1. 概要
本章介绍二叉堆，二叉堆就是通常我们所说的数据结构中"堆"中的一种。和以往一样，本文会先对二叉堆的理论知识进行简单介绍，然后给出C语言的实现。后续再分别给出C++和Java版本的实现；实现的语言虽不同，但是原理如出一辙，选择其中之一进行了解即可。若文章有错误或不足的地方，请不吝指出！
2. 堆和二叉堆的介绍
2.1 堆的定义
堆(heap)，这里所说的堆是数据结构中的堆，而不是内存模型中的堆。堆通常是一个可以被看做一棵树，它满足下列性质：
[性质一] 堆中任意节点的值总是不大于(不小于)其子节点的值；
[性质二] 堆总是一棵完全树。
将任意节点不大于其子节点的堆叫做最小堆或小根堆，而将任意节点不小于其子节点的堆叫做最大堆或大根堆。常见的堆有二叉堆、左倾堆、斜堆、二项堆、斐波那契堆等等。
2.2 二叉堆的定义
二叉堆是完全二元树或者是近似完全二元树，它分为两种：最大堆和最小堆。
最大堆：父结点的键值总是大于或等于任何一个子节点的键值；最小堆：父结点的键值总是小于或等于任何一个子节点的键值。示意图如下：
二叉堆一般都通过"数组"来实现。数组实现的二叉堆，父节点和子节点的位置存在一定的关系。有时候，我们将"二叉堆的第一个元素"放在数组索引0的位置，有时候放在1的位置。当然，它们的本质一样(都是二叉堆)，只是实现上稍微有一丁点区别。
假设"第一个元素"在数组中的索引为 0 的话，则父节点和子节点的位置关系如下：
(01) 索引为i的左孩子的索引是 (2*i+1);
(02) 索引为i的左孩子的索引是 (2*i+2);
(03) 索引为i的父结点的索引是 floor((i-1)/2);
假设"第一个元素"在数组中的索引为 1 的话，则父节点和子节点的位置关系如下：
(01) 索引为i的左孩子的索引是 (2*i);
(02) 索引为i的左孩子的索引是 (2*i+1);
(03) 索引为i的父结点的索引是 floor(i/2);
注意：本文二叉堆的实现统统都是采用"二叉堆第一个元素在数组索引为0"的方式！
在前面，我们已经了解到："最大堆"和"最小堆"是对称关系。这也意味着，了解其中之一即可。本节的图文解析是以"最大堆"来进行介绍的。
二叉堆的核心是"添加节点"和"删除节点"，理解这两个算法，二叉堆也就基本掌握了。下面对它们进行介绍。
1. 添加
假设在最大堆[90,80,70,60,40,30,20,10,50]种添加85，需要执行的步骤如下：
如上图所示，当向最大堆中添加数据时：先将数据加入到最大堆的最后，然后尽可能把这个元素往上挪，直到挪不动为止！
将85添加到[90,80,70,60,40,30,20,10,50]中后，最大堆变成了[90,85,70,60,80,30,20,10,50,40]。
最大堆的插入代码(C语言)
/*
* 最大堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
static void maxheap_filterup(int start)
{
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
int tmp = m_heap[c]; // 当前节点(current)的大小
while(c > 0)
{
if(m_heap[p] >= tmp)
break;
else
{
m_heap[c] = m_heap[p];
c = p;
p = (p-1)/2;
}
}
m_heap[c] = tmp;
}
/*
* 将data插入到二叉堆中
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
int maxheap_insert(int data)
{
// 如果"堆"已满，则返回
if(m_size == m_capacity)
return -1;
m_heap[m_size] = data; // 将"数组"插在表尾
maxheap_filterup(m_size); // 向上调整堆
m_size++; // 堆的实际容量+1
return 0;
}
maxheap_insert(data)的作用：将数据data添加到最大堆中。
当堆已满的时候，添加失败；否则data添加到最大堆的末尾。然后通过上调算法重新调整数组，使之重新成为最大堆。
2. 删除
假设从最大堆[90,85,70,60,80,30,20,10,50,40]中删除90，需要执行的步骤如下：
从[90,85,70,60,80,30,20,10,50,40]删除90之后，最大堆变成了[85,80,70,60,40,30,20,10,50]。
如上图所示，当从最大堆中删除数据时：先删除该数据，然后用最大堆中最后一个的元素插入这个空位；接着，把这个“空位”尽量往上挪，直到剩余的数据变成一个最大堆。
注意：考虑从最大堆[90,85,70,60,80,30,20,10,50,40]中删除60，执行的步骤不能单纯的用它的子节点来替换；而必须考虑到"替换后的树仍然要是最大堆"！
最大堆的删除代码(C语言)
/*
* 返回data在二叉堆中的索引
*
* 返回值：
* 存在 -- 返回data在数组中的索引
* 不存在 -- -1
*/
int get_index(int data)
{
int i=0;
for(i=0; i<m_size; i++)
if (data==m_heap[i])
return i;
return -1;
}
/*
* 最大堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
static void maxheap_filterdown(int start, int end)
{
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
int tmp = m_heap[c]; // 当前(current)节点的大小
while(l <= end)
{
// "l"是左孩子，"l+1"是右孩子
if(l < end && m_heap[l] < m_heap[l+1])
l++; // 左右两孩子中选择较大者，即m_heap[l+1]
if(tmp >= m_heap[l])
break; //调整结束
else
{
m_heap[c] = m_heap[l];
c = l;
l = 2*l + 1;
}
}
m_heap[c] = tmp;
}
/*
* 删除最大堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
int maxheap_remove(int data)
