优先级队列
优先级队列首先是一个队列,他符合队列的基本特性,先进先出。
不过,在优先级队列中,数据的出队顺序不是先进先出,而是按照优先级来,优先级最高的,最先出队。
实现优先级队列的方法有很多,用堆来实现是最直接、最高效的。
堆和优先级队列十分相似,有时候一个堆就可以看作一个优先级队列。
往优先级队列中插入一个元素,就相当于往堆中插入一个元素;
从优先级队列中取出优先级最高的元素,就相当于取出堆顶元素。
优先级队列的应用场景非常多。很多数据结构和算法都依赖它。
比如,赫夫曼编码、图的最短路径、最小生成树算法等等。
很多语言中,都提供了优先级队列的实现,比如,Java 的 PriorityQueue,C++ 的 priority_queue 等。
优先级队列具体应用举例:合并有序小文件、高性能定时器。
合并有序小文件
假设我们有 100 个小文件,每个文件的大小是 100MB,每个文件中存储的都是有序的字符串。
希望将这些 100 个小文件合并成一个有序的大文件。这里就可以用到优先级队列。
我们从这 100 个文件中,各取第一个字符串,放入数组中,然后比较大小,把最小的那个字符串放入合并后的大文件中,并从数组中删除。(类似于归并排序的merge方法)
假设,这个最小的字符串来自于 13.txt 这个小文件,我们就再从这个小文件取下一个字符串,放到数组中,重新比较大小,并且选择最小的放入合并后的大文件,将它从数组中删除。依次类推,直到所有的文件中的数据都放入到大文件为止。
这里我们用数组这种数据结构,来存储从小文件中取出来的字符串。每次从数组中取最小字符串,都需要循环遍历整个数组,显然不是很高效。
这里就可以用到优先级队列,也可以说是堆。
我们将从小文件中取出来的字符串放入到小顶堆中,那堆顶的元素,也就是优先级队列队首的元素,就是最小的字符串。我们将这个字符串放入到大文件中,并将其从堆中删除。然后再从小文件中取出下一个字符串,放入到堆中。循环这个过程,就可以将 100 个小文件中的数据依次放入到大文件中。
删除堆顶数据和往堆中插入数据的时间复杂度都是 O(logn),n 表示堆中的数据个数。比原来数组存储的方式高效了很多。
高性能定时器
假设我们有一个定时器,定时器中维护了很多定时任务,每个任务都设定了一个要触发执行的时间点。
定时器每过一个很小的单位时间(比如 1 秒),就扫描一遍任务,看是否有任务到达设定的执行时间。
如果到达了,就拿出来执行。
但是,这样每过 1 秒就扫描一遍任务列表的做法比较低效,主要原因有两点:
一、 任务的约定执行时间离当前时间可能还有很久,这样前面很多次扫描其实都是徒劳的;
二、 每次都要扫描整个任务列表,如果任务列表很大的话,势必会比较耗时。
针对问题,就可以用优先级队列来解决。我们按照任务设定的执行时间,将这些任务存储在优先级队列中,队列首部(也就是小顶堆的堆顶)存储的是最先执行的任务。
定时器就不需要每隔 1 秒就扫描一遍任务列表了。它拿队首任务的执行时间点,与当前时间点相减,得到一个时间间隔 T。
这个时间间隔 T 就是,从当前时间开始,需要等待多久,才会有第一个任务需要被执行。
这样,定时器就可以设定在 T 秒之后,再来执行任务。从当前时间点到(T-1)秒这段时间里,定时器都不需要做任何事情。
当 T 秒时间过去之后,定时器取优先级队列中队首的任务执行。
然后再计算新的队首任务的执行时间点与当前时间点的差值,把这个值作为定时器执行下一个任务需要等待的时间。
这样,定时器既不用间隔 1 秒就轮询一次,也不用遍历整个任务列表,性能也就提高了。
TOP K 问题
可以把求 Top K 的问题抽象成两类。
一类是针对静态数据集合,也就是说数据集合事先确定,不会再变。
另一类是针对动态数据集合,也就是说数据集合事先并不确定,有数据动态地加入到集合中。
针对静态数据,我们可以维护一个大小为 K 的小顶堆,用数据将堆填满。
顺序遍历数组,从数组中取出数据与堆顶元素比较。如果比堆顶元素大,我们就把堆顶元素删除,并且将这个元素插入到堆中;
如果比堆顶元素小,则不做处理,继续遍历数组。这样等数组中的数据都遍历完之后,堆中的数据就是前 K 大数据了。
遍历数组需要 O(n) 的时间复杂度,一次堆化操作需要 O(logK) 的时间复杂度。
所以最坏情况下,n 个元素都入堆一次,时间复杂度就是 O(nlogK)。
针对动态数据求得 Top K 就是实时 Top K。
一个数据集合中有两个操作,一个是添加数据,另一个询问当前的前 K 大数据。
