构建堆的时间复杂度

最新推荐文章于 2024-04-27 11:46:30 发布

weixin_30457065

最新推荐文章于 2024-04-27 11:46:30 发布

阅读量1.2k

点赞数

原文链接：http://www.cnblogs.com/wongyi/p/7685061.html

版权

请考虑以下用于构建输入数组A的堆的算法。

BUILD-HEAP(A) 
    heapsize := size(A); 
    for i := floor(heapsize/2) downto 1 
        do HEAPIFY(A, i); 
    end for 
END

快速查看上述算法表明，运行时间是 $O（NLG（n））的$ ，因为每次调用Heapify成本 $O（LG（n））的$ 和Build-Heap进行 $上）$ 这样的调用。
这个上限虽然正确，但并不是渐近的。

我们可以通过观察推导出一个更严格的约束：Heapify的运行时间取决于树的高度h'（等于lg（n），其中n是节点数），并且大多数子树的高度是小的。
随着我们沿着树向上移动，身高'h'增加。构建堆的第3行从最后一个内部节点（heapsize / 2）的索引运行一个循环，高度= 1，到具有height = lg（n）的root(1)的索引。因此，Heapify为每个节点花费不同的时间 $哦）$ 。

为了找到构建堆的时间复杂度，我们必须知道具有高度h的节点数。
为此，我们使用的事实是，大小为n的堆最多有 $\ left \ lceil \ frac {n} {2 ^ {h + 1}} \ right \ rceil$ 个具有高度为h的节点。

我们得出的时间复杂度，我们表达构建堆的总时间复杂度：

（1） $\ begin {flalign *} T（n）＆= \ sum_ {h = 0} ^ {lg（n）} \ left \ lceil \ frac {n} {2 ^ {h + 1}} \ right \ rceil * O （h）\\＆= O（n * \ sum_ {h = 0} ^ {lg（n）} \ frac {h} {2 ^ {h}}）\\＆= O（n * \ sum_ {h = 0} ^ {\ infty} \ frac {h} {2 ^ {h}}）\\ \ end {flalign *}$

步骤2使用Big-O符号的属性来忽略上限函数和常数2（ $2 ^ {h + 1} = 2.2 ^ h$ ）。同样在第三步中，由于我们使用Big-O符号，所以求和的上限可以增加到无穷大。

Sum of infinite G.P.（x <1）

（2） $\ begin {align *} \ sum_ {n = 0} ^ {\ infty} {x} ^ {n} = \ frac {1} {1-x} \ end {align *}$

在区分双方并乘以x时，我们得到

（3） $\ begin {align *} \ sum_ {n = 0} ^ {\ infty} n {x} ^ {n} = \ frac {x} {（1-x）^ {2}} \ end {align *}$

将（3）中得到的结果返回到我们的推导（1）中，我们得到

（4） $\ begin {flalign *}＆= O（n * \ frac {\ frac {1} {2}} {（1 - \ frac {1} {2}）^ 2}）\\＆= O（n * 2 ）\\＆= O（n）\\ \ end {flalign *}$

因此证明建立二叉堆的时间复杂度是 $上）$ 。

转载于:https://www.cnblogs.com/wongyi/p/7685061.html

weixin_30457065

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
构建堆的时间复杂度

请考虑以下用于构建输入数组A的堆的算法。BUILD-HEAP(A) heapsize := size(A); for i := floor(heapsize/2) downto 1 do HEAPIFY(A, i); end for END快速查看上述算法表明，运行时间是，因为每次调用Heapify成本和Build-Hea...
复制链接

扫一扫