{
int index;
// 如果"堆"已空，则返回-1
if(m_size == 0)
return -1;
// 获取data在数组中的索引
index = get_index(data);
if (index==-1)
return -1;
m_heap[index] = m_heap[--m_size]; // 用最后元素填补
maxheap_filterdown(index, m_size-1); // 从index位置开始自上向下调整为最大堆
return 0;
}maxheap_remove(data)的作用：从最大堆中删除数据data。
当堆已经为空的时候，删除失败；否则查处data在最大堆数组中的位置。找到之后，先用最后的元素来替换被删除元素；然后通过下调算法重新调整数组，使之重新成为最大堆。
该"示例的完整代码"以及"最小堆的相关代码"，请参考下面的二叉堆的实现。
二叉堆的C实现(完整源码)
二叉堆的实现同时包含了"最大堆"和"最小堆"，它们是对称关系；理解一个，另一个就非常容易懂了。二叉堆(最大堆)的实现文件(max_heap.c)
/**
* 二叉堆(最大堆)
*
* @author skywang
* @date 2014/03/07
*/
#include <stdio.h>
#include <stdlib.h>
#define LENGTH(a) ( (sizeof(a)) / (sizeof(a[0])) )
static int m_heap[30]; // 数据
static int m_capacity=30; // 总的容量
static int m_size=0; // 实际容量(初始化为0)
/*
* 返回data在二叉堆中的索引
*
* 返回值：
* 存在 -- 返回data在数组中的索引
* 不存在 -- -1
*/
int get_index(int data)
{
int i=0;
for(i=0; i<m_size; i++)
if (data==m_heap[i])
return i;
return -1;
}
/*
* 最大堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
static void maxheap_filterdown(int start, int end)
{
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
int tmp = m_heap[c]; // 当前(current)节点的大小
while(l <= end)
{
// "l"是左孩子，"l+1"是右孩子
if(l < end && m_heap[l] < m_heap[l+1])
l++; // 左右两孩子中选择较大者，即m_heap[l+1]
if(tmp >= m_heap[l])
break; //调整结束
else
{
m_heap[c] = m_heap[l];
c = l;
l = 2*l + 1;
}
}
m_heap[c] = tmp;
}
/*
* 删除最大堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
int maxheap_remove(int data)
{
int index;
// 如果"堆"已空，则返回-1
if(m_size == 0)
return -1;
// 获取data在数组中的索引
index = get_index(data);
if (index==-1)
return -1;
m_heap[index] = m_heap[--m_size]; // 用最后元素填补
maxheap_filterdown(index, m_size-1); // 从index位置开始自上向下调整为最大堆
return 0;
}
/*
* 最大堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
static void maxheap_filterup(int start)
{
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
int tmp = m_heap[c]; // 当前节点(current)的大小
while(c > 0)
{
if(m_heap[p] >= tmp)
break;
else
{
m_heap[c] = m_heap[p];
c = p;
p = (p-1)/2;
}
}
m_heap[c] = tmp;
}
/*
* 将data插入到二叉堆中
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
int maxheap_insert(int data)
{
// 如果"堆"已满，则返回
if(m_size == m_capacity)
return -1;
m_heap[m_size] = data; // 将"数组"插在表尾
maxheap_filterup(m_size); // 向上调整堆
m_size++; // 堆的实际容量+1
return 0;
}
/*
* 打印二叉堆
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
void maxheap_print()
{
int i;
for (i=0; i<m_size; i++)
printf("%d ", m_heap[i]);
}
void main()
{
int a[] = {10, 40, 30, 60, 90, 70, 20, 50, 80};
int i, len=LENGTH(a);
printf("== 依次添加: ");
for(i=0; i<len; i++)
{
printf("%d ", a[i]);
maxheap_insert(a[i]);
}
printf("\n== 最 大 堆: ");
maxheap_print();
i=85;
maxheap_insert(i);
printf("\n== 添加元素: %d", i);
printf("\n== 最 大 堆: ");
maxheap_print();
i=90;
maxheap_remove(i);
printf("\n== 删除元素: %d", i);
printf("\n== 最 大 堆: ");
maxheap_print();
printf("\n");
}二叉堆(最小堆)的实现文件(min_heap.c)
/**
* 二叉堆(最小堆)
*
* @author skywang
