【详解优先级队列(堆)】

已于 2023-12-21 18:18:57 修改
阅读量3.2k 收藏 31
点赞数 50
分类专栏： 集合与数据结构 文章标签： java 优先级队列 数据结构 堆
于 2023-12-13 16:28:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/themyth142857/article/details/134930911
版权

目录

堆的概念 

堆的性质 

堆的存储方式 

堆的创建 

堆的向下调整

向下过程(以小堆为例) 

向下过程(以大堆为例) 

建堆的时间复杂度O(n)

堆的插入与删除 

堆的插入

向上调整建堆的时间复杂度O(nlogn)

堆的删除 

常见习题

常用接口介绍

PriorityQueue的特性

PriorityQueue常用接口介绍

优先级队列的构造

插入/删除/获取优先级最高的元素   

oj练习

堆的应用 

1.PriorityQueue的实现

2.堆排序

🌠作者：@TheMythWS.

🎇座右铭：不走心的努力都是在敷衍自己，让自己所做的选择，熠熠发光。 

之前我们介绍过队列，队列是一种先进先出(FIFO)的数据结构，但有些情况下，操作的数据可能带有优先级，一般出队列时，可能需要优先级高的元素先出队列，该场景下，使用队列显然不合适，比如：在手机上玩游戏的时候，如果有来电，那么系统应该优先处理打进来的电话；初中那会班主任排座位时可能会让成绩好的同学先挑座位。
在这种情况下，数据结构应该提供两个最基本的操作，一个是返回最高优先级对象，一个是添加新的对象。这种数据结构就是优先级队列(Priority Queue)。 

优先级队列的模拟实现  
JDK1.8中的PriorityQueue底层使用了堆这种数据结构，而堆实际就是在完全二叉树的基础上进行了一些调整。所以我们先要了解堆这个数据结构。

堆的概念 

如果有一个关键码的集合K = {k0，k1， k2，…，kn-1}，把它的所有元素按完全二叉树的顺序存储方式存储在一个一维数组中，并满足：Ki <= K2i+1 且 Ki<= K2i+2 (Ki >= K2i+1 且 Ki >= K2i+2) i = 0，1，2…，则称为小堆(或大堆)。

将根节点最大的堆叫做最大堆或大根堆，根节点最小的堆叫做最小堆或小根堆.  

堆的性质 

  1. 堆中某个节点的值总是不大于（<=）或不小于（>=）其父节点的值；
  2. 堆总是一棵完全二叉树。 

堆的存储方式 

从堆的概念可知，堆是一棵完全二叉树，因此可以层序的规则采用顺序的方式来高效存储。

 

注意：对于非完全二叉树，则不适合使用顺序方式进行存储，因为为了能够还原二叉树，空间中必须要存储空节点，就会导致空间利用率比较低。  

将元素存储到数组中后，可以根据二叉树章节的性质5对树进行还原。假设i为节点在数组中的下标，则有：
如果i为0，则i表示的节点为根节点，否则i节点的双亲节点为 (i - 1)/2
如果2 * i + 1 小于节点个数，则节点i的左孩子下标为2 * i + 1，否则没有左孩子
如果2 * i + 2 小于节点个数，则节点i的右孩子下标为2 * i + 2，否则没有右孩子  

堆的创建 

堆的向下调整

对于集合{ 27, 15, 19, 18, 28, 34, 65, 49, 25, 37 }中的数据，如果将其创建成堆呢？  

仔细观察上图后发现：根节点的左右子树已经完全满足堆的性质，因此只需将根节点向下调整好即可。 （每棵子树都是从根节点向下调整）

向下过程(以小堆为例) 

方法：
1. 让parent标记需要调整的节点，child标记parent的左孩子(注意：parent如果有孩子一定先是有左孩子)
2. 如果parent的左孩子存在，即:child < size， 进行以下操作，直到parent的左孩子不存在  
parent右孩子是否存在，存在找到左右孩子中最小的孩子，让child进行标记, 将parent与较小的孩子child比较，如果：
(1)parent小于较小的孩子child，调整结束; 
(2)否则：交换parent与较小的孩子child，交换完成之后，parent中大的元素向下移动，可能导致子树不满足堆的性质，因此需要继续向下调整，即parent = child；child = parent*2+1; 然后继续2步骤。  

