mirror of
https://github.com/krahets/hello-algo.git
synced 2024-12-26 15:06:29 +08:00
5f7385c8a3
* First commit * Update mkdocs.yml * Translate all the docs to traditional Chinese * Translate the code files. * Translate the docker file * Fix mkdocs.yml * Translate all the figures from SC to TC * 二叉搜尋樹 -> 二元搜尋樹 * Update terminology. * Update terminology * 构造函数/构造方法 -> 建構子 异或 -> 互斥或 * 擴充套件 -> 擴展 * constant - 常量 - 常數 * 類 -> 類別 * AVL -> AVL 樹 * 數組 -> 陣列 * 係統 -> 系統 斐波那契數列 -> 費波那契數列 運算元量 -> 運算量 引數 -> 參數 * 聯絡 -> 關聯 * 麵試 -> 面試 * 面向物件 -> 物件導向 歸併排序 -> 合併排序 范式 -> 範式 * Fix 算法 -> 演算法 * 錶示 -> 表示 反碼 -> 一補數 補碼 -> 二補數 列列尾部 -> 佇列尾部 區域性性 -> 區域性 一摞 -> 一疊 * Synchronize with main branch * 賬號 -> 帳號 推匯 -> 推導 * Sync with main branch * First commit * Update mkdocs.yml * Translate all the docs to traditional Chinese * Translate the code files. * Translate the docker file * Fix mkdocs.yml * Translate all the figures from SC to TC * 二叉搜尋樹 -> 二元搜尋樹 * Update terminology * 构造函数/构造方法 -> 建構子 异或 -> 互斥或 * 擴充套件 -> 擴展 * constant - 常量 - 常數 * 類 -> 類別 * AVL -> AVL 樹 * 數組 -> 陣列 * 係統 -> 系統 斐波那契數列 -> 費波那契數列 運算元量 -> 運算量 引數 -> 參數 * 聯絡 -> 關聯 * 麵試 -> 面試 * 面向物件 -> 物件導向 歸併排序 -> 合併排序 范式 -> 範式 * Fix 算法 -> 演算法 * 錶示 -> 表示 反碼 -> 一補數 補碼 -> 二補數 列列尾部 -> 佇列尾部 區域性性 -> 區域性 一摞 -> 一疊 * Synchronize with main branch * 賬號 -> 帳號 推匯 -> 推導 * Sync with main branch * Update terminology.md * 操作数量（num. of operations）-> 操作數量 * 字首和->前綴和 * Update figures * 歸 -> 迴 記憶體洩漏 -> 記憶體流失 * Fix the bug of the file filter * 支援 -> 支持 Add zh-Hant/README.md * Add the zh-Hant chapter covers. Bug fixes. * 外掛 -> 擴充功能 * Add the landing page for zh-Hant version * Unify the font of the chapter covers for the zh, en, and zh-Hant version * Move zh-Hant/ to zh-hant/ * Translate terminology.md to traditional Chinese
538 lines
20 KiB
Markdown
538 lines
20 KiB
Markdown
# 堆積
|
||
|
||
<u>堆積（heap）</u>是一種滿足特定條件的完全二元樹，主要可分為兩種型別，如下圖所示。
|
||
|
||
- <u>小頂堆積（min heap）</u>：任意節點的值 $\leq$ 其子節點的值。
|
||
- <u>大頂堆積（max heap）</u>：任意節點的值 $\geq$ 其子節點的值。
|
||
|
||
|
||
|
||
堆積作為完全二元樹的一個特例，具有以下特性。
|
||
|
||
- 最底層節點靠左填充，其他層的節點都被填滿。
|
||
- 我們將二元樹的根節點稱為“堆積頂”，將底層最靠右的節點稱為“堆積底”。
|
||
- 對於大頂堆積（小頂堆積），堆積頂元素（根節點）的值是最大（最小）的。
|
||
|
||
## 堆積的常用操作
|
||
|
||
需要指出的是，許多程式語言提供的是<u>優先佇列（priority queue）</u>，這是一種抽象的資料結構，定義為具有優先順序排序的佇列。
|
||
|
||
