ヒープは、実際ツリー(又はツリーベース構造)であり、一般的にヒープ優先キューを用いて達成することができます。
バイナリヒープ
そのような優先順位キューのような他の高レベルのデータ構造を実装するために使用することができるスタック
ヒープを達成するために、あなたは、バイナリツリーを利用することができ、その実装が呼び出されます。二叉堆
(ヒープバイナリ木表現)。
しかし、バイナリヒープは、我々はいくつかの特殊な性質を満たす必要があります。
まず、バイナリヒープは、必要があり、バイナリツリーを完了(平衡二分木は、配列によって表され得る、以下参照)
完全二分木が右下に削除されなければなりません。(左から右へ、各店舗優先しなければなりません)
- 完全二分木構造が、それは単に層に配置された要素として解釈することができます。(だから、配列が良い基本的な実装です)
第二に、親ノードは、(ヒープのビッグトップの場合のために)特定の子ノードよりも大きいです。
バイナリヒープは達成します
バイナリヒープは、完全二分木であり、そしてのでため完全二分木の方法の配列で実装することができます
(配列番号/インデックス、正確に配列インデックス/添字に対応)
ここではそのためのバイナリツリーの定義をバイパスすることができ、完全なバイナリツリーを達成(右この定義を残して使用しないでください)。
これの利点は、親子関係が(代わりに左、右の関係の)指数に応じて決定することができ表します。
特定の関係は、数学的帰納法によって証明することができます。
0空いたことには、この位置、注意:メモリが0から始まる場合は、法律がこれです、
アレイは達成します:
次のように基本的なフレームは、非常に簡単です:
package maxheap;
import array.AdvanceDynamicArray;
public class MaxHeap<E extends Comparable<E>> {
//用动态数组进行实现
private AdvanceDynamicArray<E> data;
//构造函数
public MaxHeap(int capacity) {
data = new AdvanceDynamicArray<>(capacity);
}
public MaxHeap() {
data = new AdvanceDynamicArray<>();
}
//2个简单的方法
public int getSize() {
return data.getSize();
}
public boolean isEmpty() {
return data.isEmpty();
}
//三个辅助函数,根据索引计算父,子存储位置索引
private int parent(int index) {
if (index == 0) {
//根索引没有父亲
throw new IllegalArgumentException("index 0 没有父亲节点");
}
return (index - 1) / 2;
}
private int leftChild(int index) {
return index * 2 + 1;
}
private int rightChild(int index) {
return index * 2 + 2;
}
//存取元素
//外部的 add,对于堆来说就是 sift up (上浮)
}
しかし、追加および削除は、それがに来るとき、ツリー構造を再調整し、私たちは分析する必要があります。
直接その結論:最初の調整後、追加。
下記に示すように、まず、ちょうど店を出す、それは、比較的簡単です。
- この層の下に置くツリーの視点は、現在の層の(左から右端まで)に配置され、この層は、その後、次の層の上に、適合しません。
- 角度の配列インデックスが最後に配置され、ローカル索引は、図10です。
但是放上去还没有完。
其次、一般还要进行相关的调整,否则不满足二叉堆的第二个性质: 父节点大于子节点。
怎么调整?上浮。
即、只需要调整新节点的父节点,父节点的父节点。。。这一条线上的父节点即可。
(这里最后一次和根节点比较,不用交换)
也就是说,总共过程就两个:
- 1.末尾添加
- 2.不停的交换,直到不再大于其父节点
代码如下(就是一个循环替换,比较的过程):
//外部的 add,对于堆来说就是 sift up (上浮)
public void add(E e) {
data.append(e); //先向数组末尾添加元素
//维护上浮 (队数组进行交换)
siftUp(data.getSize()-1);
}
private void siftUp(int index) {
//给定 index 的元素不断和父节点比较
while (index > 0 && data.get(parent(index)).compareTo(data.get(index)) < 0) {
//父节点比子节点小,交换 (上浮)
data.swap(parent(index), index);
//然后再向上找
index = parent(index);
}
}
删除元素(取出元素):
这里的取出元素比较特殊,为了保证堆的高效,一般定义只能取出顶部的元素。
拿走堆顶的元素固然简单,但是剩余的两颗子树就要进行融合,过程就复杂了。
直接说结论: 摘顶之后,先上浮末尾元素,然后调整(下沉)合适位置。
(也就是说,末尾元素替换/覆盖顶部元素,然后 sift down 调整)
举个例子:
替换/覆盖后:
然后,此时看到,并没有归为合适的位置。需要下沉。
如何下沉,每次和它的两个孩子中最大的元素进行交换(因为大顶堆一定是根最大)。
什么时候终止: 当前节点 >= 其两个子节点(前提是其存在子节点)。
(叶子节点,没有子节点,不需要调整了)
简单实现:
public E findMax() {
if (isEmpty()) {
throw new IllegalArgumentException("这是个空堆");