图解：

向下过程(以大堆为例) 

从最后一棵子树的根节点开始调整

简单来说就是如果要创建一个小（大）根堆，那么要先满足它的左子树和右子树都是小（大）根堆。

public class TestHeap {
    public int[] elem;
    public int usedSize;
    public TestHeap() {
        this.elem = new int[10];
    }
    public void initElem(int[] array) {
        for (int i = 0; i < array.length; i++) {
            elem[i] = array[i];
            usedSize++;
        }
    }
    public void createBigHeap() {//以大堆为例:
        //找倒数第一个非叶子节点，从该节点位置开始往前一直到根节点，遇到一个节点，应用向下调整 : 每棵树都是从父节点开始往下走.
        for (int parent = (usedSize - 1 - 1) / 2; parent >= 0; parent--) {
            bigShiftDown(parent, usedSize);
        }
    }
    /*
    父亲下标
    (当前每棵树的节点数)每棵树的结束下标
     */
    //时间复杂度分析: 最坏情况: 从根一路比较到叶子, 比较的次数为完全二叉树的高度, 即O(logn)
    private void bigShiftDown(int parent, int len) {//parent每棵子树的根节点，len每棵子树调整的结束位置，不能 > len
        // child先标记parent的左孩子，因为parent可能有左孩子, 没有右孩子(至少有左孩子)
        int child = 2 * parent + 1;
        //最起码要有左孩子
        while (child < len) {//假设len = 10, child最多只能等于9下标, 因为没有10下标.
            // 如果右孩子存在，找到左右孩子中较大的孩子,用child进行标记
            if (child + 1 < len && elem[child] < elem[child + 1]) {
                child++;
            }
            //child下标 一定是左右孩子最大值的下标
            //如果双亲比其最大的孩子还小，将双亲和最大的孩子交换
            if (elem[child] > elem[parent]) {
                int tmp = elem[child];
                elem[child] = elem[parent];
                elem[parent] = tmp;
                //parent小，往下移动，可能会造成子树不满足堆的性质，因此需要继续向下调整
                parent = child;
                child = 2 * parent + 1;
            } else {//双亲比其最大的孩子还大, 说明该结构已经满足大堆的特性了
                break;
            }
        }
    }
    public void createSmallHeap() {//以小堆为例:
        //找倒数第一个非叶子节点，从该节点位置开始往前一直到根节点，遇到一个节点，应用向下调整 : 每棵树都是从父节点开始往下走.
        for (int parent = (usedSize - 1 - 1) / 2; parent >= 0; parent--) {
            smallShiftDown(parent, usedSize);
        }
    }
    /*
    父亲下标
    (当前每棵树的节点数)每棵树的结束下标
     */
    //时间复杂度分析: 最坏情况: 从根一路比较到叶子, 比较的次数为完全二叉树的高度, 即O(logn)
    private void smallShiftDown(int parent, int len) {
        // child先标记parent的左孩子，因为parent可能有左孩子, 没有右孩子(至少有左孩子)
        int child = 2 * parent + 1;
        //最起码要有左孩子
        while (child < len) {//假设len = 10, child最多只能等于9下标, 因为没有10下标.
            // 如果右孩子存在，找到左右孩子中较小的孩子,用child进行标记
            if (child + 1 < len && elem[child] > elem[child + 1]) {
                child++;
            }
            //child下标 一定是左右孩子最小值的下标
            //如果双亲比其最小的孩子还大，将双亲和最小的孩子交换
            if (elem[child] < elem[parent]) {
                int tmp = elem[child];
                elem[child] = elem[parent];
                elem[parent] = tmp;
                //parent大，往下移动，可能会造成子树不满足堆的性质，因此需要继续向下调整
                parent = child;
                child = 2 * parent + 1;
            } else {//双亲比其最小的孩子还小, 说明该结构已经满足小堆的特性了
                break;
            }
        }
    }   
}

public class Test {
    public static void main(String[] args) {
        TestHeap testHeap = new TestHeap();
        int[] arr = {27, 15, 19, 18, 28, 34, 65, 49, 25, 37};
        testHeap.initElem(arr);
        testHeap.createBigHeap();
        //testHeap.createSmallHeap();
        System.out.println("断点调试");
    }
}