實際上，**堆積通常用於實現優先佇列，大頂堆積相當於元素按從大到小的順序出列的優先佇列**。從使用角度來看，我們可以將“優先佇列”和“堆積”看作等價的資料結構。因此，本書對兩者不做特別區分，統一稱作“堆積”。
|
||
|
||
堆積的常用操作見下表，方法名需要根據程式語言來確定。
|
||
|
||
<p align="center"> 表 <id> 堆積的操作效率 </p>
|
||
|
||
| 方法名 | 描述 | 時間複雜度 |
|
||
| ----------- | ------------------------------------------------ | ----------- |
|
||
| `push()` | 元素入堆積 | $O(\log n)$ |
|
||
| `pop()` | 堆積頂元素出堆積 | $O(\log n)$ |
|
||
| `peek()` | 訪問堆積頂元素（對於大 / 小頂堆積分別為最大 / 小值） | $O(1)$ |
|
||
| `size()` | 獲取堆積的元素數量 | $O(1)$ |
|
||
| `isEmpty()` | 判斷堆積是否為空 | $O(1)$ |
|
||
|
||
在實際應用中，我們可以直接使用程式語言提供的堆積類別（或優先佇列類別）。
|
||
|
||
類似於排序演算法中的“從小到大排列”和“從大到小排列”，我們可以透過設定一個 `flag` 或修改 `Comparator` 實現“小頂堆積”與“大頂堆積”之間的轉換。程式碼如下所示：
|
||
|
||
=== "Python"
|
||
|
||
```python title="heap.py"
|
||
# 初始化小頂堆積
|
||
min_heap, flag = [], 1
|
||
# 初始化大頂堆積
|
||
max_heap, flag = [], -1
|
||
|
||
# Python 的 heapq 模組預設實現小頂堆積
|
||
# 考慮將“元素取負”後再入堆積，這樣就可以將大小關係顛倒，從而實現大頂堆積
|
||
# 在本示例中，flag = 1 時對應小頂堆積，flag = -1 時對應大頂堆積
|
||
|
||
# 元素入堆積
|
||
heapq.heappush(max_heap, flag * 1)
|
||
heapq.heappush(max_heap, flag * 3)
|
||
heapq.heappush(max_heap, flag * 2)
|
||
heapq.heappush(max_heap, flag * 5)
|
||
heapq.heappush(max_heap, flag * 4)
|
||
|
||
# 獲取堆積頂元素
|
||
peek: int = flag * max_heap[0] # 5
|
||
|
||
# 堆積頂元素出堆積
|
||
# 出堆積元素會形成一個從大到小的序列
|
||
val = flag * heapq.heappop(max_heap) # 5
|
||
val = flag * heapq.heappop(max_heap) # 4
|
||
val = flag * heapq.heappop(max_heap) # 3
|
||
val = flag * heapq.heappop(max_heap) # 2
|
||
val = flag * heapq.heappop(max_heap) # 1
|
||
|
||
# 獲取堆積大小
|
||
size: int = len(max_heap)
|
||
|
||
# 判斷堆積是否為空
|
||
is_empty: bool = not max_heap
|
||
|
||
# 輸入串列並建堆積
|
||
min_heap: list[int] = [1, 3, 2, 5, 4]
|
||
heapq.heapify(min_heap)
|
||
```
|
||
|
||
=== "C++"
|
||
|
||
```cpp title="heap.cpp"
|
||
/* 初始化堆積 */
|
||
// 初始化小頂堆積
|
||
priority_queue<int, vector<int>, greater<int>> minHeap;
|
||
// 初始化大頂堆積
|
||
priority_queue<int, vector<int>, less<int>> maxHeap;
|
||
|
||
/* 元素入堆積 */
|
||
maxHeap.push(1);
|
||
maxHeap.push(3);
|
||
maxHeap.push(2);
|
||
maxHeap.push(5);
|
||
maxHeap.push(4);
|
||
|
||
/* 獲取堆積頂元素 */
|
||
int peek = maxHeap.top(); // 5
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 出堆積元素會形成一個從大到小的序列
|
||
maxHeap.pop(); // 5
|
||
maxHeap.pop(); // 4
|
||
maxHeap.pop(); // 3
