目录
7.加强堆与堆结构相关题目分析 总览
笔记思维导图链接
参考左程云算法课程
常见题目汇总:
题1:最大线段重合问题(堆实现)
题目描述:
-
给定很多线段,每个线段都有两个数组[start, end],
-
表示线段开始位置和结束位置,左右都是闭区间
-
规定:
1)线段的开始和结束位置一定都是整数值
2)线段重合区域的长度必须>=1 -
返回线段最多重合区域中,包含了几条线段
题解:
代码实现:
package class07;
import java.util.Arrays;
import java.util.Comparator;
import java.util.PriorityQueue;
public class Code01_CoverMax {
// 创建line线段类对象,将二维数组对象转为线段对象,方便处理arr[a,b]->line(a,b)
public static class Line {
private int start;
private int end;
public Line(int start, int end) {
super();
this.start = start;
this.end = end;
}
}
// 方法1:暴力统计算法
public static int maxCover1(int[][] lines) {
// 1. 确定线段最小和最大范围,锁定要校验的对象
int min = Integer.MAX_VALUE;
int max = Integer.MIN_VALUE;
for (int i = 0; i < lines.length; i++) {
min = Math.min(min, lines[i][0]);
max = Math.max(max, lines[i][1]);
}
// 2. 以每个在范围内的数的.5为基点,遍历统计包含该数的所有线段数
int cover = 0;
for (double p = min + 0.5; p < max; p += 1) {
int cur = 0;
for (int i = 0; i < lines.length; i++) {
if (lines[i][0] < p && lines[i][1] > p) {
cur++;
}
}
cover = Math.max(cover, cur);
}
return cover;
}
// 方法2:使用最小堆结构
public static int maxCover2(int[][] m) {
// 1. 将线段按照左边界大小进行排序
// 先将二维数组转为线段对象,方便比较排序处理
// 将各二维数组new出线段对象放在一个一维的线段类型数组中
Line[] lines = new Line[m.length];
for (int i = 0; i < lines.length; i++) {
lines[i] = new Line(m[i][0], m[i][1]);
}
Arrays.sort(lines, (a, b) -> a.start - b.start);
// 2. 依次遍历所有左边界,并维护最小堆
PriorityQueue<Integer> minHeap = new PriorityQueue<>();
int res = 0;
for (int i = 0; i < lines.length; i++) {
// 弹入前,先判断弹出不满足的线段
// 注意,等于也弹出,等于,说明线段相连,重合部分为0
while (!minHeap.isEmpty() && lines[i].start >= minHeap.peek())
minHeap.poll();
// 弹干净后,再弹入右边界值
minHeap.add(lines[i].end);
// 3. 统计每个基点的重合线段数,并比较出最大值
res = Math.max(res, minHeap.size());
}
return res;
}
// for test
public static int[][] generateLines(int N, int L, int R) {
int size = (int) (Math.random() * N) + 1;
int[][] ans = new int[size][2];
for (int i = 0; i < size; i++) {
int a = L + (int) (Math.random() * (R - L + 1));
int b = L + (int) (Math.random() * (R - L + 1));
if (a == b) {
b = a + 1;
}
ans[i][0] = Math.min(a, b);
ans[i][1] = Math.max(a, b);
}
return ans;
}
public static class StartComparator implements Comparator<Line> {
@Override
public int compare(Line o1, Line o2) {
return o1.start - o2.start;
}
}
public static void main(String[] args) {
Line l1 = new Line(4, 9);
Line l2 = new Line(1, 4);
Line l3 = new Line(7, 15);
Line l4 = new Line(2, 4);
Line l5 = new Line(4, 6);
Line l6 = new Line(3, 7);
// 底层堆结构,heap
PriorityQueue<Line> heap = new PriorityQueue<>(new StartComparator());
heap.add(l1);
heap.add(l2);
heap.add(l3);
heap.add(l4);
heap.add(l5);
heap.add(l6);
while (!heap.isEmpty()) {
Line cur = heap.poll();
System.out.println(cur.start + "," + cur.end);
}
System.out.println("test begin");
int N = 100;
int L = 0;
int R = 200;
int testTimes = 200000;
for (int i = 0; i < testTimes; i++) {
int[][] lines = generateLines(N, L, R);
int ans1 = maxCover1(lines);
int ans2 = maxCover2(lines);
if (ans1 != ans2) {
System.out.println("Oops!");
}
}
System.out.println("test end");
}
}
复杂度分析:
-
1.线段排序为O(NlogN)
-
2.循环遍历左边界,并维护最小堆,统计比较O(NlogN):
for循环: 所有线段考察一次O(N)
小根堆复杂度: 所有线段结尾位置, 最多进一次, 最多出一次, 一共进出2N
