Update heap.

This commit is contained in:
Yudong Jin 2023-01-12 04:08:45 +08:00
parent 5ab3513b5a
commit 3abcefae99
24 changed files with 112 additions and 61 deletions

View file

@ -5,6 +5,7 @@
*/
package chapter_hashing;
import java.util.*;
/* 键值对 int->String */

View file

@ -5,6 +5,7 @@
*/
package chapter_hashing;
import java.util.*;
import include.*;

View file

@ -13,13 +13,13 @@ import java.util.*;
public class heap {
public static void testPush(Queue<Integer> heap, int val) {
heap.add(val); // 元素入堆
System.out.format("\n添加元素 %d 后\n", val);
System.out.format("\n元素 %d 入堆\n", val);
PrintUtil.printHeap(heap);
}
public static void testPoll(Queue<Integer> heap) {
int val = heap.poll(); // 堆顶元素出堆
System.out.format("\n堆元素 %d\n", val);
System.out.format("\n元素 %d 出堆后\n", val);
PrintUtil.printHeap(heap);
}
@ -46,6 +46,9 @@ public class heap {
/* 堆顶元素出堆 */
testPoll(maxHeap);
testPoll(maxHeap);
testPoll(maxHeap);
testPoll(maxHeap);
testPoll(maxHeap);
/* 获取堆大小 */
int size = maxHeap.size();
@ -58,7 +61,7 @@ public class heap {
/* 输入列表并建堆 */
// 时间复杂度为 O(n) 而非 O(nlogn)
minHeap = new PriorityQueue<>(Arrays.asList(1, 3, 2, 5, 4));
System.out.println("\n输入 [1, 3, 2, 5, 4] ,建立小顶堆");
System.out.println("\n输入列表并建立小顶堆后");
PrintUtil.printHeap(minHeap);
}
}

View file

@ -146,26 +146,25 @@ public class my_heap {
}
public static void main(String[] args) {
/* 初始化堆 */
// 初始化大顶堆
MaxHeap maxHeap = new MaxHeap();
System.out.println("\n以下测试样例为大顶堆");
/* 元素入堆 */
testPush(maxHeap, 1);
testPush(maxHeap, 3);
testPush(maxHeap, 2);
testPush(maxHeap, 5);
testPush(maxHeap, 4);
/* 初始化大顶堆 */
MaxHeap maxHeap = new MaxHeap(Arrays.asList(9, 8, 6, 6, 7, 5, 2, 1, 4, 3, 6, 2));
System.out.println("\n输入列表并建堆后");
maxHeap.print();
/* 获取堆顶元素 */
int peek = maxHeap.peek();
System.out.format("\n堆顶元素为 %d\n", peek);
/* 元素入堆 */
int val = 7;
maxHeap.push(val);
System.out.format("\n元素 %d 入堆后\n", val);
maxHeap.print();
/* 堆顶元素出堆 */
testPoll(maxHeap);
testPoll(maxHeap);
peek = maxHeap.poll();
System.out.format("\n堆顶元素 %d 出堆后\n", peek);
maxHeap.print();
/* 获取堆大小 */
int size = maxHeap.size();
@ -174,10 +173,5 @@ public class my_heap {
/* 判断堆是否为空 */
boolean isEmpty = maxHeap.isEmpty();
System.out.format("\n堆是否为空 %b\n", isEmpty);
/* 将输入列表堆化 */
maxHeap = new MaxHeap(Arrays.asList(1, 3, 2, 5, 4));
System.out.println("\n输入 [1, 3, 2, 5, 4] ,建立大顶堆");
maxHeap.print();
}
}

Binary file not shown.