|
||
maxHeap.pop(); // 2
|
||
maxHeap.pop(); // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
int size = maxHeap.size();
|
||
|
||
/* 判斷堆積是否為空 */
|
||
bool isEmpty = maxHeap.empty();
|
||
|
||
/* 輸入串列並建堆積 */
|
||
vector<int> input{1, 3, 2, 5, 4};
|
||
priority_queue<int, vector<int>, greater<int>> minHeap(input.begin(), input.end());
|
||
```
|
||
|
||
=== "Java"
|
||
|
||
```java title="heap.java"
|
||
/* 初始化堆積 */
|
||
// 初始化小頂堆積
|
||
Queue<Integer> minHeap = new PriorityQueue<>();
|
||
// 初始化大頂堆積（使用 lambda 表示式修改 Comparator 即可）
|
||
Queue<Integer> maxHeap = new PriorityQueue<>((a, b) -> b - a);
|
||
|
||
/* 元素入堆積 */
|
||
maxHeap.offer(1);
|
||
maxHeap.offer(3);
|
||
maxHeap.offer(2);
|
||
maxHeap.offer(5);
|
||
maxHeap.offer(4);
|
||
|
||
/* 獲取堆積頂元素 */
|
||
int peek = maxHeap.peek(); // 5
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 出堆積元素會形成一個從大到小的序列
|
||
peek = maxHeap.poll(); // 5
|
||
peek = maxHeap.poll(); // 4
|
||
peek = maxHeap.poll(); // 3
|
||
peek = maxHeap.poll(); // 2
|
||
peek = maxHeap.poll(); // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
int size = maxHeap.size();
|
||
|
||
/* 判斷堆積是否為空 */
|
||
boolean isEmpty = maxHeap.isEmpty();
|
||
|
||
/* 輸入串列並建堆積 */
|
||
minHeap = new PriorityQueue<>(Arrays.asList(1, 3, 2, 5, 4));
|
||
```
|
||
|
||
=== "C#"
|
||
|
||
```csharp title="heap.cs"
|
||
/* 初始化堆積 */
|
||
// 初始化小頂堆積
|
||
PriorityQueue<int, int> minHeap = new();
|
||
// 初始化大頂堆積（使用 lambda 表示式修改 Comparator 即可）
|
||
PriorityQueue<int, int> maxHeap = new(Comparer<int>.Create((x, y) => y - x));
|
||
|
||
/* 元素入堆積 */
|
||
maxHeap.Enqueue(1, 1);
|
||
maxHeap.Enqueue(3, 3);
|
||
maxHeap.Enqueue(2, 2);
|
||
maxHeap.Enqueue(5, 5);
|
||
maxHeap.Enqueue(4, 4);
|
||
|
||
/* 獲取堆積頂元素 */
|
||
int peek = maxHeap.Peek();//5
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 出堆積元素會形成一個從大到小的序列
|
||
peek = maxHeap.Dequeue(); // 5
|
||
peek = maxHeap.Dequeue(); // 4
|
||
peek = maxHeap.Dequeue(); // 3
|
||
peek = maxHeap.Dequeue(); // 2
|
||
peek = maxHeap.Dequeue(); // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
int size = maxHeap.Count;
|
||
|
||
/* 判斷堆積是否為空 */
|
||
bool isEmpty = maxHeap.Count == 0;
|
||
|
||
/* 輸入串列並建堆積 */
|
||
minHeap = new PriorityQueue<int, int>([(1, 1), (3, 3), (2, 2), (5, 5), (4, 4)]);
