堆
堆主要使用来动态数据维护
优先队列
定义:优先队列区别于普通队列在于普通队列是先进先出,后进后出。而优先队列的出队顺序与入队顺序无关,而与数据的优先度有关
二叉堆
定义:二叉堆需要满足的性质有:
1.二叉堆必须是一颗完全二叉树(指除最后一层外,其他层的节点必须为最大值,即第一层有一个,第二层有两个,第三层有四个。且最后一层的节点需集中在左侧)
2.如果是最大堆,即子节点的值不能大于其父节点的值
向堆中添加元素,即相当于向数组的末尾添加元素,然后使用shiftUp(维护堆的定义,将新加入的节点与父节点比,大于就交换,使其满足最大堆的性质)
从堆中取出元素,需要进行shiftDown操作,即把最后一个节点放到头节点位置,对该节点进行下沉操作。即把该节点和左右子节点相比,与大的子节点进行替换
对于我们一个数组想将其构建成最大堆 可以执行heapify(从第一个非叶子节点开始执行shiftDown),可以将复杂度为O(NlogN)转化为O(N)
for (int i = size / 2;i >= 1;i --){
shiftDown(i);
}
最大堆代码展示
public class MaxHeap<E extends Comparable> {
private E[] data;
//数组中有多少元素
private int size;
private int capacity;
public MaxHeap(int capacity){
//整个数组从索引1开始存储,这边需要capacity + 1
data = (E[]) new Comparable[capacity+1];
this.capacity = capacity;
//数组中有多少元素
size = 0;
}
public MaxHeap(E[] arr, int n){
data = (E[]) new Comparable[capacity+1];
capacity = n;
for (int i = 0;i < n;i ++){
data[i + 1] = arr[i];
}
size = n;
}
public MaxHeap(){
this(16);
}
public int size(){
return size;
}
public boolean isEmpty(){
return size == 0;
}
public void insert(E e){
//当数组的容量大小大于数组的容量时,需要对数组进行扩容,即新建一个数组,把原数组的值放入新数组
if(size == capacity){
E[] newData = (E[]) new Comparable[capacity * 2+1];
for(int i=0;i <= size;i++){
newData[i]=data[i];
}
data = newData;
capacity = capacity * 2;
}
//将该节点加入data中,通过siftUp
data[size + 1] = e;
size ++;
shiftUp(size);
}
private void shiftUp(int k) {
while (k!=1 && data[k/2].compareTo(data[k]) < 0){
swap(data,k/2,k);
k /=2;
}
}
private void swap(E[] arr, int i, int minIndex) {
E temp = arr[i];
arr[i] = arr[minIndex];
arr[minIndex] = temp;
}
public E extractMax(){
if(size == capacity /4){
E[] newData = (E[]) new Comparable[capacity / 2 + 1];
for(int i=0;i <= size;i++){
newData[i]=data[i];
}
data = newData;
capacity = capacity / 2;
}
E ret = data[1];
swap(data,1,size);
size --;
shiftDown(1);
return ret;
}
private void shiftDown(int k) {
while (2*k <= size){
//j 为当前节点左右孩子最大的数
int j = 2*k;
if(j + 1<=size && data[j + 1].compareTo(data[j]) > 0){
j += 1;
}
if(data[k].compareTo(data[j]) >= 0){
break;
}
swap(data,k,j);
k=j;
}
}
}
排序算法的稳定性:
对于相等的元素,在排序后,原来靠前的元素依然靠前,相等元素的相对位置没有发生改变。
索引堆 Index heap
针对堆的不足:
交换的内容大而引起的性能消耗
由于位置的改变,索引和元素无法产生关联或者查找速率低效(比如索引有具体意义的堆)
索引堆同时会出现修改某索引元素出现时间损耗过大
public class IndexMaxHeap<E extends Comparable> {
private E[] data;
private int[] indexes;
//解决change元素时间损耗过多
private int[] reverse;
private int size;
private int capacity;
public IndexMaxHeap(int capacity){
data = (E[]) new Comparable[capacity+1];
indexes = new int[capacity + 1];
reverse = new int[capacity + 1];
for (int i = 0;i<= capacity;i++){
reverse[i] = 0;
}
this.capacity = capacity;
size = 0;
}
public IndexMaxHeap(E[] arr, int n){
data = (E[]) new Comparable[capacity+1];
capacity = n;
for (int i = 0;i < n;i ++){
data[i + 1] = arr[i];
}
size = n;
}
public IndexMaxHeap(){
this(16);
}
public int size(){
return size;
}
public boolean isEmpty(){