如果每次询问前 K 大数据,我们都基于当前的数据重新计算的话,那时间复杂度就是 O(nlogK),n 表示当前的数据的大小。
实际上,我们可以一直都维护一个 K 大小的小顶堆,当有数据被添加到集合中时,我们就拿它与堆顶的元素对比。
如果比堆顶元素大,我们就把堆顶元素删除,并且将这个元素插入到堆中;
如果比堆顶元素小,则不做处理。这样,无论任何时候需要查询当前的前 K 大数据,我们都可以立刻返回给他。
利用堆求中位数
中位数,顾名思义,就是处在中间位置的那个数。
如果数据的个数是奇数,把数据从小到大排列,那第 n/2+1 个数据就是中位数(注意:假设数据是从 0 开始编号的);
如果数据的个数是偶数的话,那处于中间位置的数据有两个,第 n/2 个和第 n/2+1 个数据。
这个时候,我们可以随意取一个作为中位数,比如取两个数中靠前的那个,就是第 n/2 个数据。
对于一组静态数据,中位数是固定的,我们可以先排序,第 n/2 个数据就是中位数。
每次询问中位数的时候,返回这个固定值就好了。
但是对于动态数据集合,中位数在不停地变动。
如果再用先排序的方法,每次询问中位数的时候,都要先进行排序,那效率就不高了。
借助堆这种数据结构,不用排序就可以非常高效地实现求中位数操作。
维护两个堆,一个大顶堆,一个小顶堆。
大顶堆中存储前半部分数据,小顶堆中存储后半部分数据,且小顶堆中的数据都大于大顶堆中的数据。
如果有 n 个数据,n 是偶数,我们从小到大排序,那前 n/2 个数据存储在大顶堆中,后 n/2 个数据存储在小顶堆中。
这样,大顶堆中的堆顶元素就是我们要找的中位数。
如果 n 是奇数,情况是类似的,大顶堆就存储 n/2+1 个数据,小顶堆中就存储 n/2 个数据。
如果对于动态变化的数据来说,当新添加一个数据的时候。我们就需要调整两个堆,大顶堆中的堆顶元素继续是中位数。
如果新加入的数据小于等于大顶堆的堆顶元素,我们就将这个新数据插入到大顶堆;否则,我们就将这个新数据插入到小顶堆。
这个时候就有可能出现,两个堆中的数据个数不符合前面约定的情况
之前约定如果 n 是偶数,两个堆中的数据个数都是 n/2;如果 n 是奇数,大顶堆有 n/2 + 1 个数据,小顶堆有 n/2 个数据。
可以从一个堆中不停地将堆顶元素移动到另一个堆,通过这样的调整,来让两个堆中的数据满足上面的约定。
这样就可以利用两个堆,一个大顶堆、一个小顶堆,实现在动态数据集合中求中位数的操作。
插入数据因为需要涉及堆化,所以时间复杂度变成了 O(logn)。
但是求中位数我们只需要返回大顶堆的堆顶元素就可以了,所以时间复杂度就是 O(1)。
如何快速求接口的 99% 响应时间
中位数的概念就是将数据从小到大排列,处于中间位置,就叫中位数,这个数据会大于等于前面 50% 的数据。
99 百分位数的概念可以类比中位数,如果将一组数据从小到大排列,这个 99 百分位数就是大于前面 99% 数据的那个数据。
如果有 100 个接口访问请求,每个接口请求的响应时间都不同,比如 55 毫秒、100 毫秒、23 毫秒等。
我们把这 100 个接口的响应时间按照从小到大排列,排在第 99 的那个数据就是 99% 响应时间,也叫 99 百分位响应时间。
如果有 n 个数据,将数据从小到大排列之后,99 百分位数大约就是第 n*99% 个数据,80 百分位数大约就是第 n*80% 个数据。
如何求99% 响应时间?
我们维护两个堆,一个大顶堆,一个小顶堆。
假设当前总数据的个数是 n,大顶堆中保存 n*99% 个数据,小顶堆中保存 n*1% 个数据。
大顶堆堆顶的数据就是我们要找的 99% 响应时间。
每次插入一个数据的时候,我们要判断这个数据跟大顶堆和小顶堆堆顶数据的大小关系,然后决定插入到哪个堆中。
如果这个新插入的数据比大顶堆的堆顶数据小,那就插入大顶堆;
如果这个新插入的数据比小顶堆的堆顶数据大,那就插入小顶堆。
为了保持大顶堆中的数据占 99%,小顶堆中的数据占 1%,在每次新插入数据之后,我们都要重新计算。
计算这个时候大顶堆和小顶堆中的数据个数,是否还符合 99:1 这个比例。
如果不符合,我们就将一个堆中的数据移动到另一个堆,直到满足这个比例。
移动的方法就类似于中位数的移动方法。
通过这样的方法,每次插入数据,可能会涉及几个数据的堆化操作,所以时间复杂度是 O(logn)。
每次求 99% 响应时间的时候,直接返回大顶堆中的堆顶数据即可,时间复杂度是 O(1)。