After

Width:  |  Height:  |  Size: 69 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 89 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 66 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 69 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 81 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 89 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 85 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 94 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 87 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 96 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 69 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 66 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 81 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 84 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 85 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 85 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 64 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 80 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 113 KiB

View file

@ -9,15 +9,13 @@ comments: true
- 「大顶堆 Max Heap」任意结点的值 $\geq$ 其子结点的值;
- 「小顶堆 Min Heap」任意结点的值 $\leq$ 其子结点的值;
由于堆是完全二叉树,因此最底层结点靠左填充,其它层结点皆被填满。
![min_heap_and_max_heap](heap.assets/min_heap_and_max_heap.png)
对于大顶堆(小顶堆),其根结点的值最大(最小)。根结点被称为「堆顶」。
## 堆术语与性质
(图)
!!! tip
大顶堆和小顶堆的定义、性质、操作本质上是相同的,区别只是大、小顶堆分别在求最大、最小值。若无特别说明,本文将使用大顶堆来举例。
- 由于堆是完全二叉树,因此最底层结点靠左填充,其它层结点皆被填满。
- 二叉树中的根结点对应「堆顶」,底层最靠右结点对应「堆底」。
- 对于大顶堆 / 小顶堆,其堆顶元素(即根结点)的值最大 / 最小。
## 堆常用操作
@ -43,6 +41,10 @@ comments: true
我们可以直接使用编程语言提供的堆类(或优先队列类)。
!!! tip
类似于排序中“从小到大排列”和“从大到小排列”,“大顶堆”和“小顶堆”可仅通过修改 Comparator 来互相转换。
=== "Java"
```java title="heap.java"
@ -60,10 +62,15 @@ comments: true
maxHeap.add(4);
/* 获取堆顶元素 */
int peek = maxHeap.peek();
int peek = maxHeap.peek(); // 5
/* 堆顶元素出堆 */
int val = heap.poll();
// 出堆元素会形成一个从大到小的序列
peek = heap.poll(); // 5
peek = heap.poll(); // 4
peek = heap.poll(); // 3
peek = heap.poll(); // 2
peek = heap.poll(); // 1
/* 获取堆大小 */
int size = maxHeap.size();
@ -77,19 +84,19 @@ comments: true
## 堆的实现
!!! tip
下文使用「大顶堆」来举例,将所有 $>$ ($<$) 替换为 $<$ ($>$) 即可实现「小顶堆」。
下文实现的是「大顶堆」,若想转换为「小顶堆」,将所有大小逻辑判断取逆(例如将 $\geq$ 替换为 $\leq$ )即可,有兴趣的同学可自行实现。
### 堆的存储与表示
在二叉树章节我们学过,「完全二叉树」非常适合使用「数组」来表示,而堆恰好是一颗完全二叉树,因而我们一般使用「数组」来存储「堆」