|
||
```
|
||
|
||
=== "Go"
|
||
|
||
```go title="heap.go"
|
||
// Go 語言中可以透過實現 heap.Interface 來構建整數大頂堆積
|
||
// 實現 heap.Interface 需要同時實現 sort.Interface
|
||
type intHeap []any
|
||
|
||
// Push heap.Interface 的方法，實現推入元素到堆積
|
||
func (h *intHeap) Push(x any) {
|
||
// Push 和 Pop 使用 pointer receiver 作為參數
|
||
// 因為它們不僅會對切片的內容進行調整，還會修改切片的長度。
|
||
*h = append(*h, x.(int))
|
||
}
|
||
|
||
// Pop heap.Interface 的方法，實現彈出堆積頂元素
|
||
func (h *intHeap) Pop() any {
|
||
// 待出堆積元素存放在最後
|
||
last := (*h)[len(*h)-1]
|
||
*h = (*h)[:len(*h)-1]
|
||
return last
|
||
}
|
||
|
||
// Len sort.Interface 的方法
|
||
func (h *intHeap) Len() int {
|
||
return len(*h)
|
||
}
|
||
|
||
// Less sort.Interface 的方法
|
||
func (h *intHeap) Less(i, j int) bool {
|
||
// 如果實現小頂堆積，則需要調整為小於號
|
||
return (*h)[i].(int) > (*h)[j].(int)
|
||
}
|
||
|
||
// Swap sort.Interface 的方法
|
||
func (h *intHeap) Swap(i, j int) {
|
||
(*h)[i], (*h)[j] = (*h)[j], (*h)[i]
|
||
}
|
||
|
||
// Top 獲取堆積頂元素
|
||
func (h *intHeap) Top() any {
|
||
return (*h)[0]
|
||
}
|
||
|
||
/* Driver Code */
|
||
func TestHeap(t *testing.T) {
|
||
/* 初始化堆積 */
|
||
// 初始化大頂堆積
|
||
maxHeap := &intHeap{}
|
||
heap.Init(maxHeap)
|
||
/* 元素入堆積 */
|
||
// 呼叫 heap.Interface 的方法，來新增元素
|
||
heap.Push(maxHeap, 1)
|
||
heap.Push(maxHeap, 3)
|
||
heap.Push(maxHeap, 2)
|
||
heap.Push(maxHeap, 4)
|
||
heap.Push(maxHeap, 5)
|
||
|
||
/* 獲取堆積頂元素 */
|
||
top := maxHeap.Top()
|
||
fmt.Printf("堆積頂元素為 %d\n", top)
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 呼叫 heap.Interface 的方法，來移除元素
|
||
heap.Pop(maxHeap) // 5
|
||
heap.Pop(maxHeap) // 4
|
||
heap.Pop(maxHeap) // 3
|
||
heap.Pop(maxHeap) // 2
|
||
heap.Pop(maxHeap) // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
size := len(*maxHeap)
|
||
fmt.Printf("堆積元素數量為 %d\n", size)
|
||
|
||
/* 判斷堆積是否為空 */
|
||
isEmpty := len(*maxHeap) == 0
|
||
fmt.Printf("堆積是否為空 %t\n", isEmpty)
|
||
}
|
||
```
|
||
|
||
=== "Swift"
|
||
|
||
```swift title="heap.swift"
|
||
/* 初始化堆積 */
|
||
// Swift 的 Heap 型別同時支持最大堆積和最小堆積，且需要引入 swift-collections
|
||
var heap = Heap<Int>()
|
||
|
||
/* 元素入堆積 */
|
||
heap.insert(1)
|
||
heap.insert(3)
|
||
heap.insert(2)
|
||
heap.insert(5)
|
||
heap.insert(4)
|
||
|
||
/* 獲取堆積頂元素 */
|
||
var peek = heap.max()!
