堆的时间复杂度计算

目录

序列文章

建堆的时间复杂度

向上调整建堆的时间复杂度

向下调整建堆的时间复杂度

维护堆的时间复杂度

top K问题的时间复杂度

---

序列文章

初识树（C语言）：http://t.csdnimg.cn/eqFmT

二叉树的基本概念（C语言）：http://t.csdnimg.cn/AkwTC

大小堆的实现（C语言）：http://t.csdnimg.cn/yoXVC

看了就会的堆排序（C语言）：http://t.csdnimg.cn/EWzgM

top K问题（借你五分钟）：http://t.csdnimg.cn/1YLT8

堆的相关时间复杂度计算（C语言）：http://t.csdnimg.cn/7SET9

二叉树的前、中、后序遍历的实现：http://t.csdnimg.cn/xNHrs

计算二叉树结点个数、叶子结点个数的代码实现：http://t.csdnimg.cn/kiBpd

二叉树查找值为x的结点、树的高度、第k层结点个数的代码实现：http://t.csdnimg.cn/BcFEW

二叉树的创建、销毁、层序遍历、层序遍历进阶的代码实现： http://t.csdnimg.cn/Qlxu0

二叉树的OJ练习（一）：http://t.csdnimg.cn/jhOWW

二叉树的OJ练习（二） ：http://t.csdnimg.cn/sl7kl

<你想看的我这里都有😎 >

建堆的时间复杂度

关于建堆的时间复杂度计算我们放在了：大小堆的实现（C语言）中讲解

向上调整建堆的时间复杂度

计算方式：此时所处层的结点个数 * 向上调整次数   

文字描述： 假设我们有一个具有 N 个节点的满二叉树，并且我们正在对其中某个节点进行向上调整。在最坏情况下，该节点可能需要一直交换到根节点位置才能满足堆性质。

公式描述：

向上调整建堆到叶子结点时就不再调整，假设向下调整建堆的累计调整次数是T(h)，那么：

T(h) = 2^1 * 1 + 2^2 * 2 + ...... + 2^(h-2) * (h-2) + 2^(h-1) * (h-1)     ① 
2*T(h) = 2^2 * 1 + 2^3 * 2 + ...... + 2^(h-1) * (h-2) + 2^h * (h-1)      ②

由②-①得：

T(h) = -(2^0 + 2^1 + 2^2 + ...... + 2^(h-2) + 2^(h-1)) + 2^h*(h-1)  +  2^0     ③

由等比数列求和公式得：

T(h) = -((2^h) - 1) + 2^h*(h-1) + 2^0     ④

又由于满二叉树高度h与总结点个数N之间的关系是h = log(N+1)，故将④化简可得：

T(N) =  -N + (N+1)(log(N+1)-1) + 1

因此，向上调整建堆的时间复杂度为：O(N*logN)

向下调整建堆的时间复杂度

假设该堆为满二叉树，此时向下调整的情况是最坏的情况：

计算方式：此时所处层的结点个数 * 向下调整次数  

文字描述：假设有一个具有 N 个元素的完全二叉树（即堆），其中 h 是该二叉树的高度。在最坏情况下，需要将一个元素从根节点向下移动到底部层次，并且每一次都需要与其子节点进行比较和交换操作。 

公式描述：

向下调整建堆到叶子结点时就不再调整，假设向下调整建堆的累计调整次数是T(h)，那么：

T(h) = 2^(h-2) * 1 + 2^(h-3) * 1 + ...... + 2^1 * (h-2) + 2^0 * (h-1)     ① 
2*T(h) = 2^(h-1) * 1 + 2^(h-2) * 1 + ...... + 2^2 * (h-2) + 2^1 * (h-1)     ②

由②-①得：

T(h) = 2^(h-1) + 2^(h-2)  + ...... + 2^1 + 2^0 - h     ③

由等比数列求和公式得：

T(h) = 2^h - 1 -h     ④

又由于满二叉树高度h与总结点个数N之间的关系是h = log(N+1)，故将④化简可得：

T(N) =  N - log(N+1)

因此，向下调整建堆的时间复杂度为：O(N) 

结论：向下调整建堆的时间复杂度为O(N)，向上调整建堆的时间复杂度为O(N*logN)，因此更倾向于使用向下调整的方式建堆

向下调整与向下调整建堆的时间复杂度分别为O(logN)与O(N)

维护堆的时间复杂度

//维护
int end = n - 1;
while (end > 0)
{
	Swap(&a[0], &a[end]);
	AdjustDown(a, end, 0);
	--end;
}

维护堆的时间复杂度为O(N*logN)

文字描述：

假设数组 a 的长度为 n，则循环会执行 n-1 次迭代，每次迭代都包括以下几个步骤：

1. 交换首尾元素：通过调用 Swap 函数交换数组首尾元素，所需时间复杂度为 O(1)

2. 向下调整：向下调整的时间复杂度为O(logN)

3. 更新结束标志：将结束标志 end 减一，表示缩小待处理区间，所需时间复杂度为 O(1)

因此，时间复杂度O(n) = (N-1)logN = N*logN

公式描述：

在满二叉树中的总结点个数N为：
N = (2^0) + (2^1) + ... + 2^(h-1)

由等比数列求和公式得到：
N = (2^h - 1)

因此堆高度 h 与结点总数N的关系为：
h = log(N + 1)

最坏情况下，一个元素需要一直向下移动到叶子节点，此时它经过堆高度上所有层级：

所以时间复杂度为O(logN)

补充：时间复杂度计算的是输入规模与算法最坏执行时间之间的关系，在向下调整操作中，时间复杂度计算了堆的总结点个数 N 与一个结点最坏的调整次数所需的时间，这个时间又与结点的高度h有关而h=log(N+1),所以O(N) = log(N+1) = log(N)

top K问题的时间复杂度

文字描述：

利用堆解决top K问题可以分为两个阶段：

1. 建立初始大小为 K 的最小堆：需要插入 K 个元素到空的初始堆中。每次插入操作都需要执行一次向上调整操作，时间复杂度为 O(logK)
   因此，在建立初始大小为 K 的最小堆时所需总比较和交换次数是 O(KlogK)

2. 处理剩余 N-K 个元素：对于每个剩余元素，如果它大于当前最小值（即根节点），则替换并执行向下调整操作，以维护最新的 top k 元素，每次替换和向下调整都需要花费 O(logK) 的时间。
   因此，在处理剩余 N-K 个元素时所需总比较和交换次数是 O((N-K)logK)

因此，使用堆解决 Top K 问题的时间复杂度为 O(KlogK + (N-K)logK)，其中 N 是输入元素的总数。如果 K 远小于 N，则该算法的时间复杂度可近似为 O(NlogK)，因为 K 的值相对较小可忽略不计。

~over~