* @date 2014/03/07
*/
#include <stdio.h>
#include <stdlib.h>
#define LENGTH(a) ( (sizeof(a)) / (sizeof(a[0])) )
static int m_heap[30];
static int m_capacity=30; // 总的容量
static int m_size=0; // 实际容量(初始化为0)
/*
* 返回data在二叉堆中的索引
*
* 返回值：
* 存在 -- 返回data在数组中的索引
* 不存在 -- -1
*/
int get_index(int data)
{
int i=0;
for(i=0; i<m_size; i++)
if (data==m_heap[i])
return i;
return -1;
}
/*
* 最小堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
static void minheap_filterdown(int start, int end)
{
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
int tmp = m_heap[c]; // 当前(current)节点的大小
while(l <= end)
{
// "l"是左孩子，"l+1"是右孩子
if(l < end && m_heap[l] > m_heap[l+1])
l++; // 左右两孩子中选择较小者，即m_heap[l+1]
if(tmp <= m_heap[l])
break; //调整结束
else
{
m_heap[c] = m_heap[l];
c = l;
l = 2*l + 1;
}
}
m_heap[c] = tmp;
}
/*
* 删除最小堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
int minheap_remove(int data)
{
int index;
// 如果"堆"已空，则返回-1
if(m_size == 0)
return -1;
// 获取data在数组中的索引
index = get_index(data);
if (index==-1)
return -1;
m_heap[index] = m_heap[--m_size]; // 用最后元素填补
minheap_filterdown(index, m_size-1); // 从index号位置开始自上向下调整为最小堆
return 0;
}
/*
* 最小堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
static void filter_up(int start)
{
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
int tmp = m_heap[c]; // 当前节点(current)的大小
while(c > 0)
{
if(m_heap[p] <= tmp)
break;
else
{
m_heap[c] = m_heap[p];
c = p;
p = (p-1)/2;
}
}
m_heap[c] = tmp;
}
/*
* 将data插入到二叉堆中
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
int minheap_insert(int data)
{
// 如果"堆"已满，则返回
if(m_size == m_capacity)
return -1;
m_heap[m_size] = data; // 将"数组"插在表尾
filter_up(m_size); // 向上调整堆
m_size++; // 堆的实际容量+1
return 0;
}
/*
* 打印二叉堆
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
void minheap_print()
{
int i;
for (i=0; i<m_size; i++)
printf("%d ", m_heap[i]);
}
void main()
{
int a[] = {80, 40, 30, 60, 90, 70, 10, 50, 20};
int i, len=LENGTH(a);
printf("== 依次添加: ");
for(i=0; i<len; i++)
{
printf("%d ", a[i]);
minheap_insert(a[i]);
}
printf("\n== 最 小 堆: ");
minheap_print();
i=15;
minheap_insert(i);
printf("\n== 添加元素: %d", i);
printf("\n== 最 小 堆: ");
minheap_print();
i=10;
minheap_remove(i);
printf("\n== 删除元素: %d", i);
printf("\n== 最 小 堆: ");
minheap_print();
printf("\n");
}二叉堆的C测试程序
测试程序已经包含在相应的实现文件中了，这里就不再重复说明了。
最大堆(max_heap.c)的运行结果：
== 依次添加: 10 40 30 60 90 70 20 50 80 == 最 大 堆: 90 80 70 60 40 30 20 10 50 == 添加元素: 85 == 最 大 堆: 90 85 70 60 80 30 20 10 50 40 == 删除元素: 90 == 最 大 堆: 85 80 70 60 40 30 20 10 50
最小堆(min_heap.c)的运行结果：
== 依次添加: 80 40 30 60 90 70 10 50 20 == 最 小 堆: 10 20 30 50 90 70 40 80 60 == 添加元素: 15 == 最 小 堆: 10 15 30 50 20 70 40 80 60 90 == 删除元素: 10 == 最 小 堆: 15 20 30 50 90 70 40 80 60
PS. 二叉堆是"堆排序"的理论基石。以后讲解算法时会讲解到"堆排序"，理解了"二叉堆"之后，"堆排序"就很简单了。
2.2 C++实现
二叉堆的C++实现(完整源码)
二叉堆的实现同时包含了"最大堆"和"最小堆"。
二叉堆(最大堆)的实现文件(MaxHeap.cpp)
/**
* 二叉堆(最大堆)
*