注意：在调整以parent为根的二叉树时，必须要满足parent的左子树和右子树已经是堆了才可以向下调整。

建堆的时间复杂度O(n)

因为堆是完全二叉树，而满二叉树也是完全二叉树，此处为了简化使用满二叉树来证明(时间复杂度本来看的就是近似值，多几个节点不影响最终结果)：

堆的插入与删除 

堆的插入

堆的插入总共需要两个步骤：
1. 先将元素放入到底层空间中(注意：空间不够时需要扩容)
2. 将最后新插入的节点向上调整，直到满足堆的性质  

这里是向上调整！！！跟上面的向下调整注意区分开

  • 向上调整：从最后一个孩子(即刚插入的节点)从上顺着双亲结点调整
  • 向下调整：从最后一颗子树的双亲节点向下调整

以小堆为例:

以大堆为例: 

//堆的插入(大堆)
    //向上调整建堆 时间复杂度:O(nlogn)
    public void bigOffer(int val) {
        if (isFull()) {
            //扩容
            elem = Arrays.copyOf(elem, 2 * elem.length);
        }
//        elem[usedSize] = val;
//        usedSize++;
        elem[usedSize++] = val;
        //向上调整
        bigShiftUp(usedSize - 1);//因为usdSize刚刚已经+1了, 所以最后一个节点下标是usedSize - 1
    }
    //向上调整, 以大堆为例
    private void bigShiftUp(int child) {
        int parent = (child - 1) / 2;
        while (child > 0) {
            //如果新插入的节点比双亲节点大, 就交换它们的值
            if (elem[child] > elem[parent]) {
                int tmp = elem[child];
                elem[child] = elem[parent];
                elem[parent] = tmp;
                child = parent;
                parent = (child - 1) / 2;
            } else {//比双亲节点还小, 满足大堆的性质, 不需要调整了.
                break;
            }
        }
    }
    //堆的插入(小堆)
    //向上调整建堆 时间复杂度:O(nlogn)
    public void smallOffer(int val) {
        if (isFull()) {
            //扩容
            elem = Arrays.copyOf(elem, 2 * elem.length);
        }
//        elem[usedSize] = val;
//        usedSize++;
        elem[usedSize++] = val;
        //向上调整
        smallShiftUp(usedSize - 1);//因为usdSize刚刚已经+1了, 所以最后一个节点下标是usedSize - 1
    }
    //向上调整, 以小堆为例
    private void smallShiftUp(int child) {
        int parent = (child - 1) / 2;
        while (child > 0) {
            //如果新插入的节点比双亲节点小, 就交换它们的值
            if (elem[child] < elem[parent]) {
                int tmp = elem[child];
                elem[child] = elem[parent];
                elem[parent] = tmp;
                child = parent;
                parent = (child - 1) / 2;
            } else {//比双亲节点还小, 满足大堆的性质, 不需要调整了.
                break;
            }
        }
    }
    public boolean isFull() {
        return usedSize == elem.length;
    }
public static void main(String[] args) {
        TestHeap testHeap = new TestHeap();
        int[] arr = {27, 15, 19, 18, 28, 34, 65, 49, 25, 37};
        testHeap.initElem(arr);
//        testHeap.createBigHeap();
//        testHeap.bigOffer(80);
        testHeap.createSmallHeap();
        testHeap.smallOffer(10);
        System.out.println("断点调试");
    }

