堆
堆的插入和删除操作是十分复杂的,因此不需要我们手动创建和维护堆。在Java中,优先队列底层是由堆来实现的,因此堆的相关操作可以借助优先队列的API。堆可以解决查找和排序相关的问题。查找主要是查找数据中第几大/小数据的问题。遵循“查大用小,查小用大”的原则,排序主要是通过对堆排序解决排序问题。遵循“升序用小,降序用大”的原则
数组中第K大元素
leetcode215
本题可以使用选择,快排和堆查找实现
按照“查大用小,查小用大”的原则,使用小顶堆,堆的大小设置K,堆未满时,加入元素。达到容量之后,比较遍历元素与堆顶元素的关系,大于则移除堆顶元素,加入当前元素,否则不做处理,循环结束后,堆顶元素即为数组中第K大元素。
public int findKthLargest(int[] nums, int k) {
PriorityQueue<Integer> minHeap = new PriorityQueue<>(k,(a,b)->a-b);
for (int i = 0; i < k; i++) {
minHeap.add(nums[i]);
}
for (int i = k; i < nums.length; i++){
Integer temp = minHeap.peek();
if(nums[i]>temp){
minHeap.poll();
minHeap.offer(nums[i]);
}
}
return minHeap.poll();
}
堆排序
按照“升序用小,降序用大”的原则,遍历数组,依次将元素加入堆中之后不断移除堆顶元素,即为当前堆中的最小元素,依次放入数组中,达到升序效果
public static void heapSort(int[] array) {
PriorityQueue<Integer> minHeap = new PriorityQueue<>();
for (int num : array) {
minHeap.offer(num);
}
for (int i = 0; i < array.length; i++) {
array[i] = minHeap.poll();
}
}
合并K个有序链表
leetcode23
合并K个有序链表之前在链表章节已经提及过,我们自己比较并合并的代码还是比较复杂的。使用堆可以简化操作。创建一个最小堆,将各个链表的首节点放入堆中,然后移除堆顶元素,放入虚拟头节点之后,如果移除元素之后仍有节点,加入堆中。如此,当堆为空时,链表的合并也就完成了
public ListNode mergeKLists(ListNode[] lists) {
PriorityQueue<ListNode> minHeap = new PriorityQueue<>((node1, node2) -> (node1.val - node2.val));
for (int i = 0; i < lists.length; i++) {
if(lists[i]!=null){
minHeap.offer(lists[i]);
}
}
ListNode vhead = new ListNode(-1);
ListNode current = vhead;
while (!minHeap.isEmpty()) {
ListNode node = minHeap.poll();
current.next = node;
current = node;
if (current.next!=null){
minHeap.offer(current.next);
}
}
return vhead.next;
}
数据流中位数
leetcode295
查大用小,查小用大,查中间则需要两个堆,一个最大堆,一个最小堆,遍历元素,当最小堆为空或者当前元素大于最小堆堆顶元素时,放入最小堆,否则放入最大堆,当两个堆的元素数量相差大于1时,数量多的堆移除堆顶元素,放入另一个堆。如此,中位数或为两个堆顶元素的均值,或者为数量多的堆的堆顶元素
class MedianFinder {
PriorityQueue<Integer> minHeap;
PriorityQueue<Integer> maxHeap;
public MedianFinder() {
minHeap = new PriorityQueue<Integer>((a, b) -> a - b);
maxHeap = new PriorityQueue<Integer>((a, b) -> b - a);
}
public void addNum(int num) {
if (minHeap.isEmpty() || num > minHeap.peek()) {
minHeap.offer(num);
if (minHeap.size() - maxHeap.size() > 1) {
maxHeap.offer(minHeap.poll());
}
} else {
maxHeap.offer(num);
if (maxHeap.size() - minHeap.size() > 1) {
minHeap.offer(maxHeap.poll());
}
}
}
public double findMedian() {
if (minHeap.size() == maxHeap.size()) {
return (minHeap.peek() + maxHeap.peek()) / 2.0;
}else{
return minHeap.size()>maxHeap.size()? minHeap.peek() : maxHeap.peek();
}
}
}