* @author skywang
* @date 2014/03/07
*/
#include <iomanip>
#include <iostream>
using namespace std;
template <class T>
class MaxHeap{
private:
T *mHeap; // 数据
int mCapacity; // 总的容量
int mSize; // 实际容量
private:
// 最大堆的向下调整算法
void filterdown(int start, int end);
// 最大堆的向上调整算法(从start开始向上直到0，调整堆)
void filterup(int start);
public:
MaxHeap();
MaxHeap(int capacity);
~MaxHeap();
// 返回data在二叉堆中的索引
int getIndex(T data);
// 删除最大堆中的data
int remove(T data);
// 将data插入到二叉堆中
int insert(T data);
// 打印二叉堆
void print();
};
/*
* 构造函数
*/
template <class T>
MaxHeap<T>::MaxHeap()
{
new (this)MaxHeap(30);
}
template <class T>
MaxHeap<T>::MaxHeap(int capacity)
{
mSize = 0;
mCapacity = capacity;
mHeap = new T[mCapacity];
}
/*
* 析构函数
*/
template <class T>
MaxHeap<T>::~MaxHeap()
{
mSize = 0;
mCapacity = 0;
delete[] mHeap;
}
/*
* 返回data在二叉堆中的索引
*
* 返回值：
* 存在 -- 返回data在数组中的索引
* 不存在 -- -1
*/
template <class T>
int MaxHeap<T>::getIndex(T data)
{
for(int i=0; i<mSize; i++)
if (data==mHeap[i])
return i;
return -1;
}
/*
* 最大堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
template <class T>
void MaxHeap<T>::filterdown(int start, int end)
{
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
T tmp = mHeap[c]; // 当前(current)节点的大小
while(l <= end)
{
// "l"是左孩子，"l+1"是右孩子
if(l < end && mHeap[l] < mHeap[l+1])
l++; // 左右两孩子中选择较大者，即mHeap[l+1]
if(tmp >= mHeap[l])
break; //调整结束
else
{
mHeap[c] = mHeap[l];
c = l;
l = 2*l + 1;
}
}
mHeap[c] = tmp;
}
/*
* 删除最大堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
template <class T>
int MaxHeap<T>::remove(T data)
{
int index;
// 如果"堆"已空，则返回-1
if(mSize == 0)
return -1;
// 获取data在数组中的索引
index = getIndex(data);
if (index==-1)
return -1;
mHeap[index] = mHeap[--mSize]; // 用最后元素填补
filterdown(index, mSize-1); // 从index位置开始自上向下调整为最大堆
return 0;
}
/*
* 最大堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
template <class T>
void MaxHeap<T>::filterup(int start)
{
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
T tmp = mHeap[c]; // 当前节点(current)的大小
while(c > 0)
{
if(mHeap[p] >= tmp)
break;
else
{
mHeap[c] = mHeap[p];
c = p;
p = (p-1)/2;
}
}
mHeap[c] = tmp;
}
/*
* 将data插入到二叉堆中
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
template <class T>
int MaxHeap<T>::insert(T data)
{
// 如果"堆"已满，则返回
if(mSize == mCapacity)
return -1;
mHeap[mSize] = data; // 将"数组"插在表尾
filterup(mSize); // 向上调整堆
mSize++; // 堆的实际容量+1
return 0;
}
/*
* 打印二叉堆
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
template <class T>
void MaxHeap<T>::print()
{
for (int i=0; i<mSize; i++)
cout << mHeap[i] << " ";
}
int main()
{
int a[] = {10, 40, 30, 60, 90, 70, 20, 50, 80};
int i, len=(sizeof(a)) / (sizeof(a[0])) ;
MaxHeap<int>* tree=new MaxHeap<int>();
cout << "== 依次添加: ";
for(i=0; i<len; i++)
{
cout << a[i] <<" ";
tree->insert(a[i]);
}
cout << "\n== 最 大 堆: ";
tree->print();
i=85;
tree->insert(i);
cout << "\n== 添加元素: " << i;