大堆插入:


小堆的插入:

向上调整建堆的时间复杂度O(nlogn)

堆的删除 

注意：堆的删除一定删除的是堆顶元素。具体如下：
1. 将堆顶元素对堆中最后一个元素交换
2. 将堆中有效数据个数减少一个
3. 对堆顶元素进行向下调整

插入10之后的小堆的删除

 //堆的删除(大堆)
    public void bigPoll() {
        if (isEmpty()) {
            return;
        }
        swap(elem, 0, usedSize - 1);
        usedSize--;
        bigShiftDown(0, usedSize);
    }
    //堆的删除(小堆)
    public void smallPoll() {
        if (isEmpty()) {
            return;
        }
        swap(elem, 0, usedSize - 1);
        usedSize--;
        smallShiftDown(0, usedSize);
    }
    private void swap(int[] array, int i, int j) {
        int tmp = elem[i];
        elem[i] = elem[j];
        elem[j] = tmp;
    }
    public boolean isEmpty() {
        return usedSize == 0;
    }
public static void main(String[] args) {
        TestHeap testHeap = new TestHeap();
        int[] arr = {27, 15, 19, 18, 28, 34, 65, 49, 25, 37};
        testHeap.initElem(arr);
        testHeap.createBigHeap();
        testHeap.bigPoll();
//        testHeap.createSmallHeap();
//        testHeap.smallPoll();
        System.out.println("断点调试");
    }

常见习题

1.下列关键字序列为堆的是:()
A: 100,60,70,50,32,65 B: 60,70,65,50,32,100 C: 65,100,70,32,50,60
D: 70,65,100,32,50,60 E: 32,50,100,70,65,60 F: 50,100,70,65,60,32

2.已知小根堆为8,15,10,21,34,16,12，删除关键字8之后需重建堆，在此过程中，关键字之间的比较次数是()

A: 1 B: 2 C: 3 D: 4

3.最小堆[0,3,2,5,7,4,6,8],在删除堆顶元素0之后，其结果是()
A: [3，2，5，7，4，6，8] B: [2，3，5，7，4，6，8]
C: [2，3，4，5，7，8，6] D: [2，3，4，5，6，7，8]

注意: 
大小堆的插入是向上调整，删除和创建是向下调整。                    
插入和删除元素的时间复杂度为O(logn)
建堆的时间复杂度为O(n) 

常用接口介绍

PriorityQueue的特性

Java集合框架中提供了PriorityQueue和PriorityBlockingQueue两种类型的优先级队列，
PriorityQueue是线程不安全的，PriorityBlockingQueue是线程安全的，本文主要介绍PriorityQueue。

关于PriorityQueue的使用要注意：  

  1. 使用时必须导入PriorityQueue所在的包，即: import java.util.PriorityQueue;
  2. PriorityQueue中放置的元素必须要能够比较大小，不能插入无法比较大小的对象，否则会抛出ClassCastException异常
  3. 不能插入null对象，否则会抛出NullPointerException
  4. 没有容量限制，可以插入任意多个元素，其内部可以自动扩容
  5. 插入和删除元素的时间复杂度为O(logn)
  6. PriorityQueue底层使用了堆数据结构
  7. PriorityQueue默认情况下是小堆---即每次获取到的元素都是最小的元素 

PriorityQueue常用接口介绍

优先级队列的构造

此处只是列出了PriorityQueue中常见的几种构造方式

public static void main(String[] args) {
        // 创建一个空的优先级队列，底层默认容量是11
        PriorityQueue<Integer> q1 = new PriorityQueue<>();
        // 创建一个空的优先级队列，底层的容量为initialCapacity
        PriorityQueue<Integer> q2 = new PriorityQueue<>(100);
        ArrayList<Integer> list = new ArrayList<>();
        list.add(4);
        list.add(3);
        list.add(2);
        list.add(1);
        // 用ArrayList对象来构造一个优先级队列的对象
        // q3中已经包含了三个元素
        PriorityQueue<Integer> q3 = new PriorityQueue<>(list);
        System.out.println(q3.size());//4
        System.out.println(q3.peek());//1
}

