mirror of
https://github.com/krahets/hello-algo.git
synced 2024-12-28 21:56:28 +08:00
204 lines
6.9 KiB
Markdown
204 lines
6.9 KiB
Markdown
---
|
||
comments: true
|
||
---
|
||
|
||
# 8.2. 建堆操作 *
|
||
|
||
如果我们想要根据输入列表生成一个堆，这个过程被称为「建堆」。
|
||
|
||
## 8.2.1. 两种建堆方法
|
||
|
||
### 借助入堆方法实现
|
||
|
||
最直接的方法是借助“元素入堆操作”实现，首先创建一个空堆，然后将列表元素依次添加到堆中。
|
||
|
||
设元素数量为 $n$ ，则最后一个元素入堆的时间复杂度为 $O(\log n)$ 。在依次添加元素时，堆的平均长度为 $\frac{n}{2}$ ，因此该方法的总体时间复杂度为 $O(n \log n)$ 。
|
||
|
||
### 基于堆化操作实现
|
||
|
||
有趣的是，存在一种更高效的建堆方法，其时间复杂度仅为 $O(n)$ 。我们先将列表所有元素原封不动添加到堆中，**然后迭代地对各个结点执行“从顶至底堆化”**。当然，**我们不需要对叶结点执行堆化操作**，因为它们没有子结点。
|
||
|
||
=== "Java"
|
||
|
||
```java title="my_heap.java"
|
||
/* 构造方法，根据输入列表建堆 */
|
||
MaxHeap(List<Integer> nums) {
|
||
// 将列表元素原封不动添加进堆
|
||
maxHeap = new ArrayList<>(nums);
|
||
// 堆化除叶结点以外的其他所有结点
|
||
for (int i = parent(size() - 1); i >= 0; i--) {
|
||
siftDown(i);
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "C++"
|
||
|
||
```cpp title="my_heap.cpp"
|
||
/* 构造方法，根据输入列表建堆 */
|
||
MaxHeap(vector<int> nums) {
|
||
// 将列表元素原封不动添加进堆
|
||
maxHeap = nums;
|
||
// 堆化除叶结点以外的其他所有结点
|
||
for (int i = parent(size() - 1); i >= 0; i--) {
|
||
siftDown(i);
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "Python"
|
||
|
||
```python title="my_heap.py"
|
||
def __init__(self, nums: list[int]):
|
||
""" 构造方法 """
|
||
# 将列表元素原封不动添加进堆
|
||
self.max_heap = nums
|
||
# 堆化除叶结点以外的其他所有结点
|
||
for i in range(self.parent(self.size() - 1), -1, -1):
|
||
self.sift_down(i)
|
||
```
|
||
|
||
=== "Go"
|
||
|
||
```go title="my_heap.go"
|
||
/* 构造方法，根据切片建堆 */
|
||
func newMaxHeap(nums []any) *maxHeap {
|
||
// 将列表元素原封不动添加进堆
|
||
h := &maxHeap{data: nums}
|
||
for i := len(h.data) - 1; i >= 0; i-- {
|
||
// 堆化除叶结点以外的其他所有结点
|
||
h.siftDown(i)
|
||
}
|
||
return h
|
||
}
|
||
```
|
||
|
||
=== "JavaScript"
|
||
|
||
```javascript title="my_heap.js"
|
||
/* 构造方法，建立空堆或根据输入列表建堆 */
|
||
constructor(nums) {
|
||
// 将列表元素原封不动添加进堆
|
||
this.#maxHeap = nums === undefined ? [] : [...nums];
|
||
// 堆化除叶结点以外的其他所有结点
|
||
for (let i = this.#parent(this.size() - 1); i >= 0; i--) {
|
||
this.#siftDown(i);
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "TypeScript"
|
||
|
||
```typescript title="my_heap.ts"
|
||
/* 构造方法，建立空堆或根据输入列表建堆 */
|
||
constructor(nums?: number[]) {
|
||
// 将列表元素原封不动添加进堆
|
||
this.maxHeap = nums === undefined ? [] : [...nums];
|
||
// 堆化除叶结点以外的其他所有结点
|
||
for (let i = this.parent(this.size() - 1); i >= 0; i--) {
|
||
this.siftDown(i);
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "C"
|
||
|
||