cout << "\n== 最 大 堆: ";
tree->print();
i=90;
tree->remove(i);
cout << "\n== 删除元素: " << i;
cout << "\n== 最 大 堆: ";
tree->print();
cout << endl;
return 0;
}二叉堆(最小堆)的实现文件(MinHeap.cpp)
/**
* 二叉堆(最小堆)
*
* @author skywang
* @date 2014/03/07
*/
#include <iomanip>
#include <iostream>
using namespace std;
template <class T>
class MinHeap{
private:
T *mHeap; // 数据
int mCapacity; // 总的容量
int mSize; // 实际容量
private:
// 最小堆的向下调整算法
void filterdown(int start, int end);
// 最小堆的向上调整算法(从start开始向上直到0，调整堆)
void filterup(int start);
public:
MinHeap();
MinHeap(int capacity);
~MinHeap();
// 返回data在二叉堆中的索引
int getIndex(T data);
// 删除最小堆中的data
int remove(T data);
// 将data插入到二叉堆中
int insert(T data);
// 打印二叉堆
void print();
};
/*
* 构造函数
*/
template <class T>
MinHeap<T>::MinHeap()
{
new (this)MinHeap(30);
}
template <class T>
MinHeap<T>::MinHeap(int capacity)
{
mSize = 0;
mCapacity = capacity;
mHeap = new T[mCapacity];
}
/*
* 析构函数
*/
template <class T>
MinHeap<T>::~MinHeap()
{
mSize = 0;
mCapacity = 0;
delete[] mHeap;
}
/*
* 返回data在二叉堆中的索引
*
* 返回值：
* 存在 -- 返回data在数组中的索引
* 不存在 -- -1
*/
template <class T>
int MinHeap<T>::getIndex(T data)
{
for(int i=0; i<mSize; i++)
if (data==mHeap[i])
return i;
return -1;
}
/*
* 最小堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
template <class T>
void MinHeap<T>::filterdown(int start, int end)
{
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
T tmp = mHeap[c]; // 当前(current)节点的大小
while(l <= end)
{
// "l"是左孩子，"l+1"是右孩子
if(l < end && mHeap[l] > mHeap[l+1])
l++; // 左右两孩子中选择较小者，即mHeap[l+1]
if(tmp <= mHeap[l])
break; //调整结束
else
{
mHeap[c] = mHeap[l];
c = l;
l = 2*l + 1;
}
}
mHeap[c] = tmp;
}
/*
* 删除最小堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
template <class T>
int MinHeap<T>::remove(T data)
{
int index;
// 如果"堆"已空，则返回-1
if(mSize == 0)
return -1;
// 获取data在数组中的索引
index = getIndex(data);
if (index==-1)
return -1;
mHeap[index] = mHeap[--mSize]; // 用最后元素填补
filterdown(index, mSize-1); // 从index号位置开始自上向下调整为最小堆
return 0;
}
/*
* 最小堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
template <class T>
void MinHeap<T>::filterup(int start)
{
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
T tmp = mHeap[c]; // 当前节点(current)的大小
while(c > 0)
{
if(mHeap[p] <= tmp)
break;
else
{
mHeap[c] = mHeap[p];
c = p;
p = (p-1)/2;
}
}
mHeap[c] = tmp;
}
/*
* 将data插入到二叉堆中
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
template <class T>
int MinHeap<T>::insert(T data)
{
// 如果"堆"已满，则返回
if(mSize == mCapacity)
return -1;
mHeap[mSize] = data; // 将"数组"插在表尾
filterup(mSize); // 向上调整堆
mSize++; // 堆的实际容量+1
return 0;
}
/*
* 打印二叉堆
*
* 返回值：
* 0，表示成功
* -1，表示失败
*/
template <class T>
void MinHeap<T>::print()
{
for (int i=0; i<mSize; i++)
cout << mHeap[i] << " ";
}
int main()
{
int a[] = {80, 40, 30, 60, 90, 70, 10, 50, 20};
int i, len=(sizeof(a)) / (sizeof(a[0])) ;
MinHeap<int>* tree=new MinHeap<int>();
cout << "== 依次添加: ";