注意：默认情况下，PriorityQueue队列是小堆，如果需要大堆需要用户提供比较器  

// 用户自己定义的比较器：直接实现Comparator接口，然后重写该接口中的compare方法即可
class IntCmp implements Comparator<Integer> {
    @Override
    public int compare(Integer o1, Integer o2) {
        return o2 - o1;//大--->小
    }
}
public static void main(String[] args) {
        PriorityQueue<Integer> p = new PriorityQueue<>(new IntCmp());
        p.offer(4);
        p.offer(3);
        p.offer(2);
        p.offer(1);
        p.offer(5);
        System.out.println(p.peek());//5
        //此时创建出来的就是一个大堆。
    }

插入/删除/获取优先级最高的元素   

public static void main(String[] args) {
        int[] arr = {4, 1, 9, 2, 8, 0, 7, 3, 6, 5};
        // 一般在创建优先级队列对象时，如果知道元素个数，建议就直接将底层容量给好
        // 否则在插入时需要不多的扩容
        // 扩容机制：开辟更大的空间，拷贝元素，这样效率会比较低
        PriorityQueue<Integer> q = new PriorityQueue<>(arr.length);
        for (int e : arr) {
            q.offer(e);
        }
        System.out.println(q.size()); //10 打印优先级队列中有效元素个数
        System.out.println(q.peek()); //0 获取优先级最高的元素
        // 从优先级队列中删除两个元素之后，再次获取优先级最高的元素
        q.poll();
        q.poll();
        System.out.println(q.size()); //8 打印优先级队列中有效元素个数
        System.out.println(q.peek()); //2 获取优先级最高的元素
        q.offer(0);
        System.out.println(q.peek()); //0 获取优先级最高的元素
        // 将优先级队列中的有效元素删除掉，检测其是否为空
        q.clear();
        if (q.isEmpty()) {
            System.out.println("优先级队列已经为空!!!");
        } else {
            System.out.println("优先级队列不为空");
        }
    }

注意：以下是JDK 1.8中，PriorityQueue的扩容方式：

优先级队列的扩容说明:

  • 如果容量小于64时，是按照oldCapacity的2倍方式扩容的
  • 如果容量大于等于64，是按照oldCapacity的1.5倍方式扩容的
  • 如果容量超过MAX_ARRAY_SIZE，按照MAX_ARRAY_SIZE来进行扩容   

oj练习

top-k问题：最大或者最小的前k个数据。比如：世界前500强公司  

top-k问题最小k个数

//top-k问题:最小的前k个值
    //普通做法:
    public int[] smallestK(int[] arr, int k) {//O(nlogn + klogn = (n+k)logn ≈ nlogn)
        int[] ret = new int[k];
        // 参数检测
        if (null == arr || k <= 0) {
            //return new int[0];
            return ret;
        }
        Queue<Integer> minHeap = new PriorityQueue<>(arr.length);
        // 将数组中的元素依次放到堆中 O(nlogn)
        for (int x : arr) {
            minHeap.offer(x);
        }
        // 将优先级队列的前k个元素放到数组中 O(klogn)
        for (int i = 0; i < k; i++) {
            ret[i] = minHeap.poll();
        }
        return ret;
    }

以上解法只是PriorityQueue的简单使用，并不是topK最好的做法，那top-k该如何实现？
TOP-K问题：即求数据集合中前K个最大的元素或者最小的元素，一般情况下数据量都比较大。
比如：专业前10名、世界500强、富豪榜、游戏中前100的活跃玩家等。
对于Top-K问题，能想到的最简单直接的方式就是排序，但是：如果数据量非常大，排序就不太可取了(可能数据都不能一下子全部加载到内存中)。
最佳的方式就是用堆来解决，基本思路如下： 