return size == 0;
}
//传入的i对于用户而言,是从索引0开始的
public void insert(int i,E e){
//当数组的容量大小大于数组的容量时,需要对数组进行扩容,即新建一个数组,把原数组的值放入新数组
if(size == capacity){
E[] newData = (E[]) new Comparable[capacity * 2+1];
for(int j=0;j <= size;j++){
newData[j]=data[j];
}
data = newData;
capacity = capacity * 2;
}
i += 1;
//将该节点加入data中,通过siftUp
data[i] = e;
indexes[size + 1] = i;
reverse[i] = size + 1;
size ++;
shiftUp(size);
}
private void shiftUp(int k) {
while (k!=1 && data[indexes[k/2]].compareTo(data[indexes[k]]) < 0){
swap(indexes,k/2,k);
reverse[indexes[k/2]] = k/2;
reverse[indexes[k]] = k;
k /=2;
}
}
private void swap(int[] arr, int i, int minIndex) {
int temp = arr[i];
arr[i] = arr[minIndex];
arr[minIndex] = temp;
}
private void swap(E[] arr, int i, int minIndex) {
E temp = arr[i];
arr[i] = arr[minIndex];
arr[minIndex] = temp;
}
public E extractMax(){
if(size <= 0){
throw new IllegalArgumentException();
}
E ret = data[indexes[1]];
swap(indexes,1,size);
reverse[indexes[1]] = 1;
reverse[indexes[size]] = 0;
size --;
shiftDown(1);
return ret;
}
public int extractMaxIndex(){
if(size <= 0){
throw new IllegalArgumentException();
}
//从一开始的索引转成从 0 开始的索引
int ret = indexes[1] - 1;
swap(indexes,1,size);
reverse[indexes[1]] = 1;
reverse[indexes[size]] = 0;
size --;
shiftDown(1);
return ret;
}
E getItem(int i){
if(!contain(i)){
throw new IllegalArgumentException();
}
return data[i+1];
}
public void change(int i,E newItem){
if(!contain(i)){
throw new IllegalArgumentException();
}
i += 1;
data[i] = newItem;
//找到indexes[j] = i,j表示data[i]在堆中的位置
//之后shiftUp(j),再shiftDown(j)
/*for (int j = 1;i<size;j++){
if(indexes[j] == i){
shiftDown(j);
shiftDown(j);
}
}*/
int j = reverse[i];
shiftUp(j);
shiftDown(j);
}
private boolean contain(int i) {
if(i + 1>=1 &&i+1<=capacity){
return reverse[i+1] != 0;
}
return false;
}
private void shiftDown(int k) {
while (2*k <= size){
//j 为当前节点左右孩子最大的数
int j = 2*k;
if(j + 1<=size && data[indexes[j + 1]].compareTo(data[indexes[j]]) > 0){
j += 1;
}
if(data[indexes[k]].compareTo(data[indexes[j]]) >= 0){
break;
}
swap(indexes,k,j);
reverse[indexes[k]] = k;
reverse[indexes[j]] = j;
k=j;
}
}
}
二叉搜索树
可以用来解决查找问题
public int binarySearch(T arr[],int n,T target){
//在arr[l。。。r]之中查找target
int l = 0,r = n - 1;
while (l <= r){
int mid = l + (r - l) / 2;
if(arr[mid] == target){
return mid;
}
//在arr[l...mid-1]之中查找target
if(target.compareTo(arr[mid]) < 0){
r = mid - 1;
}else{
l = mid + 1;
}
}
return -1;
}
###二分搜索树
优势:不仅可以高效的查找元素,更可以高效的插入元素和删除元素
二叉搜索树定义:对于每个节点,其键值大于其左孩子,小于其右孩子。二分搜索树不一定是一颗完全二叉树
如果想看摸一个树排名第几,可以添加node一个count值:
二分搜索树的局限性:如果二分搜索树的形状与链表相近(即插入的时间近乎有序),则查找,添加,删除都会退化成O(N),可以使用平衡二叉树来解决。
// 二分搜索树
// 由于Key需要能够进行比较,所以需要extends Comparable<Key>
public class BST<Key extends Comparable<Key>, Value> {
// 树中的节点为私有的类, 外界不需要了解二分搜索树节点的具体实现
private class Node {
private Key key;
private Value value;
private Node left, right;
public Node(Key key, Value value) {