for(i=0; i<len; i++)
{
cout << a[i] <<" ";
tree->insert(a[i]);
}
cout << "\n== 最 小 堆: ";
tree->print();
i=15;
tree->insert(i);
cout << "\n== 添加元素: " << i;
cout << "\n== 最 小 堆: ";
tree->print();
i=10;
tree->remove(i);
cout << "\n== 删除元素: " << i;
cout << "\n== 最 小 堆: ";
tree->print();
cout << endl;
return 0;
}二叉堆的C++测试程序
测试程序已经包含在相应的实现文件(MaxHeap.cpp)中了，下面只列出程序运行结果。
最大堆(MaxHeap.cpp)的运行结果：
== 依次添加: 10 40 30 60 90 70 20 50 80 == 最 大 堆: 90 80 70 60 40 30 20 10 50 == 添加元素: 85 == 最 大 堆: 90 85 70 60 80 30 20 10 50 40 == 删除元素: 90 == 最 大 堆: 85 80 70 60 40 30 20 10 50
最小堆(MinHeap.cpp)的运行结果：
== 依次添加: 80 40 30 60 90 70 10 50 20 == 最 小 堆: 10 20 30 50 90 70 40 80 60 == 添加元素: 15 == 最 小 堆: 10 15 30 50 20 70 40 80 60 90 == 删除元素: 10 == 最 小 堆: 15 20 30 50 90 70 40 80 60
2.3 二叉堆的Java实现(完整源码)
二叉堆的实现同时包含了"最大堆"和"最小堆"。
二叉堆(最大堆)的实现文件(MaxHeap.java)
/**
* 二叉堆(最大堆)
*
* @author skywang
* @date 2014/03/07
*/
import java.util.ArrayList;
import java.util.List;
public class MaxHeap<T extends Comparable<T>> {
private List<T> mHeap; // 队列(实际上是动态数组ArrayList的实例)
public MaxHeap() {
this.mHeap = new ArrayList<T>();
}
/*
* 最大堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
protected void filterdown(int start, int end) {
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
T tmp = mHeap.get(c); // 当前(current)节点的大小
while(l <= end) {
int cmp = mHeap.get(l).compareTo(mHeap.get(l+1));
// "l"是左孩子，"l+1"是右孩子
if(l < end && cmp<0)
l++; // 左右两孩子中选择较大者，即mHeap[l+1]
cmp = tmp.compareTo(mHeap.get(l));
if(cmp >= 0)
break; //调整结束
else {
mHeap.set(c, mHeap.get(l));
c = l;
l = 2*l + 1;
}
}
mHeap.set(c, tmp);
}
/*
* 删除最大堆中的data
*
* 返回值：
* 0，成功
* -1，失败
*/
public int remove(T data) {
// 如果"堆"已空，则返回-1
if(mHeap.isEmpty() == true)
return -1;
// 获取data在数组中的索引
int index = mHeap.indexOf(data);
if (index==-1)
return -1;
int size = mHeap.size();
mHeap.set(index, mHeap.get(size-1));// 用最后元素填补
mHeap.remove(size - 1); // 删除最后的元素
if (mHeap.size() > 1)
filterdown(index, mHeap.size()-1); // 从index号位置开始自上向下调整为最小堆
return 0;
}
/*
* 最大堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
protected void filterup(int start) {
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
T tmp = mHeap.get(c); // 当前节点(current)的大小
while(c > 0) {
int cmp = mHeap.get(p).compareTo(tmp);
if(cmp >= 0)
break;
else {
mHeap.set(c, mHeap.get(p));
c = p;
p = (p-1)/2;
}
}
mHeap.set(c, tmp);
}
/*
* 将data插入到二叉堆中
*/
public void insert(T data) {
int size = mHeap.size();
mHeap.add(data); // 将"数组"插在表尾
filterup(size); // 向上调整堆
}
@Override
public String toString() {
StringBuilder sb = new StringBuilder();
for (int i=0; i<mHeap.size(); i++)
sb.append(mHeap.get(i) +" ");
return sb.toString();
}
public static void main(String[] args) {
int i;
int a[] = {10, 40, 30, 60, 90, 70, 20, 50, 80};
MaxHeap<Integer> tree=new MaxHeap<Integer>();
System.out.printf("== 依次添加: ");
for(i=0; i<a.length; i++) {
System.out.printf("%d ", a[i]);