1. 用数据集合中前K个元素来建堆
前k个最大的元素，则建小堆
前k个最小的元素，则建大堆
2. 用剩余的N-K个元素依次与堆顶元素来比较，不满足则替换堆顶元素
将剩余N-K个元素依次与堆顶元素比完之后，堆中剩余的K个元素就是所求的前K个最小或者最大的元素。  
实现思路:

下面以top-k前k个最大值的做法为例:

//top-k问题:最大的前k个值 O(nlogk)
    //比较好的解法
    public static int[] largestK(int[] arr, int k) {
        int[] ret = new int[k];
        // 参数检测
        if (null == arr || k <= 0) {
            //return new int[0];
            return ret;
        }
        Queue<Integer> minHeap = new PriorityQueue<>(k);
        // 1.将数组中的前k个元素依次放到堆中, 前k个建立小根堆 O(klogk)
        for (int i = 0; i < k; i++) {
            minHeap.offer(arr[i]);
        }
        // 2.遍历剩下个元素, 每次和堆顶元素作比较 O((n-k)*logk)
        // 因为是小根堆, 堆顶元素是最小的, 当遍历到数组元素大于堆顶的时候，说明此时堆顶的元素一定不是前K个最大的值。入堆,调整堆
        //否则,不入堆.
        for (int i = k; i < arr.length; i++) {
            int topValue = minHeap.peek();
            if (arr[i] > topValue) {
                minHeap.poll();
                minHeap.offer(arr[i]);
            }
        }
        // 3.将前k个元素放到数组中 O(klogn)
        for (int i = 0; i < k; i++) {
            ret[i] = minHeap.poll();
        }
        return ret;
    }
public static void main(String[] args) {
        int[] array = {1, 2, 3, 4, 5};
        int[] ret = largestK(array, 3);
        System.out.println(Arrays.toString(ret));
    }

堆的应用 

1.PriorityQueue的实现

用堆作为底层结构封装优先级队列  

2.堆排序

堆排序即利用堆的思想来进行排序，总共分为两个步骤： 
(1) 建堆
升序：建大堆
降序：建小堆

(2)利用堆删除思想来进行排序 
建堆和堆删除中都用到了向下调整，因此掌握了向下调整，就可以完成堆排序。 

以升序为列子: 

 //堆排序:升序 (建大堆, 大堆向下调整)
    //时间复杂度:O(nlogn) 空间复杂度:O(1)
    public void heapAscSort() {
        int end = usedSize - 1;
        while (end > 0) {
            swap(elem, 0, end);
            bigShiftDown(0, end);
            /*
            区分一下，之前向下调整先是传入的整个数组的大小，
            在这儿因为要保持每次交换到后面的元素不参入向下调整，所以需要向下调整的数组元素个数要-1
            */
            end--;
        }
    }
    //堆排序:降序 (建小堆, 小堆向下调整)
    //时间复杂度:O(nlogn) 空间复杂度:O(1)
    public void heapDescSort() {
        int end = usedSize - 1;
        while (end > 0) {
            swap(elem, 0, end);
            smallShiftDown(0, end);
            /*
            区分一下，之前向下调整先是传入的整个数组的大小，
            在这儿因为要保持每次交换到后面的元素不参入向下调整，所以需要向下调整的数组元素个数要-1
            */
            end--;
        }
}
public static void main(String[] args) {
        TestHeap testHeap = new TestHeap();
        int[] arr = {27, 15, 19, 18, 28, 34, 65, 49, 25, 37};
        testHeap.initElem(arr);
        //testHeap.createBigHeap();
        //testHeap.heapAscSort();
        testHeap.createSmallHeap();
        testHeap.heapDescSort();
        System.out.println("断点调试");
}

常见习题

​​​​​​​一组记录排序码为(5 11 7 2 3 17)，则利用堆排序方法建立的初始堆为()
A: (11 5 7 2 3 17) B: (11 5 7 2 17 3) C: (17 11 7 2 3 5)
D: (17 11 7 5 3 2) E: (17 7 11 3 5 2) F: (17 7 11 3 2 5)

