PriorityQueue实践和Topk问题

PriorityQueue的实践
PriorityQueue内部维护着一个堆，如果不传入比较器，则按自然排序，实际上维护着一个小顶堆。传入比较器后，把比较后小的值放在堆顶。

接下来我们看这样一个问题：如何得到一个数组最小的k个数。

解决该问题有两个思路：

1. 利用Partition函数，得到数组中第n小的下标n，如果n=k-1，则前n个数则为最小的k个数；如果n<k-1,则对后面的数继续进行Partition排序；如果n>k-1，则对前面的数继续进行Partition排序，直到n=k-1;

2. 建立一个容量为k的大堆顶，并从数组中逐个取数，如果堆的容量小于k，则向堆中添加该数；如果堆的容量等于k，则比较取的数和堆顶元素。堆顶元素始终是堆中元素的最大值，如果取出的数比堆顶元素小，则删除堆顶元素而把该数加入堆中。当遍历一次数组后，堆中的k个数即为数组中最小的k个数。

由于堆类似于一棵完全二叉树，因此每次的删除添加操作的时间复杂度都为logk，故整个算法的时间复杂度为O（nlogk）。该算法非常适用于处理海量数据（所有元素不必一次都读入内存中），当n很大,k很小的时候。

下面是代码实现：

private static ArrayList<Integer> theMinkOfArray(int[] array, int k) {
        ArrayList<Integer> result = new ArrayList<>();
        if (array == null || array.length <= 0) throw new RuntimeException("Invalid input");
        if (k == 0) return null;
        if (array.length < k) throw new RuntimeException("Invalid input");
        PriorityQueue<Integer> queue = new PriorityQueue<>(k, new Comparator<Integer>() {
            @Override
            public int compare(Integer o1, Integer o2) {
                return o2 - o1;
            }
        });
        for (int i=0; i < array.length; i++){
            if (queue.size()<k){
                queue.add(array[i]);
            }
            else {
                if (queue.peek() > array[i]){
                    queue.poll();
                    queue.add(array[i]);
                }
            }
        }
        for (int i=1; i<=k; i++){
            Integer min = queue.poll();
            result.add(min);
        }
        return result;
    }