```c title="my_heap.c"
|
||
[class]{maxHeap}-[func]{newMaxHeap}
|
||
```
|
||
|
||
=== "C#"
|
||
|
||
```csharp title="my_heap.cs"
|
||
/* 构造函数，根据输入列表建堆 */
|
||
MaxHeap(IEnumerable<int> nums)
|
||
{
|
||
// 将列表元素原封不动添加进堆
|
||
maxHeap = new List<int>(nums);
|
||
// 堆化除叶结点以外的其他所有结点
|
||
var size = parent(this.size() - 1);
|
||
for (int i = size; i >= 0; i--)
|
||
{
|
||
siftDown(i);
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "Swift"
|
||
|
||
```swift title="my_heap.swift"
|
||
/* 构造方法，根据输入列表建堆 */
|
||
init(nums: [Int]) {
|
||
// 将列表元素原封不动添加进堆
|
||
maxHeap = nums
|
||
// 堆化除叶结点以外的其他所有结点
|
||
for i in stride(from: parent(i: size() - 1), through: 0, by: -1) {
|
||
siftDown(i: i)
|
||
}
|
||
}
|
||
```
|
||
|
||
=== "Zig"
|
||
|
||
```zig title="my_heap.zig"
|
||
// 构造方法，根据输入列表建堆
|
||
fn init(self: *Self, allocator: std.mem.Allocator, nums: []const T) !void {
|
||
if (self.max_heap != null) return;
|
||
self.max_heap = std.ArrayList(T).init(allocator);
|
||
// 将列表元素原封不动添加进堆
|
||
try self.max_heap.?.appendSlice(nums);
|
||
// 堆化除叶结点以外的其他所有结点
|
||
var i: usize = parent(self.size() - 1) + 1;
|
||
while (i > 0) : (i -= 1) {
|
||
try self.siftDown(i - 1);
|
||
}
|
||
}
|
||
```
|
||
|
||
## 8.2.2. 复杂度分析
|
||
|
||
为什么第二种建堆方法的时间复杂度是 $O(n)$ ？我们来展开推算一下。
|
||
|
||
- 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，需要堆化的结点数量为 $(n - 1)/2$ ，复杂度为 $O(n)$ ；
|
||
- 在从顶至底堆化的过程中，每个结点最多堆化到叶结点，因此最大迭代次数为二叉树高度 $O(\log n)$ ；
|
||
|
||
将上述两者相乘，可得到建堆过程的时间复杂度为 $O(n \log n)$。**然而，这个估算结果并不准确，因为我们没有考虑到二叉树底层结点数量远多于顶层结点的特性**。
|
||
|
||
接下来我们来进行更为详细的计算。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，而该距离正是“结点高度”**。
|
||
|
||
|
||
|
||
<p align="center"> Fig. 完美二叉树的各层结点数量 </p>
|
||
|
||
因此，我们可以将各层的“结点数量 $\times$ 结点高度”求和，**从而得到所有结点的堆化迭代次数的总和**。
|
||
|
||
$$
|
||
T(h) = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{(h-1)}\times1
|
||
$$
|
||
|
||
化简上式需要借助中学的数列知识，先对 $T(h)$ 乘以 $2$ ，得到
|
||
|
||
$$
|
||
\begin{aligned}
|
||
T(h) & = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{h-1}\times1 \newline
|
||
2 T(h) & = 2^1h + 2^2(h-1) + 2^3(h-2) + \cdots + 2^{h}\times1 \newline
|
||
\end{aligned}
|
||
$$
|
||
|
||
**使用错位相减法**，令下式 $2 T(h)$ 减去上式 $T(h)$ ，可得
|
||
|
||
$$
|
||
2T(h) - T(h) = T(h) = -2^0h + 2^1 + 2^2 + \cdots + 2^{h-1} + 2^h
|
||
$$
|
||
|
||
观察上式，发现 $T(h)$ 是一个等比数列，可直接使用求和公式，得到时间复杂度为
|
||
|
||
$$
|
||
\begin{aligned}
|
||
T(h) & = 2 \frac{1 - 2^h}{1 - 2} - h \newline
|
||
& = 2^{h+1} - h \newline
|
||
& = O(2^h)
|
||
\end{aligned}
|
||
$$
|
||
|
||
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**。
|