在二叉树章节我们学过,「完全二叉树」非常适合使用「数组」来表示,而堆恰好是一颗完全二叉树,**因而我们采用「数组」来存储「堆」**
**二叉树指针**。使用数组表示二叉树时,元素代表结点值,索引代表结点在二叉树中的位置,**而结点指针通过索引映射公式来实现**。
具体地,给定索引 $i$ ,那么其左子结点索引为 $2i + 1$ 、右子结点索引为 $2i + 2$ 、父结点索引为 $(i - 1) / 2$ (向下整除)。当索引越界时,代表空结点或结点不存在。我们将以上映射公式封装成函数,以便后续使用。
具体地,给定索引 $i$ ,那么其左子结点索引为 $2i + 1$ 、右子结点索引为 $2i + 2$ 、父结点索引为 $(i - 1) / 2$ (向下整除)。当索引越界时,代表空结点或结点不存在。
(图)
![representation_of_heap](heap.assets/representation_of_heap.png)
我们将索引映射公式封装成函数,以便后续使用。
=== "Java"
@ -133,13 +140,29 @@ comments: true
### 元素入堆
给定元素 `val` ,我们先将其添加到堆的末尾。由于 `val` 可能大于堆中其它元素,此时堆的成立条件可能已经被破坏,**因此需要修复从插入结点到根结点这条路径上的各个结点**,该操作被称为「堆化 Heapify」。
给定元素 `val` ,我们先将其添加到堆底。添加后,由于 `val` 可能大于堆中其它元素,此时堆的成立条件可能已经被破坏,**因此需要修复从插入结点到根结点这条路径上的各个结点**,该操作被称为「堆化 Heapify」。
考虑从入堆结点开始,**从底至顶执行堆化**。具体地,比较插入结点与其父结点的值,若插入结点更大则将它们交换;并循环以上操作,从底至顶地修复堆中的各个结点;直至越过根结点时结束,或当遇到无需交换的结点时提前结束。
设结点总数为 $n$ ,则树的高度为 $O(\log n)$ ,易得堆化操作的循环轮数最多为 $O(\log n)$ **因而元素入堆操作的时间复杂度为 $O(\log n)$** 。
=== "Step 1"
![heap_push_step1](heap.assets/heap_push_step1.png)
(图)
=== "Step 2"
![heap_push_step2](heap.assets/heap_push_step2.png)
=== "Step 3"
![heap_push_step3](heap.assets/heap_push_step3.png)
=== "Step 4"
![heap_push_step4](heap.assets/heap_push_step4.png)
=== "Step 5"
![heap_push_step5](heap.assets/heap_push_step5.png)
=== "Step 6"
![heap_push_step6](heap.assets/heap_push_step6.png)
设结点总数为 $n$ ,则树的高度为 $O(\log n)$ ,易得堆化操作的循环轮数最多为 $O(\log n)$ **因而元素入堆操作的时间复杂度为 $O(\log n)$** 。
=== "Java"
@ -172,13 +195,43 @@ comments: true
堆顶元素是二叉树根结点,即列表首元素,如果我们直接将首元素从列表中删除,则二叉树中所有结点都会随之发生移位(索引发生变化),这样后续使用堆化修复就很麻烦了。为了尽量减少元素索引变动,采取以下操作步骤:
1. 交换列表首元素与尾元素(即交换根结点与最右叶结点);
2. 交换完成后,将尾元素从列表中删除(此时堆顶元素已被删除
3. 从根结点开始,从顶至底堆化;
1. 交换堆顶元素与堆底元素(即交换根结点与最右叶结点);
2. 交换完成后,将堆底从列表中删除(注意,因为已经交换,实际上删除的是原来的堆顶元素
3. 从根结点开始,**从顶至底执行堆化**
顾名思义,**从顶至底堆化的操作方向与从底至顶堆化相反**,我们比较根结点的值与其两个子结点的值,将最大的子结点与根结点执行交换,并循环以上操作,直到越过叶结点时结束,或当遇到无需交换的结点时提前结束。
(图)
=== "Step 1"
![heap_poll_step1](heap.assets/heap_poll_step1.png)
=== "Step 2"
![heap_poll_step2](heap.assets/heap_poll_step2.png)
=== "Step 3"
![heap_poll_step3](heap.assets/heap_poll_step3.png)
=== "Step 4"
![heap_poll_step4](heap.assets/heap_poll_step4.png)
=== "Step 5"
![heap_poll_step5](heap.assets/heap_poll_step5.png)
=== "Step 6"
![heap_poll_step6](heap.assets/heap_poll_step6.png)
=== "Step 7"
![heap_poll_step7](heap.assets/heap_poll_step7.png)
=== "Step 8"