this.key = key;
this.value = value;
left = right = null;
}
public Node(Node node){
this.key = node.key;
this.value = node.value;
this.left = node.left;
this.right = node.right;
}
}
private Node root; // 根节点
private int count; // 树种的节点个数
// 构造函数, 默认构造一棵空二分搜索树
public BST() {
root = null;
count = 0;
}
// 返回二分搜索树的节点个数
public int size() {
return count;
}
// 返回二分搜索树是否为空
public boolean isEmpty() {
return count == 0;
}
// 向二分搜索树中插入一个新的(key, value)数据对
public void insert(Key key, Value value){
root = insert(root, key, value);
}
// 查看二分搜索树中是否存在键key
public boolean contain(Key key){
return contain(root, key);
}
// 在二分搜索树中搜索键key所对应的值。如果这个值不存在, 则返回null
public Value search(Key key){
return search( root , key );
}
// 二分搜索树的前序遍历
public void preOrder(){
preOrder(root);
}
// 二分搜索树的中序遍历
public void inOrder(){
inOrder(root);
}
// 二分搜索树的后序遍历
public void postOrder(){
postOrder(root);
}
// 二分搜索树的层序遍历
public void levelOrder(){
// 我们使用LinkedList来作为我们的队列
LinkedList<Node> q = new LinkedList<Node>();
q.add(root);
while( !q.isEmpty() ){
Node node = q.remove();
System.out.println(node.key);
if( node.left != null )
q.add( node.left );
if( node.right != null )
q.add( node.right );
}
}
// 寻找二分搜索树的最小的键值
public Key minimum(){
assert count != 0;
Node minNode = minimum( root );
return minNode.key;
}
// 寻找二分搜索树的最大的键值
public Key maximum(){
assert count != 0;
Node maxNode = maximum(root);
return maxNode.key;
}
// 从二分搜索树中删除最小值所在节点
public void removeMin(){
if( root != null )
root = removeMin( root );
}
// 从二分搜索树中删除最大值所在节点
public void removeMax(){
if( root != null )
root = removeMax( root );
}
// 从二分搜索树中删除键值为key的节点
public void remove(Key key){
root = remove(root, key);
}
//********************
//* 二分搜索树的辅助函数
//********************
// 向以node为根的二分搜索树中, 插入节点(key, value), 使用递归算法
// 返回插入新节点后的二分搜索树的根
private Node insert(Node node, Key key, Value value){
if( node == null ){
count ++;
return new Node(key, value);
}
if( key.compareTo(node.key) == 0 )
node.value = value;
else if( key.compareTo(node.key) < 0 )
node.left = insert( node.left , key, value);
else // key > node->key
node.right = insert( node.right, key, value);
return node;
}
// 查看以node为根的二分搜索树中是否包含键值为key的节点, 使用递归算法
private boolean contain(Node node, Key key){
if( node == null )
return false;
if( key.compareTo(node.key) == 0 )
return true;
else if( key.compareTo(node.key) < 0 )
return contain( node.left , key );
else // key > node->key
return contain( node.right , key );
}
// 在以node为根的二分搜索树中查找key所对应的value, 递归算法
// 若value不存在, 则返回NULL
private Value search(Node node, Key key){
if( node == null )
return null;
if( key.compareTo(node.key) == 0 )
return node.value;
else if( key.compareTo(node.key) < 0 )
return search( node.left , key );
else // key > node->key
return search( node.right, key );
}
// 对以node为根的二叉搜索树进行前序遍历, 递归算法
private void preOrder(Node node){
if( node != null ){
