100);
cout << data[i] << " ";
}
cout << endl;
cout << endl;
int n = size();
int max_level = 0;
int number_per_level = 1;
while (n > 0) {
max_level += 1;
n -= number_per_level;
number_per_level *= 2;
}
int max_level_number = int(pow(2, max_level - 1));
int cur_tree_max_level_number = max_level_number;
int index = 1;
for (int level = 0; level < max_level; level++) {
string line1 = string(max_level_number * 3 - 1, ' ');
int cur_level_number = min(count - int(pow(2, level)) + 1, int(pow(2, level)));
bool isLeft = true;
for (int index_cur_level = 0; index_cur_level < cur_level_number; index++, index_cur_level++) {
putNumberInLine(data[index], line1, index_cur_level, cur_tree_max_level_number * 3 - 1, isLeft);
isLeft = !isLeft;
}
cout << line1 << endl;
if (level == max_level - 1)
break;
string line2 = string(max_level_number * 3 - 1, ' ');
for (int index_cur_level = 0; index_cur_level < cur_level_number; index_cur_level++)
putBranchInLine(line2, index_cur_level, cur_tree_max_level_number * 3 - 1);
cout << line2 << endl;
cur_tree_max_level_number /= 2;
}
}
};
1.最大堆排序
heapSort1, 将所有的元素依次添加到堆中, 在将所有元素从堆中依次取出来, 即完成了排序,无论是创建堆的过程, 还是从堆中依次取出元素的过程, 时间复杂度均为O(nlogn), 整个堆排序的整体时间复杂度为O(nlogn).
template<typename T>
void heapSort1(T arr[], int n) {
MaxHeap<T> maxheap = MaxHeap<T>(n);//构造一个类,以类型T作为 模板类中的类型
for (int i = 0; i < n; i++)
maxheap.insertElement(arr[i]);
for (int i = n - 1; i >= 0; i--)
arr[i] = maxheap.extractElement();
}
heapSort2, 借助的heapify过程创建堆,此时, 创建堆的过程时间复杂度为O(n), 将所有元素依次从堆中取出来, 实践复杂度为O(nlogn).堆排序的总体时间复杂度依然是O(nlogn), 但是比上述heapSort1性能更优, 因为创建堆的性能更优.
//Heapify
//这种构造函数就避免了先insert再extarct,减少了一个shiftUp的过程.
//降低了算法复杂度
MaxHeap(Item arr[], int n)
{
data = new Item[n + 1];
capacity = n;
for (int i = 0;i<n;i++)
data[i + 1] = arr[i];
count = n;
//调整堆
for (int i = count / 2; i >= 1; i--)//count/2第一个不是叶子节点的节点
shiftDown(i);
}
///
template <typename T>
void heapSort2(T arr[], int n)
{
MaxHeap<T> maxheap = MaxHeap<T>(arr, n);
for (int i = n - 1; i >= 0; i--)
arr[i] = maxheap.extractElement();
SortTestHelper::printArray(arr, n);
}
2.原地排序
脱离上面的类,直接在数组上进行heapify操作。
template<typename T>
void __shiftDown_(T arr[],int n,int k)
{
while (2 * k +1 < n)//该节点有左孩子就说明有孩子
{
int j = 2 * k +1;//在此轮循环中,data[k]和data[j]交换位置
if (j + 1 < n && arr[j + 1] > arr[j])//说明有右孩子,并判断右孩子是否大于左孩子,如果是,则和右孩子交换位置
j = j + 1;
if (arr[k] >= arr[j])//该节点已经大于孩子节点,则无需交换
break;
swap(arr[k], arr[j]);
k = j;//更新k值,继续考察
}
}
template<typename T>
void heapSort(T arr[], int n)
{
//首先进行heapify,索引改为从0开始
for (int i = (n - 1) / 2; i >= 0; i--)
__shiftDown_(arr, n, i);
for (int i = n - 1; i > 0; i--)
{
swap(arr[0], arr[i]);
__shiftDown_(arr, i, 0);
}
}