小根堆每次调整代价logN(shiftUP,shiftDownd堆化都是logn) -
总复杂度O(N*logN)
题2:加强堆设计
要实现的功能:
- 堆上某个位置元素调整
- 删除堆上指定位置元素
- 快速查询到堆上指定元素位置
题解:
代码实现:
package class07;
import java.util.ArrayList;
import java.util.Comparator;
import java.util.HashMap;
import java.util.List;
/**
* E一定要是非基础类型,有基础类型需要包一层 因为哈希表对于基础类型,key按值存储,不能储存重复的值
*/
public class HeapGreater<E> {
private ArrayList<E> data; // 堆结构的底层数组结构
private HashMap<E, Integer> indexMap; // 反向索引表,快速拿到指定元素对应数组的位置索引
// private int heapSize; // 堆的大小,也可用数组data的size表示,data自己维护了自己size大小,不同于capacity
private Comparator<? super E> comparator; // 自定义较器,可以有重复值,比较器里将内存地址比较
public HeapGreater(Comparator<E> c) { // 用户传入比较器
data = new ArrayList<>();
indexMap = new HashMap<>();
// heapSize = 0;
comparator = c;
}
public boolean isEmpty() {
return data.size() == 0;
}
public int size() {
return data.size();
}
// 增,同时维护反向索引表
public void add(E e) {
data.add(e);// 堆的size在data中已经维护好了
indexMap.put(e, data.size() - 1); // 注意边界条件
siftUp(data.size() - 1);
}
// 默认比较器小根堆
private void siftUp(int k) {
// 往上heapify过程,主要k不能为根节点,
while (comparator.compare(data.get(k), data.get(parent(k))) < 0) {
// 注意,不能只交换元素,反向索引表也要更新交换,故自定义swap方法
swap(k, parent(k));
k = parent(k);
}
}
private void swap(int i, int j) {
// 交换数组元素
E e1 = data.get(i);
E e2 = data.get(j);
data.set(i, e2);
data.set(j, e1);
// 交换反向索引表的健值对
indexMap.put(e1, j);
indexMap.put(e2, i);
}
// 查
public E peek() {
if (data.isEmpty()) {
throw new IllegalArgumentException("can't findMax from an empty heap");
}
return data.get(0);
}
// 删
public E poll() {
E res = peek();
swap(0, data.size() - 1); // 交换
indexMap.remove(res); // 元素剔除,map中的key也剔除,value在堆化中重新调整
data.remove(size() - 1); // 数组原结构删除
siftDown(data, 0, data.size());
return res;
}
private void siftDown(ArrayList<E> data, int k, int size) {
while (leftChild(k) < size) {
// 先比较左右子节点,取较小节点的索引
int j = leftChild(k);
if(j + 1 < size && comparator.compare(data.get(j + 1), data.get(j)) < 0){
j ++;
}
// 处理父子节点,保证根节点最小
if (comparator.compare(data.get(j), data.get(k)) < 0) {
swap(j, k);
}
k = j;
}
}
// 加强堆增强方法:快速查询判断堆中指定元素
public boolean contains(E e) {
return indexMap.containsKey(e);
}
public int getIndex(E e) {
return indexMap.get(e);
}
// 加强堆增强方法:改了某个值后,重写调整出堆原有结构
public void resign(E e) {
int k = indexMap.get(e);
siftUp(k);
siftDown(data, k, data.size());
}
// 加强堆增强方法:快速删除指定元素
public void remove(E e) {
E replace = data.get(size() - 1);
int k = indexMap.get(e);
indexMap.remove(e);
data.remove(data.size() - 1); // 注意,删除的是交换后的最后一个元素
if (!e.equals(replace)) {
indexMap.put(replace, k); // 简化了交换流程,且,如果删除的是最后一个元素,可以不用交换
data.set(k, replace);
resign(replace);
}
// E replace = data.get(size() - 1);
// int k = indexMap.get(e);
// swap(k, data.size() - 1);
// indexMap.remove(e);
// data.remove(data.size() - 1);
// if (!e.equals(replace)) resign(replace);
}
// 请返回堆上的所有元素
public List<E> getAllElements() {
List<E> ans = new ArrayList<>();
for (E e : data) { // 数组实例化后,是一个具体对象,可用E表示
ans.add(e);
}
return ans;
}
// 返回完全二叉树的数组表示中,一个索引所表示的父亲节点的索引
private int parent(int index) { // 根节点的父节点索引也是0
return (index - 1) / 2;
}
// 返回完全二叉树的数组表示中,一个索引所表示的元素的左孩子节点的索引
private int leftChild(int index) {
return 2 * index + 1;
}
}
复杂度分析:
- 查询为O(1), 删除为O(logn),元素调整为O(logn),均为堆化的复杂度