System.out.println(node.key);
preOrder(node.left);
preOrder(node.right);
}
}
// 对以node为根的二叉搜索树进行中序遍历, 递归算法
private void inOrder(Node node){
if( node != null ){
inOrder(node.left);
System.out.println(node.key);
inOrder(node.right);
}
}
// 对以node为根的二叉搜索树进行后序遍历, 递归算法
private void postOrder(Node node){
if( node != null ){
postOrder(node.left);
postOrder(node.right);
System.out.println(node.key);
}
}
// 返回以node为根的二分搜索树的最小键值所在的节点
private Node minimum(Node node){
if( node.left == null )
return node;
return minimum(node.left);
}
// 返回以node为根的二分搜索树的最大键值所在的节点
private Node maximum(Node node){
if( node.right == null )
return node;
return maximum(node.right);
}
// 删除掉以node为根的二分搜索树中的最小节点
// 返回删除节点后新的二分搜索树的根
private Node removeMin(Node node){
if( node.left == null ){
Node rightNode = node.right;
node.right = null;
count --;
return rightNode;
}
node.left = removeMin(node.left);
return node;
}
// 删除掉以node为根的二分搜索树中的最大节点
// 返回删除节点后新的二分搜索树的根
private Node removeMax(Node node){
if( node.right == null ){
Node leftNode = node.left;
node.left = null;
count --;
return leftNode;
}
node.right = removeMax(node.right);
return node;
}
// 删除掉以node为根的二分搜索树中键值为key的节点, 递归算法
// 返回删除节点后新的二分搜索树的根
Node remove(Node node, Key key){
if( node == null )
return null;
if( key.compareTo(node.key) < 0 ){
node.left = remove( node.left , key );
return node;
}
else if( key.compareTo(node.key) > 0 ){
node.right = remove( node.right, key );
return node;
}
else{ // key == node->key
// 待删除节点左子树为空的情况
if( node.left == null ){
Node rightNode = node.right;
node.right = null;
count --;
return rightNode;
}
// 待删除节点右子树为空的情况
if( node.right == null ){
Node leftNode = node.left;
node.left = null;
count--;
return leftNode;
}
// 待删除节点左右子树均不为空的情况
// 找到比待删除节点大的最小节点, 即待删除节点右子树的最小节点
// 用这个节点顶替待删除节点的位置
Node successor = new Node(minimum(node.right));
count ++;
successor.right = removeMin(node.right);
successor.left = node.left;
node.left = node.right = null;
count --;
return successor;
}
}
// 测试二分搜索树
public static void main(String[] args) {
int N = 1000000;
// 创建一个数组,包含[0...N)的所有元素
Integer[] arr = new Integer[N];
for(int i = 0 ; i < N ; i ++)
arr[i] = new Integer(i);
// 打乱数组顺序
for(int i = 0 ; i < N ; i ++){
int pos = (int) (Math.random() * (i+1));
Integer t = arr[pos];
arr[pos] = arr[i];
arr[i] = t;
}
// 由于我们实现的二分搜索树不是平衡二叉树,
// 所以如果按照顺序插入一组数据,我们的二分搜索树会退化成为一个链表
// 平衡二叉树的实现,我们在这个课程中没有涉及,
// 有兴趣的同学可以查看资料自学诸如红黑树的实现
// 以后有机会,我会在别的课程里向大家介绍平衡二叉树的实现的:)
// 我们测试用的的二分搜索树的键类型为Integer,值类型为String
// 键值的对应关系为每个整型对应代表这个整型的字符串
BST<Integer,String> bst = new BST<Integer,String>();
for(int i = 0 ; i < N ; i ++)
bst.insert(new Integer(arr[i]), Integer.toString(arr[i]));
// 对[0...2*N)的所有整型测试在二分搜索树中查找
// 若i在[0...N)之间,则能查找到整型所对应的字符串
// 若i在[N...2*N)之间,则结果为null
for(int i = 0 ; i < 2*N ; i ++){
String res = bst.search(new Integer(i));
if( i < N )
assert res.equals(Integer.toString(i));
else
assert res == null;
}
}
}