tree.insert(a[i]);
}
System.out.printf("\n== 最 大 堆: %s", tree);
i=85;
tree.insert(i);
System.out.printf("\n== 添加元素: %d", i);
System.out.printf("\n== 最 大 堆: %s", tree);
i=90;
tree.remove(i);
System.out.printf("\n== 删除元素: %d", i);
System.out.printf("\n== 最 大 堆: %s", tree);
System.out.printf("\n");
}
}二叉堆(最小堆)的实现文件(MinHeap.java)
/**
* 二叉堆(最小堆)
*
* @author skywang
* @date 2014/03/07
*/
import java.util.ArrayList;
import java.util.List;
public class MinHeap<T extends Comparable<T>> {
private List<T> mHeap; // 存放堆的数组
public MinHeap() {
this.mHeap = new ArrayList<T>();
}
/*
* 最小堆的向下调整算法
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被下调节点的起始位置(一般为0，表示从第1个开始)
* end -- 截至范围(一般为数组中最后一个元素的索引)
*/
protected void filterdown(int start, int end) {
int c = start; // 当前(current)节点的位置
int l = 2*c + 1; // 左(left)孩子的位置
T tmp = mHeap.get(c); // 当前(current)节点的大小
while(l <= end) {
int cmp = mHeap.get(l).compareTo(mHeap.get(l+1));
// "l"是左孩子，"l+1"是右孩子
if(l < end && cmp>0)
l++; // 左右两孩子中选择较小者，即mHeap[l+1]
cmp = tmp.compareTo(mHeap.get(l));
if(cmp <= 0)
break; //调整结束
else {
mHeap.set(c, mHeap.get(l));
c = l;
l = 2*l + 1;
}
}
mHeap.set(c, tmp);
}
/*
* 最小堆的删除
*
* 返回值：
* 成功，返回被删除的值
* 失败，返回null
*/
public int remove(T data) {
// 如果"堆"已空，则返回-1
if(mHeap.isEmpty() == true)
return -1;
// 获取data在数组中的索引
int index = mHeap.indexOf(data);
if (index==-1)
return -1;
int size = mHeap.size();
mHeap.set(index, mHeap.get(size-1));// 用最后元素填补
mHeap.remove(size - 1); // 删除最后的元素
if (mHeap.size() > 1)
filterdown(index, mHeap.size()-1); // 从index号位置开始自上向下调整为最小堆
return 0;
}
/*
* 最小堆的向上调整算法(从start开始向上直到0，调整堆)
*
* 注：数组实现的堆中，第N个节点的左孩子的索引值是(2N+1)，右孩子的索引是(2N+2)。
*
* 参数说明：
* start -- 被上调节点的起始位置(一般为数组中最后一个元素的索引)
*/
protected void filterup(int start) {
int c = start; // 当前节点(current)的位置
int p = (c-1)/2; // 父(parent)结点的位置
T tmp = mHeap.get(c); // 当前节点(current)的大小
while(c > 0) {
int cmp = mHeap.get(p).compareTo(tmp);
if(cmp <= 0)
break;
else {
mHeap.set(c, mHeap.get(p));
c = p;
p = (p-1)/2;
}
}
mHeap.set(c, tmp);
}
/*
* 将data插入到二叉堆中
*/
public void insert(T data) {
int size = mHeap.size();
mHeap.add(data); // 将"数组"插在表尾
filterup(size); // 向上调整堆
}
public String toString() {
StringBuilder sb = new StringBuilder();
for (int i=0; i<mHeap.size(); i++)
sb.append(mHeap.get(i) +" ");
return sb.toString();
}
public static void main(String[] args) {
int i;
int a[] = {80, 40, 30, 60, 90, 70, 10, 50, 20};
MinHeap<Integer> tree=new MinHeap<Integer>();
System.out.printf("== 依次添加: ");
for(i=0; i<a.length; i++) {
System.out.printf("%d ", a[i]);
tree.insert(a[i]);
}
System.out.printf("\n== 最 小 堆: %s", tree);
i=15;
tree.insert(i);
System.out.printf("\n== 添加元素: %d", i);
System.out.printf("\n== 最 小 堆: %s", tree);
i=10;
tree.remove(i);
System.out.printf("\n== 删除元素: %d", i);
System.out.printf("\n== 最 小 堆: %s", tree);
System.out.printf("\n");
}
}二叉堆的Java测试程序
测试程序已经包含在相应的实现文件中了，这里只说明运行结果。