TheMythWS
关注
专栏目录
堆和图的题目
weixin_41767962的博客
02-19 953
1.最小堆[0,3,2,5,7,4,6,8],在删除堆顶元素0之后，其结果是（）//[2,3,4,5,7,8,6] 解释:插入元素是在最后插入，然后进行调整堆；删除元素是把最后的元素放到删除元素的地方，然后进行调整堆。 删除0后用8填充0的位置，为[8,3,2,5,7,4,6]，然后再继续调整堆。直到满足最小堆为止。 2.设有6个结点的无向图，该图至少应有（）条边才能确保是一个连通图。//5 解释...
【0、2、1、4、3、9、5、8、6、7】是以数组形式存储的最小堆，删除堆顶元素0后的结果是
无鞋童鞋的博客
09-13 9721
【题目】【0、2、1、4、3、9、5、8、6、7】是以数组形式存储的最小堆，删除堆顶元素0后的结果是（）。 　A、【2、1、4、3、9、5、8、6、7】 　B、【1、2、5、4、3、9、8、6、7】 　C、【2、3、1、4、7、9、5、8、6】 　D、【1、2、5、4、3、9、7、8、6】 分析： 　　删除堆顶，然后总是从堆尾将某个数先放置到堆顶，然后依次下调到符合完全二叉树的要求，即每
堆 相关笔试题
小旋锋 的博客
09-11 1760
牛客网 专项练习题 (101,88,46,70,34,39,45,58,66,10)是堆()A. 对 B. 错 正确答案: A 最小堆：直接父节点比两个子节点都小。 最大堆：直接父节点比两个子节点都大。 本题写下来，是最大堆。 下列数据结构不是多型数据类型的是（）A. 堆 B. 栈 C. 字符串 D. 有向图 正确答案: C 多型就是数据元素的类型不确定，
云计算设计模式（十六）——优先级队列模式
每一天都有新的希望
11-07 5811
云计算设计模式（十六）——优先级队列模式 优先发送到服务，以便具有较高优先级的请求被接收和高于一个较低优先级的更快速地处理请求。这种模式是在应用程序是有用的，它提供不同的服务级别保证或者针对独立客户。
详解优先级队列(堆)
ashfiqa的博客
10-16 973
一、堆的概念以及堆的创建 1、堆的概念 什么是堆？（堆的逻辑上是一个完全二叉树，实际上是保存在数组中） 我们把一个完全二叉树通过层序遍历存储到数组当中，这个数组就叫做堆。 注意：堆中的元素不能为空。(浪费大量空间) 什么是大根堆和小根堆？ 大根堆：所有结点的值都大于其子结点的值，我们称为大根堆。 小根堆：所有结点的值都小于其子结点的值，我们称为小根堆。 注意：父亲结点为i时，左孩子的结点为i*2+1，右孩子的结点为i*2+2; 孩子结点为i时...
详解优先级队列
程序员大航子
05-20 2494
优先级队列 优先级队列，这个数据结构可以理解为一个箱子，给定一个比较的规则，然后比较的比较有限的元素，会沉的比较下面，当要取出一个元素的时候，最上面的元素就会率先被取出来。 举个例子。 public static void main(String[] args) { PriorityQueue<Integer> priorityQueue = new PriorityQueue<>(((o1, o2) -> o2 - o1)); priorityQueue.o
优先级队列详解
2301_79083481的博客
10-08 1297
讲解了优先级队列的使用和模拟实现
二叉堆详解实现优先级队列.md
11-17
二叉堆详解实现优先级队列.md
Python实现优先级队列结构的方法详解
09-21
### Python 实现优先级队列结构的方法详解 #### 一、优先级队列概述 优先级队列（Priority Queue）是一种特殊的数据结构，它能够存储一系列具有不同优先级的元素。这种数据结构允许用户根据元素的优先级进行插入和...
wilbur-sun#learning-algorithm#二叉堆详解实现优先级队列1
07-25
一、二叉堆概览 二、优先级队列概览 四、实现 delMax 和 insert 五、最后总结
理论和实践详解RabbitMQ优先级队列（priority queues）（带测试样例及分析）