}
return data.get(0);
}
public E extractMax() {
E ret = findMax();
data.swap(0, getSize() - 1); //覆盖堆顶元素
data.pop(); //删除末尾的元素
siftDown(0); //只下沉根元素下浮调整
return ret;
}
private void siftDown(int index) {
//1.叶子节点时不用再交换了(数组越界了,说明其就是叶子节点了)
//2.当前节点还是小于 `max(其子节点)`
//有左孩子,内部再检查有无有孩子
while (leftChild(index) < getSize()) {
//找到孩子中的大的一个 (三个元素中找最大,顺便交换)
int maxIndex = leftChild(index); //默认先认为左变大
//如果右孩子存在,那就和右边比一下
int rightIndex = rightChild(index);
if (rightIndex < getSize() && data.get(rightIndex).compareTo(data.get(maxIndex)) > 0) {
//说明确实右边大
maxIndex = rightIndex;
}
//此时 maxIndex 就代表了孩子中大的一方的索引
if (data.get(index).compareTo(data.get(maxIndex)) >= 0) {
break; //不用比了,已经是大顶堆了
}
data.swap(index, maxIndex);
index = maxIndex; //接着进行下一轮比较
}
}
测试一下放入 100 个数据,然后不断的拿出大的来,放入数组,最后检查这个数组是否是降序的。有点类似堆排序 (但借助了额外的数组):
public static void main(String[] args) {
int n = 1000000; //100万
MaxHeap<Integer> maxHeap = new MaxHeap<>();
Random random = new Random();
//放入堆中 (需要不断的 sift up)
for(int i = 0; i < n; i++) {
maxHeap.add(random.nextInt(Integer.MAX_VALUE));
}
//然后取出来放入 arr 中
int[] arr = new int[n];
for(int i = 0; i< n; i++) {
arr[i] = maxHeap.extractMax();
}
//检查一下这个 arr 是否是降序的
for(int i = 1; i< n; i++) {
if(arr[i-1] < arr[i]) {
//说明不是降序的,堆实现有问题
throw new IllegalArgumentException("Error");
}
}
//全部检查完毕还没有异常,就说明 OK
System.out.println("OK");
}
复杂度分析
主要分析 add 和 extractMax, 其实还是 O(logn),因为交换的层级是高度 h,即 logn(因为是完全二叉树)。
但是构建或者说存储一棵大顶堆,复杂度是 O(nlogn)。
构建大顶堆的优化
上面已经说了,构建一个大顶堆,需要 O(nlogn),如何优化?
heapify优化
(任意数组整理成堆的存储)。
直接说结论,用 sift down 替代 add 构建大顶堆
上面的 add 方法,慢慢构建一个大顶堆,步骤如下:
- 添加到末尾
- 慢慢 sift up 调整
这里有一个非常重要的默认思想,那就是,一个元素一个元素的放入数组,慢慢构建大顶堆。
如果,现在假定存储的数组就是一棵完全二叉树(意思是,按照完全二叉树那样子,进行编号),举个例子,见下图:
(只是完全二叉树,但并不能称为堆)
然后叶子节点先不管(因为叶子节点没有孩子,而后面要进行 sift down 下沉操作,需要孩子节点),对所有的非叶子节点进行 sift down。从第一个非叶子节点向根节点走(也就是数组末端开始),图:
- 数组最大索引处可以定位第一个非叶子节点(
getSize()-1
)的 parent - 最后一层的叶子节点,可以忽略 (这样至少减少了一半的工作量) --- 这是关键
- siftDown方法里面就包含了对叶子的过滤,即只对非叶子节点进行siftDown
这么一来其实就很简单了,大概的复杂度也就是 O(n),比一个个添加(O(n*logN))的好处在于,上来就抛弃了所有的叶子节点,这个将近减少了一半的工作量。(实际减少的数目可以根据最大索引计算)
简单实现如下(对着数组看即可):
public MaxHeap(E[] arr) {
data = new AdvanceDynamicArray<>(arr);
//把数组折腾成大顶堆
for (int i = parent(getSize() - 1); i >= 0; i--) {
siftDown(i);
}
}
其实在大数量级下, n 和 nlongn 近乎一致,相差不了太多。(虽然是不同的数量级)
(再次注意: 这里的 heapify 的时间复杂度是 O(n) 级别。)
优先队列
构建优先队列不一定要用堆,但是底层用堆实现效率比较高
- 普通队列: 先进先出,后进后出
- 出队顺序和入队顺序无关,只和优先级有关(出队的时候要看)
随时根据新入队的元素调整优先级:
- 优先级的意义可以自己定义,比如每次值最大的元素先出队
- 优先级,一般都是作用于出队上
接口定义
因为优先队列也是队列,所以接口还是 Queue,即:
interface Queue<E> {
void enqueue(E);
E dequeue(); //拿到优先级最高的元素
E getFront(); //拿到优先级最高的元素
int getSize();
