这篇博客详细介绍了小根堆的数据结构及其操作,包括插入、删除最小值、删除任意元素和修改元素的实现过程。通过C++代码展示了如何构建和维护小根堆,并提供了堆排序的示例。此外,还讨论了堆的存储方式、节点关系以及up和down操作的具体步骤。
摘要由CSDN通过智能技术生成

408数据结构中有时问插入或删除过程中比较了几次
注意哦,以小根堆为例,如果一个节点有两个孩子,那么down时,需先两个孩子比选个小的,再这个节点和小的孩子比,一共两次
如果只有一个孩子,那么就这个节点 和 唯一的孩子比,共一次

手写一个堆

实现功能:

  1. 插入一个数(STL中可以直接用)
  2. 求集合当中的最小值(STL中可以直接用)
  3. 删除最小值(STL中可以直接用)
  4. 删除任意一个元素(STL中无法直接使用)
  5. 修改任意一个元素(STL中无法直接使用)

以小根堆为例

堆是一颗完全二叉树
小根堆每一个点都是小于等于左右子节点的
堆是使用一个一维数组存储的
i 号节点的 左儿子是 2i
右儿子是 2
i + 1
同理如果一个节点是 x 号
那么 x/2 就是他的父节点

插入操作

插入一个数,我们是把这个数插入到堆数组的末尾

//size是heap当前的存储的元素数量
size = size + 1;
heap[size] = x;
up(x);   //up操作是把堆中的一个值不断的向上移动直到合适的位置

注意有时up后可能还得down

删除操作
删除最小值

把堆中最后一个元素覆盖掉堆顶中的元素,然后不断的调整覆盖后的堆顶中的那个元素直到合适的位置
覆盖后再size–; 就好了
之所以这么做,是因为我们的堆是用一个一维数组来存储的,对于一个一维数组,删除头结点是非常困难的,但是删除尾结点是方便的

删除任意一个节点

比如说删除k号节点,就是把堆中最后一个元素的值覆盖到k号节点上,然后在对堆进行调整

修改任意一个值

也是对一个值修改后然后进行调整就好了

例题

在这里插入图片描述
在这里插入图片描述

这个题使用堆排序来做,那么堆排序就是把一组数建成一个堆,然后每次把堆顶的数输出出来

#include<iostream>
#include<algorithm>
const int N = 100010;

using namespace std;

int n,m;
int heap[N],heap_size;


//向下移动,一定是和左右孩子中较为小的那个换,如果和较大的那个换,把那个较大的换上来,就不满足小根堆性质
void down(int num)  //num表示的是元素位置是几号
{
    int t = num;
    if((2*num)<=heap_size && heap[num]>heap[2*num]) t = num*2;
    //所以说这个地方对于2*num+1时要写heap[t]而不是heap[num]就是因为要找到左右孩子中较为小的那个
    if((2*num+1)<=heap_size && heap[t]>heap[2*num+1]) t = 2*num + 1;  
    if(num!=t)//如果num==t说明到了最后一层了,就不需要再进行递归了
    {
        swap(heap[num],heap[t]);
        down(t);
    }
}

void up(int u)
{
    while(u/2&&heap[u/2]>heap[u])
    {
        swap(heap[u/2],heap[u]);
        u /= 2;
    }
}

int main()
{
    cin >> n >> m;
    for(int i=1;i<=n;i++) cin >> heap[i];
    heap_size = n;
    //建堆
    //因为对于一个有n个节点的完全二叉树,最后一个节点是n/2的孩子,此时这个n/2一定是最后一个非叶子节点
    for(int i=n/2;i>0;i--) down(i);
   
    while(m--)
    {
        cout<<heap[1]<<" ";
        heap[1] = heap[heap_size];
        heap_size--;
        down(1);
    }
    

    return 0;
}

在这里插入图片描述
在这里插入图片描述

#include<iostream>
#include<algorithm>
using namespace std;
const int N = 100010;
int heap[N];
int hp[N],ph[N];   //ph存放的是第k个插入数在堆中的位置是什么
                   //hp存放的是堆里位置为j的数是第几个插入的
int the_size;  //记录的是堆中的元素的个数


void heap_swap(int i,int j)
{
    swap(ph[hp[i]],ph[hp[j]]);
    swap(hp[i],hp[j]);
    swap(heap[i],heap[j]);
}

void down(int x)
{
    int num=x; //代表了x号节点和他的子节点中最小的那个值的编号
    if(2*x<=the_size&&heap[2*x]<heap[num]) num = 2*x;
    if(2*x+1<=the_size && heap[2*x+1]<heap[num]) num = 2*x+1;
    if(num!=x){
        heap_swap(x,num);
        down(num);
    }
}

void up(int x)
{
    while(x/2 && heap[x]<heap[x/2])
    {
        heap_swap(x,x/2);
        x /= 2;
    }
}



int main()
{
    int m;
    cin >> m;
    int n=0;
    while(m--)
    {
        string op;
        cin >> op;
        int k,x;
        if(op=="I"){
            cin >> x;
            the_size++;
            n++;
            ph[n] = the_size,hp[the_size] = n;
            heap[the_size] = x;
            up(the_size);
            
        }
     
        
        else if(op=="PM") cout<<heap[1]<<endl;
        else if(op=="DM"){
            heap_swap(1,the_size);
            the_size--;
            down(1);
        }
        else if(op=="D"){
            cin >> k;
            int pos = ph[k];
            heap_swap(ph[k],the_size);
            the_size--;
            up(pos);
            down(pos);
        }
        else if(op=="C"){
            cin>>k>>x;
            heap[ph[k]] = x;
            up(ph[k]);
            down(ph[k]);
        }
    }
    return 0;
}

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

新城里的旧少年^_^

你的鼓励将是我创作的最大动力

¥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
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