天然玩家的博客
07-30 838
（1）优先级队列起作用是有条件的：消息先入队，累计一定的数据，之后消费者进行消费才会按照优先级消费数据，如果消费者一直开启，则按照先到先消费的原则处理消息，与普通队列无差； （2）优先级队列的优先级取值为0~255，但是，不建议设置太多级别，因为，太多的级别会带来更多CPU的消耗； （3）如果消息的优先级高于队列配置的最大优先级，则消息优先级按照队列最大优先级处理。......
spring循环依赖解决方式
qq_36400213的博客
11-04 882
字段注入和setter注入则提供了更多的灵活性，但需要更谨慎地管理对象的状态。方法注入和注解注入则适用于特定的场景。在Spring框架中，依赖注入（Dependency Injection，DI）是一种实现控制反转（Inversion of Control，IoC）的机制，用于将对象的依赖关系自动注入到对象中。这种方式不如构造器注入严格，但比字段注入更灵活，因为它可以在不创建新实例的情况下改变对象的依赖。这种方式是推荐的，因为它可以保证对象在创建时就处于完全初始化的状态，并且可以使得bean不可变。
JAVA-01-变量
LJH_laura_li的博客
11-08 131
在方法、构造函数或块内部定义的变量。
2024年华为OD机试真题-查找充电设备-C++-OD统一考试（E卷）
面试高手的博客
11-08 18
某个充电站，可提供n个充电设备只，每个充电设备均有对应的输出功率任意个充电设备组合的输出功率总和，均构成功率集合P的1个元素功率集合P的最优元素，表示最接近充电站最大输出功率pmax 的元素。每一题都含有详细的解题思路和代码注释，精编c++、JAVA、Python三种语言解法。当充电设备输出功率50、20、20组合时，其输出功率总和为90，最接近充电站最大充电输出功率，因此最优元素为90。所有充电设备的输出功率组合，均大于充电站最大充电输出功率30，此时最优元素值为0。第 2 行为每个充电设备的输出功率。
JAVA学习接口案例实例
最新发布
shangan_3的博客
11-08 51
【代码】JAVA学习接口案例实例。
每日OJ题_牛客_相差不超过k的最多数_滑动窗口_C++_Java
参考书籍：《C语言程序设计》《数据结构》《C++ Primer》《Effective C++》《STL源码剖析》《现代操作系统》《UNIX环境高级编程》《图解TCP/IP》《图解HTTP》《Linux高性能服务器编程》《剑指Offer》《算法导论》
11-04 402
每日OJ题_牛客_相差不超过k的最多数_滑动窗口_C++_Java（排序容易想，但是滑动窗口不容易想到，核心思想：使用滑动窗口算法通过动态调整窗口的大小，遍历所有符合条件的连续子序列，求得最大连续子序列的长度。）
【Java知识】Java基础-对象排序的实现
wendao76的专栏
11-04 348
方法，并且需要提供一个比较器（Comparator）来定义对象的排序逻辑。这些示例展示了如何在Java中对对象进行排序，无论是使用列表还是数组，都可以灵活地使用比较器来定义排序规则。在Java中，对象的排序通常涉及到使用。
GEMM优化（待更新）
qq_62704693的博客
11-03 809
来源参考：深入浅出GPU优化系列：GEMM优化（一） - 知乎深入浅出GPU优化系列：GEMM优化（二） - 知乎深入浅出GPU优化系列：GEMM优化（三） - 知乎。
STL优先级队列详解与应用
二叉堆是优先级队列的基础数据结构，它是一种完全二叉树，满足堆的性质：每个节点的值都大于或等于其子节点的值（最大堆），或者小于或等于其子节点的值（最小堆）。在STL中，优先级队列默认实现为最大堆，即顶部...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

TheMythWS

你的鼓励，我的动力。

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值