堆:一种数据结构,有最大堆和最小堆两种类型,实质上是一个完全二叉树,如果是最大堆,则父节点上的值比子节点上的值大,反之则是最小堆。
ps:这里提及的堆与常说的堆内存区域的堆不一样,此处提及的堆是一种简单的数据结构,而堆内存的实现较复杂。
堆排序:堆排序是一种比较高效的排序方式,时间效率为N*lgN,它利用最大堆的特性完成排序
本人之前的博文中有提到归并排序,与堆排序相比,二者效率相同,但堆排序还有个最大的好处就是,它比较省空间,在归并排序中需要申请额外左右数组空间,内存占用空间大。
堆排序分为三个步骤:
- 创建最大堆
- 确保最大堆中父节点的值比子节点的值都大
- 将根节点与最后一个叶子节点比较,择其大者剔除出堆,再重复第2、3步。
第二步是整个堆排序的关键。
public static void maxHeapify(int[] array, int heapsize, int i){
int l = 2*i + 1;
int r = 2*i + 2;
int large = i;
if (l < heapsize && array[i] < array[l]) {
large = l;
}else {
large = i;
}
if (r < heapsize && array[large] < array[r]) {
large = r;
}
if (large != i) {
int temp = array[i];
array[i] = array[large];
array[large] = temp;
//因为将最大值和父节点交换了位置,新的子节点并不能保证一定是比它的子节点大
//所以需要递归,确定交换的子节点比它的子节点都大
//而没有动的子节点是不需要进行递归的,因为它的数值没有变,如果之前满足最大堆条件,现在就还是满足的
maxHeapify(array, heapsize, large);
}
}
maxHeapify过程并不复杂,注意到函数中有参数heapsize,本例中的堆其实是基于数组的,堆大小并不一定等于数组长度的,因为在堆排序的第三步中需要将堆的根节点剔除出堆,所以堆的长度一直在变。
创建最大堆过程:
public static void buildMaxHeap(int[] array){
int heapsize = array.length;
for (int i = heapsize/2; i >= 0; i--) {
maxHeapify(array,heapsize,i);
}
}
buildMaxHeap过程,有两点需要注意。
- 堆其实是一个完全二叉树,且是以数组实现的,那么二叉树中i节点的左子节点一定是2_i + 1,右子节点一定是2_i + 2,对应在数组中 array.length/2 到 array.length - 1之间的节点,肯定是叶子节点,没有子节点,因为如果有子节点,则子节点的索引已经大于数组长度了,所以不可能出现。
- 创建堆必须逆序,即必须先确认完全二叉树底层的节点具有最大堆的性质,父节点必须大于子节点,然后再逐层往上,最后才确保根结点具有最大堆性质才行。如果遍历是从0开始,那么整个完全二叉树将不具有最大堆性质。
buildMaxHeap后,完全二叉树中的根结点就一定是整个数组中最大的(因为父节点一定大于子结点的性质)。注意,只能保证根结点的值是最大的,最下方的最后的子结点,则并不一定是最小的值。
heapSort过程,因为知道根结点一定是最大的,所以可以将根结点和数组中最后一位相比较,交换二者的值,然后再将数组中最后一位剔除出堆(此时,数组中最后一位已经是最大值了),再重新确保最大堆特性,持续这个过程,即将完全堆排序。
public static void heapSort(int[] array){
int heapsize = array.length;
for (int i = heapsize - 1; i > 0; i--) {
if (array[i] < array[0]) {
int temp = array[0];
array[0] = array[i];
array[i] = temp;
heapsize --;
maxHeapify(array, heapsize, 0);
}
}
}
测试代码:
public static void main(String[] args) {
int[] array = {4,1,3,2,16,9,10,14,8,7,5};
buildMaxHeap(array);
print(array);
heapSort(array);
print(array);
}
堆排序的时间效率计算较为复杂,主要是其中牵涉到递归。一般而言,算法的时间效率仅考虑最差极值情况。maxHeapify过程,根结点的值最小,那么需要将根结点的值一直往树的下层挪,最后根结点的值将变成叶子结点的值,那么挪动的距离则为二叉树的高度,于是maxHeapify的效率与二叉树的高度相关,二叉树的高度为lgN,那么maxHeapify的效率为lgN,在heapSort过程中,遍历N次,每次效率均为lgN,那么整个排序算法的效率为N*lgN。 ps:以上是本人的简单推测算法,详细推算请参考算法导论。
优先队列是一种用来维护由一组元素构成的集合S的数据结构,内部数据排序位置由元素本身决定,通常优先队列首位数据是集合中最大的或最小的一位。
优先队列中首位数据是最大值,则称为最大优先队列。 最大优先队列只是首位最大,并不保证队列中均是由大到小顺序排列。如果是以数组实现,则可保证,但此处是以堆实现,则不能确保从大到小排列,只能保证首位值最大。
优先队列有常见三个操作:
- 获取最大值
- 获取最大值并将值删除出堆
- 更改某个位置值大小
heapMaxNum过程非常简单:
public static int heapMaxNum(int[] array){
return array[0];
}
heapExtractMax:
public static int heapExtractMax(int[] array){
if (array.length == 0) {
System.out.println("heap is empty");
}
int i = array.length - 1;
int max = array[0];
array[0] = array[i];
maxHeapify(array, array.length - 1, 0);
return max;
}
heapExtractMax过程,取出最大值,然后将堆中最后一位放到首位,再执行maxHeapify,检查最大堆性质。
heapIncreaseKey:
public static void heapIncreaseKey(int[] array, int i, int key){
if (key < array[i]) {
System.out.println("the key is small than origin");
return;
}
array[i] = key;
int parent = getParent(i);
while (parent != Integer.MIN_VALUE && array[i] > array[parent]) {
int temp = array[i];
array[i] = array[parent];
array[parent] = temp;
i = parent;
parent = getParent(parent);
}
}
heapIncreaseKey过程,需要将当前值与父节点比较,如果大于父节点则交换位置,再从当前父节点往上,循环此过程。
因为父节点一定大于原节点,所以并不需要从原节点再往下循环,确保最大堆性质了。
根据完全二叉树性质,获取父节点代码如下:
public static int getParent(int i){
if (i == 0) {
return Integer.MIN_VALUE;
}else {
if (i%2 == 0) {
return (i-1)/2;
}else {
return i/2;
}
}
}
使用堆实现优先队列比用纯数组实现更高效,纯数组因为需要保证从大到小排列,则插入效率为N,而堆插入效率为N*lgN
ps:堆一定包含非常重要的属性,堆长度,本例中仅使用数组简单实现。
最后
如果想要成为架构师或想突破20~30K薪资范畴,那就不要局限在编码,业务,要会选型、扩展,提升编程思维。此外,良好的职业规划也很重要,学习的习惯很重要,但是最重要的还是要能持之以恒,任何不能坚持落实的计划都是空谈。
如果你没有方向,这里给大家分享一套由阿里高级架构师编写的《Android八大模块进阶笔记》,帮大家将杂乱、零散、碎片化的知识进行体系化的整理,让大家系统而高效地掌握Android开发的各个知识点。
相对于我们平时看的碎片化内容,这份笔记的知识点更系统化,更容易理解和记忆,是严格按照知识体系编排的。
全套视频资料:
一、面试合集
二、源码解析合集
三、开源框架合集
欢迎大家一键三连支持,若需要文中资料,直接扫描文末CSDN官方认证微信卡片免费领取↓↓↓