算法第一部分（2）

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;
        }
    }
}