boolean isEmpty();
}
堆实现
用线性结构,此时不论是有序线性结构还是无序线性结构,入队和出队总是保持在 O(1),O(n); 如果用 BST 实现的话,它最好的情况保持在 O(logn),但最坏的情况可能会退化到 O(n)。
堆可以保证,在最差的情况都是 O(logn) 水平。
也就是说,在 PrioryQueue 内部封装一个堆即可。(堆兼容所有的队列接口)
代码试下如下:
package maxheap;
import queque.Queue;
public class PriorityQueue<E extends Comparable<E>> implements Queue<E> {
//内部成员
private MaxHeap<E> maxHeap;
//构造函数
public PriorityQueue() {
maxHeap = new MaxHeap<>();
}
@Override
public boolean isEmpty() {
return maxHeap.isEmpty();
}
@Override
public int getSize() {
return maxHeap.getSize();
}
@Override
public E dequeue() {
return maxHeap.extractMax(); // 已经对空的情况做了处理
}
@Override
public E getFront() {
//获取优先级最大的元素
return maxHeap.findMax(); //已经对空的情况作了处理
}
@Override
public void enqueue(E o) {
maxHeap.add(o);
}
}
Java中的优先队列
重新整理一下,Java中的优先队列
Java 的 PriorityQueue 是最小堆(顶部始终存储的是优先级最低的)。
但是小顶堆是默认存储优先级最低的元素,但优先级是自己定义的,所以当你反写 compareTo
或者比较器时,那么即便是小顶堆,那么实际上存储还是大顶堆的方式。(堆顶拿到的也就是优先级最大的元素)
这里应用就太多了,什么N个元素中选出前M个,什么出现频率最多的x个等,再就是要求构建堆的时候采用 heapify 的方式(表现在要求复杂度优于O(nlogn)) 等,大多都在此范畴内。
比如 Leetcode 347 就可以用 java.util.PriorityQueue
,参考代码:
import java.util.TreeMap;
import java.util.PriorityQueue;
import java.util.LinkedList;
//import java.util.List;
class Solution {
//放入 PriorityQueue 中的元素
private class Freq implements Comparable<Freq> {
public int e, freq;
//构造器
public Freq(int key, int freq) {
this.e = key;
this.freq = freq;
}
//由于 java.util.PriorityQueue 是小顶堆,正常些比较逻辑
@Override
public int compareTo(Freq another) {
return this.freq - another.freq;
}
}
public List<Integer> topKFrequent(int[] nums, int k) {
//首先把数组放入 map 统计频次
TreeMap<Integer, Integer> map = new TreeMap<>();
for(int num : nums) {
if(map.containsKey(num)) {
map.put(num, map.get(num) + 1);
} else {
map.put(num, 1);
}
}
PriorityQueue<Freq> queue = new PriorityQueue<>(); //不使用比较器
//遍历 map 放入 PriorityQueue 中
for(int key : map.keySet()) {
//前 k - 1 个元素直接放进去
if(queue.size() < k) {
queue.add(new Freq(key, map.get(key)));
} else if(map.get(key) > queue.peek().freq) {
//替换最小的
queue.remove();
queue.add(new Freq(key, map.get(key)));
}
}
//把 queue 中的结果整理出来,放入结果集中
LinkedList<Integer> res = new LinkedList<>();
while(!queue.isEmpty()) {
res.addFirst(queue.remove().e); //因为现出来的是频率相对低的
}
return res;
}
}
然后,代码优化以下(采用传入比较器,Lambda表达式代替匿名类捕获外部map):
- 可以捕获外部 map,所以逻辑自然简洁了(但是不容易想到)
不难看出,小顶堆用的还是蛮多的。
扩展
想让树的层次变少,那么久使用
K叉堆
吧
但是 K 叉堆(K可以取值3以上的值)需要考虑的孩子多余两个,此时 sift up 或者 sift down 需要的比较孩子,交换根与孩子的策略就需要重写一下。
也就是说,调整的时候需要考虑的逻辑会多一些。
其他堆: 比如索引堆(可以操作除堆顶元素之外的元素),二项堆,斐波那契堆。
(一般相关语言实现的堆,就是最常用最常见,最有用的堆)
ヒープを理解するために、私は唯一の最も基本的なヒープにとどまります。
いくつかの単語、またはそれについてコードリポジトリを貼り付けgayhub。