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
peek = heap.removeMax() // 5
|
||
peek = heap.removeMax() // 4
|
||
peek = heap.removeMax() // 3
|
||
peek = heap.removeMax() // 2
|
||
peek = heap.removeMax() // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
let size = heap.count
|
||
|
||
/* 判斷堆積是否為空 */
|
||
let isEmpty = heap.isEmpty
|
||
|
||
/* 輸入串列並建堆積 */
|
||
let heap2 = Heap([1, 3, 2, 5, 4])
|
||
```
|
||
|
||
=== "JS"
|
||
|
||
```javascript title="heap.js"
|
||
// JavaScript 未提供內建 Heap 類別
|
||
```
|
||
|
||
=== "TS"
|
||
|
||
```typescript title="heap.ts"
|
||
// TypeScript 未提供內建 Heap 類別
|
||
```
|
||
|
||
=== "Dart"
|
||
|
||
```dart title="heap.dart"
|
||
// Dart 未提供內建 Heap 類別
|
||
```
|
||
|
||
=== "Rust"
|
||
|
||
```rust title="heap.rs"
|
||
use std::collections::BinaryHeap;
|
||
use std::cmp::Reverse;
|
||
|
||
/* 初始化堆積 */
|
||
// 初始化小頂堆積
|
||
let mut min_heap = BinaryHeap::<Reverse<i32>>::new();
|
||
// 初始化大頂堆積
|
||
let mut max_heap = BinaryHeap::new();
|
||
|
||
/* 元素入堆積 */
|
||
max_heap.push(1);
|
||
max_heap.push(3);
|
||
max_heap.push(2);
|
||
max_heap.push(5);
|
||
max_heap.push(4);
|
||
|
||
/* 獲取堆積頂元素 */
|
||
let peek = max_heap.peek().unwrap(); // 5
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 出堆積元素會形成一個從大到小的序列
|
||
let peek = max_heap.pop().unwrap(); // 5
|
||
let peek = max_heap.pop().unwrap(); // 4
|
||
let peek = max_heap.pop().unwrap(); // 3
|
||
let peek = max_heap.pop().unwrap(); // 2
|
||
let peek = max_heap.pop().unwrap(); // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
let size = max_heap.len();
|
||
|
||
/* 判斷堆積是否為空 */
|
||
let is_empty = max_heap.is_empty();
|
||
|
||
/* 輸入串列並建堆積 */
|
||
let min_heap = BinaryHeap::from(vec![Reverse(1), Reverse(3), Reverse(2), Reverse(5), Reverse(4)]);
|
||
```
|
||
|
||
=== "C"
|
||
|
||
```c title="heap.c"
|
||
// C 未提供內建 Heap 類別
|
||
```
|
||
|
||
=== "Kotlin"
|
||
|
||
```kotlin title="heap.kt"
|
||
/* 初始化堆積 */
|
||
// 初始化小頂堆積
|
||
var minHeap = PriorityQueue<Int>()
|
||
// 初始化大頂堆積（使用 lambda 表示式修改 Comparator 即可）
