算法系列(二)：贪心算法--Huffman编码

算法系列(二)：贪心算法--Huffman编码

一、分析

问题描述：

     哈夫曼编码是广泛地用于数据文件压缩的十分有效的编码方法。其压缩率通常在20%～90%之间。哈夫曼编码算法使用字符在文件中出现的频率表来建立一个用0，1串表示各字符的最优表示方式。假设有一个数据文件包含100,000个字符，要用压缩的方法存储它。该文件中各字符出现的频率如表1-1所示。文件中共有6个不同字符出现，字符a出现45,000次，字符b出现13,000次等。

                                         表1-1     字符出现的频率表

                     

      有多种方式表示文件中的信息。若用0,1码串表示字符的方法，即每个字符用唯一的一个0,1串表示。若采用定长编码表示，则表示6个不同的字符需要3位（6<2^3）：a=000,b=001,......,f=101。用这种方法对整个文件编码需要300,000位；若采用变长编码表示，给频率高的字符较短的编码；频率低的字符较长的编码，达到整体编码减少的目的，编码如表所示，则整个文件编码需要（45×1+13×3+12×3+16×3+9×4+5×4）×1000=224,000位，由此可见，变长码比定长码方案好，总码长减小约25%。事实上，这是该文件的最优编码方案。

    1.前缀码：对每一个字符规定一个0,1串作为其代码，并要求任一字符的代码都不是其他字符代码的前缀。这种编码称为前缀码。编码的前缀性质可以使译码方法非常简单；例如采用上例的编码，对于给定的0,1串001011101可唯一的分解为0,0,101,1101，因而其译码为aabe。

      译码过程需要方便的取出编码的前缀，因此需要表示前缀码的合适的数据结构。为此，可以用二叉树作为前缀码的数据结构：树叶表示给定字符；从树根到树叶的路径当作该字符的前缀码；代码中每一位的0或1分别作为指示某节点到左儿子或右儿子的“路标”。

                       

                                                                                           图1-2 前缀码的二叉树表示

      容易看出，表示最优前缀码的二叉树总是一棵完全二叉树，即树中任一节点都有2个儿子。从图1-2a可以看出，定长编码方案不是最优的，其编码的二叉树不是一棵完全二叉树。在一般情况下，若C是编码字符集，表示其最优前缀码的二叉树中恰有|C|个叶子。每个叶子对应于字符集中的一个字符，该二叉树有 |C|-1 个内部节点（二叉树结论：n个节点的完全二叉树，叶子数为：⌈n/2⌉；分支节点数：⌊n/2⌋）。

      给定编码字符集C及频率分布f,即C中任一字符c以频率f(c)在数据文件中出现。C的一个前缀码编码方案对应于一棵二叉树T。字符c在树T中的深度记为dT(c)。dT(c)也是字符c的前缀码长。则平均码长定义为：使平均码长达到最小的前缀码编码方案称为C的最优前缀码。

      哈夫曼提出构造最优前缀码的贪心算法，由此产生的编码方案称为哈夫曼编码。

      在哈夫曼编码分析之前先简单回顾贪心算法，贪心算法通过一系列的选择来得到问题的解。它所做的每一个选择都是当前状态下局部最好选择，即贪心选择。这种“选择就目前来看最好的”启发式的策略并不总能奏效，但也可能是最优的。

      基本模式：

                   

二、求解

     2.构造哈夫曼编码：哈夫曼提出构造最优前缀码的贪心算法，由此产生的编码方案称为哈夫曼编码。

      哈夫曼编码构造步骤如下：

      (1)哈夫曼算法以自底向上的方式构造表示最优前缀码的二叉树T。

      (2)算法以|C|个叶结点开始，执行|C|－1次的“合并”运算后产生最终所要求的树T。

      (3)假设编码字符集中每一字符c的频率是f(c)。以f为键值的优先队列Q用在贪心选择时有效地确定算法当前要合并的2棵具有最小频率的树。一旦2棵具有最小频率的树合并后，产生一棵新的树，其频率为合并的2棵树的频率之和，并将新树插入优先队列Q。经过n－1次的合并后，优先队列中只剩下一棵树，即所要求的树T。

      构造过程如图所示：

                                  

三、程序

      设有文件有n个符号（即叶子节点数为n），则整个二叉树有（2n-1）个节点，组织在一个线性表中（如：数组）

             

      每个哈夫曼树节点的数据结构：< c，f，p，l，r >   (c:符号，f:频率，p:父亲节点，l:左孩子节点，r:右孩子节点)

     例：        字符频率表：                                                             

              构造二叉树：

                                                                              

              存储节点的线性表：

     程序分析及代码(Java)：

      （1）数据结构之优先队列PriorityQueue（详细请看Java API：http://www.yq1012.com/api/java/util/PriorityQueue.html）

       类 PriorityQueue<E>：一个基于优先级堆的无界优先级队列。优先级队列的元素按照其自然顺序进行排序，或者根据构造队列时提供的Comparator 进行排序，具体取决于所使用的构造方法。 此队列的 队头 是按指定排序方式确定的最小/最大元素。队列获取操作 poll、remove、peek 和 element 访问处于队头的元素。

           构造方法：

      public PriorityQueue(int initialCapacity,
                     Comparator<? super E> comparator)

使用指定的初始容量创建一个PriorityQueue，并根据指定的比较器对元素进行排序。

参数：

initialCapacity - 此优先级队列的初始容量

comparator - 用于对此优先级队列进行排序的比较器。如果该参数为null，则将使用元素的自然顺序

抛出：