![heap_poll_step8](heap.assets/heap_poll_step8.png)
=== "Step 9"
![heap_poll_step9](heap.assets/heap_poll_step9.png)
=== "Step 10"
![heap_poll_step10](heap.assets/heap_poll_step10.png)
与元素入堆操作类似,**堆顶元素出堆操作的时间复杂度为 $O(\log n)$** 。
=== "Java"
@ -237,48 +290,47 @@ comments: true
}
```
!!! tip
那么,第二种建堆方法的时间复杂度时多少呢?我们来做一下简单推算。
完全二叉树中,设结点总数为 $n$ ,则叶结点数量为 $(n + 1) / 2$ ,其中 $/$ 为向下整除。
- 完全二叉树中,设结点总数为 $n$ ,则叶结点数量为 $(n + 1) / 2$ ,其中 $/$ 为向下整除。因此在排除叶结点后,需要堆化结点数量为 $(n - 1)/2$ ,即为 $O(n)$
- 从顶至底堆化中,每个结点最多堆化至叶结点,因此最大迭代次数为二叉树高度 $O(\log n)$
那么,第二种建堆方法的时间复杂度时多少呢?我们来做一下简单推算。排除叶结点后,需要堆化结点数量为 $(n - 1)/2$ ,即为 $O(n)$ ,而二叉树高度为 $O(\log n)$ ,因此可得时间复杂度为 $O(n \log n)$
将上述两者相乘,可得时间复杂度为 $O(n \log n)$ 。然而,该估算结果仍不够准确,因为我们没有考虑到 **二叉树底层结点远多于顶层结点** 的性质
然而,该估算结果仍不够准确,因为我们没有考虑到 **二叉树底层结点远多于顶层结点** 的特点。下面我们来换种方法推导。
设二叉树(即堆)结点数量为 $n$ ,树高度为 $h$ 。如下图所示,我们将各层的“结点数量 $\times$ 子树高度”进行求和,即可得到准确的操作数量。
下面我们来尝试展开计算。为了减小计算难度,我们假设树是一个「完美二叉树」,该假设不会影响计算结果的正确性。设二叉树(即堆)结点数量为 $n$ ,树高度为 $h$ 。上文提到,**结点堆化最大迭代次数等于该结点到叶结点的距离,而这正是“结点高度”**。因此,我们将各层的“结点数量 $\times$ 结点高度”求和,即可得到所有结点的堆化的迭代次数总和。
$$
S = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{(h-1)}\times1
T(h) = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{(h-1)}\times1
$$
(图)
![heapify_count](heap.assets/heapify_count.png)
求解上式需要借助中学的数列知识,先对 $S$ 乘以 $2$ ,可
化简上式需要借助中学的数列知识,先对 $T(h)$ 乘以 $2$ ,易
$$
\begin{aligned}
S & = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{h-1}\times1 \newline
2S & = 2^1h + 2^2(h-1) + 2^3(h-2) + \cdots + 2^{h}\times1 \newline
T(h) & = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{h-1}\times1 \newline
2 T(h) & = 2^1h + 2^2(h-1) + 2^3(h-2) + \cdots + 2^{h}\times1 \newline
\end{aligned}
$$
令下式 $2S$ 与上式 $S$ 错位相减,易
**使用错位相减法**,令下式 $2 T(h)$ 减去上式 $T(h)$ ,可
$$
2S - S = S = -2^0h + 2^1 + 2^2 + \cdots + 2^{h-1} + 2^h
2T(h) - T(h) = T(h) = -2^0h + 2^1 + 2^2 + \cdots + 2^{h-1} + 2^h
$$
观察发现,$S$ 是一个等比数列,可直接借助公式求和。并且,对于高度为 $h$ 的完全二叉树,结点数量范围为 $n \in [2^h, 2^{h+1} - 1]$ ,复杂度为 $n = O(n) = O(2^h)$。
观察上式,$T(h)$ 是一个等比数列,可直接使用求和公式,得到时间复杂度为
$$
\begin{aligned}
S & = 2 \frac{1 - 2^h}{1 - 2} - h \newline
T(h) & = 2 \frac{1 - 2^h}{1 - 2} - h \newline
& = 2^{h+1} - h \newline
& = O(2^h) = O(n)
& = O(2^h)
\end{aligned}
$$
以上推算表明,输入列表并建堆的时间复杂度为 $O(n)$ ,非常高效。
进一步地,高度为 $h$ 的完美二叉树的结点数量为 $n = 2^{h+1} - 1$ ,易得复杂度为 $O(2^h) = O(n)$。以上推算表明,**输入列表并建堆的时间复杂度为 $O(n)$ ,非常高效**
## 堆常见应用