|
||
val maxHeap = PriorityQueue { a: Int, b: Int -> b - a }
|
||
|
||
/* 元素入堆積 */
|
||
maxHeap.offer(1)
|
||
maxHeap.offer(3)
|
||
maxHeap.offer(2)
|
||
maxHeap.offer(5)
|
||
maxHeap.offer(4)
|
||
|
||
/* 獲取堆積頂元素 */
|
||
var peek = maxHeap.peek() // 5
|
||
|
||
/* 堆積頂元素出堆積 */
|
||
// 出堆積元素會形成一個從大到小的序列
|
||
peek = maxHeap.poll() // 5
|
||
peek = maxHeap.poll() // 4
|
||
peek = maxHeap.poll() // 3
|
||
peek = maxHeap.poll() // 2
|
||
peek = maxHeap.poll() // 1
|
||
|
||
/* 獲取堆積大小 */
|
||
val size = maxHeap.size
|
||
|
||
/* 判斷堆積是否為空 */
|
||
val isEmpty = maxHeap.isEmpty()
|
||
|
||
/* 輸入串列並建堆積 */
|
||
minHeap = PriorityQueue(mutableListOf(1, 3, 2, 5, 4))
|
||
```
|
||
|
||
=== "Ruby"
|
||
|
||
```ruby title="heap.rb"
|
||
|
||
```
|
||
|
||
=== "Zig"
|
||
|
||
```zig title="heap.zig"
|
||
|
||
```
|
||
|
||
??? pythontutor "視覺化執行"
|
||
|
||
https://pythontutor.com/render.html#code=import%20heapq%0A%0A%22%22%22Driver%20Code%22%22%22%0Aif%20__name__%20%3D%3D%20%22__main__%22%3A%0A%20%20%20%20%23%20%E5%88%9D%E5%A7%8B%E5%8C%96%E5%B0%8F%E9%A1%B6%E5%A0%86%0A%20%20%20%20min_heap,%20flag%20%3D%20%5B%5D,%201%0A%20%20%20%20%23%20%E5%88%9D%E5%A7%8B%E5%8C%96%E5%A4%A7%E9%A1%B6%E5%A0%86%0A%20%20%20%20max_heap,%20flag%20%3D%20%5B%5D,%20-1%0A%20%20%20%20%0A%20%20%20%20%23%20Python%20%E7%9A%84%20heapq%20%E6%A8%A1%E5%9D%97%E9%BB%98%E8%AE%A4%E5%AE%9E%E7%8E%B0%E5%B0%8F%E9%A1%B6%E5%A0%86%0A%20%20%20%20%23%20%E8%80%83%E8%99%91%E5%B0%86%E2%80%9C%E5%85%83%E7%B4%A0%E5%8F%96%E8%B4%9F%E2%80%9D%E5%90%8E%E5%86%8D%E5%85%A5%E5%A0%86%EF%BC%8C%E8%BF%99%E6%A0%B7%E5%B0%B1%E5%8F%AF%E4%BB%A5%E5%B0%86%E5%A4%A7%E5%B0%8F%E5%85%B3%E7%B3%BB%E9%A2%A0%E5%80%92%EF%BC%8C%E4%BB%8E%E8%80%8C%E5%AE%9E%E7%8E%B0%E5%A4%A7%E9%A1%B6%E5%A0%86%0A%20%20%20%20%23%20%E5%9C%A8%E6%9C%AC%E7%A4%BA%E4%BE%8B%E4%B8%AD%EF%BC%8Cflag%20%3D%201%20%E6%97%B6%E5%AF%B9%E5%BA%94%E5%B0%8F%E9%A1%B6%E5%A0%86%EF%BC%8Cflag%20%3D%20-1%20%E6%97%B6%E5%AF%B9%E5%BA%94%E5%A4%A7%E9%A1%B6%E5%A0%86%0A%20%20%20%20%0A%20%20%20%20%23%20%E5%85%83%E7%B4%A0%E5%85%A5%E5%A0%86%0A%20%20%20%20heapq.heappush%28max_heap,%20flag%20*%201%29%0A%20%20%20%20heapq.heappush%28max_heap,%20flag%20*%203%29%0A%20%20%20%20heapq.heappush%28max_heap,%20flag%20*%202%29%0A%20%20%20%20heapq.heappush%28max_heap,%20flag%20*%205%29%0A%20%20%20%20heapq.heappush%28max_heap,%20flag%20*%204%29%0A%20%20%20%20%0A%20%20%20%20%23%20%E8%8E%B7%E5%8F%96%E5%A0%86%E9%A1%B6%E5%85%83%E7%B4%A0%0A%20%20%20%20peek%20%3D%20flag%20*%20max_heap%5B0%5D%20%23%205%0A%20%20%20%20%0A%20%20%20%20%23%20%E5%A0%86%E9%A1%B6%E5%85%83%E7%B4%A0%E5%87%BA%E5%A0%86%0A%20%20%20%20%23%20%E5%87%BA%E5%A0%86%E5%85%83%E7%B4%A0%E4%BC%9A%E5%BD%A2%E6%88%90%E4%B8%80%E4%B8%AA%E4%BB%8E%E5%A4%A7%E5%88%B0%E5%B0%8F%E7%9A%84%E5%BA%8F%E5%88%97%0A%20%20%20%20val%20%3D%20flag%20*%20heapq.heappop%28max_heap%29%20%23%205%0A%20%20%20%20val%20%3D%20flag%20*%20heapq.heappop%28max_heap%29%20%23%204%0A%20%20%20%20val%20%3D%20flag%20*%20heapq.heappop%28max_heap%29%20%23%203%0A%20%20%20%20val%20%3D%20flag%20*%20heapq.heappop%28max_heap%29%20%23%202%0A%20%20%20%20val%20%3D%20flag%20*%20heapq.heappop%28max_heap%29%20%23%201%0A%20%20%20%20%0A%20%20%20%20%23%20%E8%8E%B7%E5%8F%96%E5%A0%86%E5%A4%A7%E5%B0%8F%0A%20%20%20%20size%20%3D%20len%28max_heap%29%0A%20%20%20%20%0A%20%20%20%20%23%20%E5%88%A4%E6%96%AD%E5%A0%86%E6%98%AF%E5%90%A6%E4%B8%BA%E7%A9%BA%0A%20%20%20%20is_empty%20%3D%20not%20max_heap%0A%20%20%20%20%0A%20%20%20%20%23%20%E8%BE%93%E5%85%A5%E5%88%97%E8%A1%A8%E5%B9%B6%E5%BB%BA%E5%A0%86%0A%20%20%20%20min_heap%20%3D%20%5B1,%203,%202,%205,%204%5D%0A%20%20%20%20heapq.heapify%28min_heap%29&cumulative=false&curInstr=3&heapPrimitives=nevernest&mode=display&origin=opt-frontend.js&py=311&rawInputLstJSON=%5B%5D&textReferences=false
|
||
|
||
## 堆積的實現
|
||
|
||
下文實現的是大頂堆積。若要將其轉換為小頂堆積，只需將所有大小邏輯判斷取逆（例如，將 $\geq$ 替換為 $\leq$ ）。感興趣的讀者可以自行實現。
|
||
|
||
### 堆積的儲存與表示
|
||
|
||
“二元樹”章節講過，完全二元樹非常適合用陣列來表示。由於堆積正是一種完全二元樹，**因此我們將採用陣列來儲存堆積**。
|
||
|
||
當使用陣列表示二元樹時，元素代表節點值，索引代表節點在二元樹中的位置。**節點指標透過索引對映公式來實現**。
|
||
|
||
如下圖所示，給定索引 $i$ ，其左子節點的索引為 $2i + 1$ ，右子節點的索引為 $2i + 2$ ，父節點的索引為 $(i - 1) / 2$（向下整除）。當索引越界時，表示空節點或節點不存在。