最大堆(MaxHeap.java)的运行结果：
== 依次添加: 10 40 30 60 90 70 20 50 80 == 最 大 堆: 90 80 70 60 40 30 20 10 50 == 添加元素: 85 == 最 大 堆: 90 85 70 60 80 30 20 10 50 40 == 删除元素: 90 == 最 大 堆: 85 80 70 60 40 30 20 10 50
最小堆(MinHeap.java)的运行结果：
== 最 小 堆: 10 20 30 50 90 70 40 80 60 == 添加元素: 15 == 最 小 堆: 10 15 30 50 20 70 40 80 60 90 == 删除元素: 10 == 最 小 堆: 15 20 30 50 90 70 40 80 60
三、应用优先级队列（超详细讲解，就怕你学不会）
priority queue允许用户以任何次序将任何元素推人容器内，但取出时一定是从优先权最高(也就是数值最高）的元素开始取。binary max heap 正是具有这样的特性，适合作为 priority queue 的底层机制。priority queue插入和删除元素的时间复杂度介于O(logn)和O(n)之间。
heap的所有元素必须遵循特别的完全二叉树的排列规则，所以heap不提供遍历功能，也不提供迭代器。
所谓 binary heap 就是一种 complete binary tree（完全二叉树），也就是说，整棵 binary tree 除了最底层的叶节点(s)之外，是填满的，而最底层的叶节点(s)由左至右又不得有空隙。
complete binary tree 整棵树内没有任何节点漏洞，这带来一个极大的好处：我们可以利用 array 来储存所有节点。假设动用一个小技巧了，将array的 批元素保留（或设为无限大值或无限小值），那么当 complete binary tree 中的某个节点位于array 的i处时，其左子节点必位于array 的2i处，其右子书点必位于array 的2i+1处，其父节点必位于“i/2”处（此处的“/" 权且代表高斯符号，取其整数）通过这么简单的位置规则，array 可以轻易实现出 complete binary tree。 这种以array 表述tree 的方式，我们称为隐式表述法 (implicit ropresentation） 。
这么一来，我们需要的工具就很简单了：一个array和一组heap 算法（用来插人元素、删除元素、取极值，將某一整组数据排列成一个heap）。array 的缺点是无法动态改变大小，而 heap 却需要这项功能，因此，以vector 代替 array 是更好的选择。
————————————————
版权声明：本文为CSDN博主「路_安」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/weixin_45157276/article/details/131277877
优先级队列 - 入队 和 出队 过程 附图说明
大根堆情况 （向上调整）
1、 首先按尾插方式放入数组
2、 比较其 和 其双亲的值 的 大小，如果双亲的值大，则满足堆的性质，插入结束
3、 否则，交换其和双亲位置的值，重新进行 2、3 步骤
4.、直到根结点
我们将其过程称为 向上调整。
向上调整：只需要一个参数【需要调整的 child 下标】
模拟实现 堆 - offer 功能 - 入队
// 入队操作
public void offer(int val){
if(isFull()){
// 扩容
this.elements = Arrays.copyOf(this.elements,this.elements.length * 2);
}
elements[usedSize++] = val;
//usedSize++;
shiftUp(usedSize-1);// 有效元素个数 是 usedSize,最后一个元素的下标是 usedSize -1
}
private void shiftUp(int child){
int parent = (child - 1)/2;
while(child > 0){
if(this.elements[child] > this.elements[parent]){
int tmp = this.elements[child];
this.elements[child] = this.elements[parent];
this.elements[parent] = tmp;
child = parent;
parent = (child - 1) / 2;
}else{
break;
}
}
}
public boolean isFull(){
return this.usedSize >= this.elements.length;
}
模拟实现 堆 - poll 功能 - 出队
分析
代码如下
// 出队操作
public int poll(){
if(isEmpty()){
throw new RuntimeException("优先级队列为空！");
}
int tmp = this.elements[0];
this.elements[0] = this.elements[this.usedSize -1];
this.elements[this.usedSize - 1] = tmp;
this.usedSize--;
shiftDown(0,usedSize);
return tmp;
}
// 判断队列 空不空
public boolean isEmpty(){
return this.usedSize == 0;
}
模拟实现 堆 - peek 功能 - 返回队头元素
// 判断队列 空不空
public boolean isEmpty(){
return this.usedSize == 0;
}
public int peek(){
if(isEmpty()){
throw new RuntimeException("优先级队列为空！");
}
return this.elements[0];
}
————————————————
版权声明：本文为CSDN博主「Dark And Grey」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/DarkAndGrey/article/details/122764801
172
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
