在实现优先队列之前,我们先学习一下堆这种数据结构,因为用堆实现的优先队列是一种常见的选择,实现的优先队列的算法的时间复杂度是O(logn)级别的。
堆:堆有很多种,其中最主流的方式就是用二叉树来表示一个堆,通常称之为二叉堆(Binary Heap),二叉堆就是一个满足特殊性质的二叉树。
二叉堆是一颗完全二叉树,(满二叉树:对于整棵树来说,除了叶子节点,所有的节点左右孩子都不为空,满二叉树一定是完全二叉树,完全二叉树不一定是满二叉树)完全二叉树有着严谨的定义,我们可以理解为完全二叉树就是把元素排列成树的形状,二叉树中每一层容纳的元素树有限的,当一层容纳不下时,剩下的元素就从树的左侧依次挂载,对于整棵树来说,最下面一层一定都是叶子节点,其次,在最下层的叶子节点的上面一层可能还有叶子节点,但这些叶子节点一定分布在这个树的右侧。堆中任意节点的值总是不大于其父亲节点的值,也就说,父节点的值大于等于孩子节点的值。这样定义的堆叫做最大堆(相应的可以定义最小堆),最大堆中最大的值就是根节点的值。
因为完全二叉树是一层一层的形式,我们可以给节点加上索引,有索引的情况下使用数组是较好的方式,父节点与孩子节点存在一种逻辑关系,我们使用索引就可以很好的表示出来。
二叉堆的简单实现(增删替换等功能):
/**
* @author ymn
* @version 1.0
* @date 2020\5\18 0015 15:20
*/
public class MaxHeap<E extends Comparable<E>> {
private Array<E> data;
public MaxHeap(int capacity){
data = new Array<>(capacity);
}
public MaxHeap(){
data = new Array<>();
}
//heapify:将任意数组整理成堆的形状
//heapify的作用:将n个元素逐个添加到一个空堆中,算法复杂度是O(nlogn)的,heapify的过程,算法复杂度为O(n)。
public MaxHeap(E[] arr){
data = new Array<>(arr);
for (int i = parent(data.getSize()-1);i >= 0;i --){
siftDown(i);
}
}
//返回堆中元素的个数
public int getSize(){
return data.getSize();
}
//返回一个布尔值,表示堆中是否为空
public boolean isEmpty(){
return data.isEmpty();
}
//返回完全二叉树的数组表示中,一个节点表示的元素的父节点的索引
private int parent(int index){
if (index == 0){
throw new IllegalArgumentException("0 index doesn't have parent node.");
}
return (index - 1) / 2;
}
//返回完全二叉树的数组表示中,一个节点表示的元素的左孩子节点的索引
private int leftChild(int index){
return (index * 2) + 1;
}
//返回完全二叉树的数组表示中,一个节点表示的元素的右孩子节点的索引
private int rightChild(int index){
return (index * 2) + 2;
}
//向堆中添加元素
public void add(E e){
data.addLast(e);
//参数为数组的最后一个元素的索引
siftUp(data.getSize() - 1);
}
//sift up(上浮)
//因为我们不知道新添加的元素是否大于其父节点,所以我们要维护维护最大堆的定义(父节点的值大于等于孩子节点的值)
private void siftUp(int k){
//上浮节点的索引不能等于根节点的索引
while (k > 0 && data.get(parent(k)).compareTo(data.get(k)) < 0){
data.swap(k,parent(k));
k = parent(k);
}
}
//返回堆中最大的元素
public E findMax(){
if (data.getSize() == 0){
throw new IllegalArgumentException("Can't findMax when heap is empty");
}
return data.get(0);
}
//取出堆中最大元素
public E extractMax(){
E ret = findMax();
data.swap(0,data.getSize() - 1);
data.removeLast();
siftDown(0);
return ret;
}
//sift down(下沉),目的同样是要维护维护最大堆的定义(父节点的值大于等于孩子节点的值)
private void siftDown(int k){
while (leftChild(k) < data.getSize()){
//获得当前节点的左孩子的索引
int j = leftChild(k);
//判断一下当前节点是否有右孩子
if (j + 1 < data.getSize() && data.get(j + 1).compareTo(data.get(j)) > 0){
j = rightChild(k);
}
//这样data[j]就是leftChild和rightChild的最大值
data.swap(k,j);
k = j;
}
}
//取出堆中最大的元素,并且替换成元素e
public E replace(E e){
E ret = findMax();
data.set(0,e);
siftDown(0);
return ret;
}
}
使用我们自己实现的MaxHeap实现优先队列:
/**
* @author ymn
* @version 1.0
* @date 2020\5\18 0018 16:19
*/
public class PriorityQueue<E extends Comparable<E>> implements Queue<E> {
private MaxHeap<E> maxHeap;
@Override
public int getSize() {
return maxHeap.getSize();
}
@Override
public boolean isEmpty() {
return maxHeap.isEmpty();
}
//入队
@Override
public void enqueue(E e) {
maxHeap.add(e);
}
//出队
@Override
public E dequeue() {
return maxHeap.extractMax();
}
//获得队首元素
@Override
public E getFront() {
return maxHeap.findMax();
}
}