|
||
|
||
|
||
|
||
我們可以將索引對映公式封裝成函式，方便後續使用：
|
||
|
||
```src
|
||
[file]{my_heap}-[class]{max_heap}-[func]{parent}
|
||
```
|
||
|
||
### 訪問堆積頂元素
|
||
|
||
堆積頂元素即為二元樹的根節點，也就是串列的首個元素：
|
||
|
||
```src
|
||
[file]{my_heap}-[class]{max_heap}-[func]{peek}
|
||
```
|
||
|
||
### 元素入堆積
|
||
|
||
給定元素 `val` ，我們首先將其新增到堆積底。新增之後，由於 `val` 可能大於堆積中其他元素，堆積的成立條件可能已被破壞，**因此需要修復從插入節點到根節點的路徑上的各個節點**，這個操作被稱為<u>堆積化（heapify）</u>。
|
||
|
||
考慮從入堆積節點開始，**從底至頂執行堆積化**。如下圖所示，我們比較插入節點與其父節點的值，如果插入節點更大，則將它們交換。然後繼續執行此操作，從底至頂修復堆積中的各個節點，直至越過根節點或遇到無須交換的節點時結束。
|
||
|
||
=== "<1>"
|
||
|
||
|
||
=== "<2>"
|
||
|
||
|
||
=== "<3>"
|
||
|
||
|
||
=== "<4>"
|
||
|
||
|
||
=== "<5>"
|
||
|
||
|
||
=== "<6>"
|
||
|
||
|
||
=== "<7>"
|
||
|
||
|
||
=== "<8>"
|
||
|
||
|
||
=== "<9>"
|
||
|
||
|
||
設節點總數為 $n$ ，則樹的高度為 $O(\log n)$ 。由此可知，堆積化操作的迴圈輪數最多為 $O(\log n)$ ，**元素入堆積操作的時間複雜度為 $O(\log n)$** 。程式碼如下所示：
|
||
|
||
```src
|
||
[file]{my_heap}-[class]{max_heap}-[func]{sift_up}
|
||
```
|
||
|
||
### 堆積頂元素出堆積
|
||
|
||
堆積頂元素是二元樹的根節點，即串列首元素。如果我們直接從串列中刪除首元素，那麼二元樹中所有節點的索引都會發生變化，這將使得後續使用堆積化進行修復變得困難。為了儘量減少元素索引的變動，我們採用以下操作步驟。
|
||
|
||
1. 交換堆積頂元素與堆積底元素（交換根節點與最右葉節點）。
|
||
2. 交換完成後，將堆積底從串列中刪除（注意，由於已經交換，因此實際上刪除的是原來的堆積頂元素）。
|
||
3. 從根節點開始，**從頂至底執行堆積化**。
|
||
|
||
如下圖所示，**“從頂至底堆積化”的操作方向與“從底至頂堆積化”相反**，我們將根節點的值與其兩個子節點的值進行比較，將最大的子節點與根節點交換。然後迴圈執行此操作，直到越過葉節點或遇到無須交換的節點時結束。
|
||
|
||
=== "<1>"
|
||
|
||
|
||
=== "<2>"
|
||
|
||
|
||
=== "<3>"
|
||
|
||
|
||
=== "<4>"
|
||
|
||
|
||
=== "<5>"
|
||
|
||
|
||
=== "<6>"
|
||
|
||
|
||
=== "<7>"
|
||
|
||
|
||
=== "<8>"
|
||
|
||
|
||
=== "<9>"
|
||
|
||
|
||
=== "<10>"
|
||
|
||
|
||
與元素入堆積操作相似，堆積頂元素出堆積操作的時間複雜度也為 $O(\log n)$ 。程式碼如下所示：
|
||
|
||
```src
|
||
[file]{my_heap}-[class]{max_heap}-[func]{sift_down}
|
||
```
|
||
|
||
## 堆積的常見應用
|
||
|
||
- **優先佇列**：堆積通常作為實現優先佇列的首選資料結構，其入列和出列操作的時間複雜度均為 $O(\log n)$ ，而建隊操作為 $O(n)$ ，這些操作都非常高效。
|
||
- **堆積排序**：給定一組資料，我們可以用它們建立一個堆積，然後不斷地執行元素出堆積操作，從而得到有序資料。然而，我們通常會使用一種更優雅的方式實現堆積排序，詳見“堆積排序”章節。
|
||
- **獲取最大的 $k$ 個元素**：這是一個經典的演算法問題，同時也是一種典型應用，例如選擇熱度前 10 的新聞作為微博熱搜，選取銷量前 10 的商品等。
|