• 二叉堆 与 PriorityQueue


    堆在存储器中的表示是数组,堆只是一个概念上的表示。堆的同一节点的左右子节点都没有规律。
    堆适合优先级队列(默认排列顺序是升序排列,快速插入与删除最大/最小值)。

    数组与堆

    堆(完全二叉树)(构造大顶堆或者小顶堆的时间复杂度:O(logn))

    堆实现的优先级队列虽然和数组实现相比删除慢了些,但插入的时间快的多了:
    	当速度很重要且有很多插入操作时,可以选择堆来实现优先级队列。
    	堆插入删除的效率:时间复杂度是:O(logn)。
    
    
    小顶堆:父节点的值 <= 左右孩子节点的值
    大顶堆:父节点的值 >= 左右孩子节点的值
    
    
    堆的定义:n个关键字序列array[0,...,n-1]:
    
    	若array[0,...,n-1]表示一颗完全二叉树的顺序存储模式,则双亲节点指针和孩子结点指针之间的内在关系如下:
    
    		任意一节点指针 i(0 <= i <= (n-1)/2) : 父节点:i==0 ? null : (i-1)/2
    
    				左孩子:2*i + 1
    
    				右孩子:2*i + 2
    
    	① array[i] <= array[2*i + 1] 且 array[i] <= array[2*i + 2] : 称为小根堆
    
    	② array[i] >= array[2*i + 1] 且 array[i] >= array[2*i + 2] : 称为大根堆
    
    
    堆的插入( add(e),offer(e) ):添加到末尾,由于可能破坏堆结构,需要调整(向上筛选)
    
    	插入使用向上筛选,向上筛选的算法比向下筛选的算法相对简单,因为它不需要比较两个子节点关键字值的大小
    
    
    删除操作 ( remove(o) ):由于可能破坏堆结构,需要调整(向下筛选)
    
    
    删除堆顶 ( poll() ):由于可能破坏堆结构,需要调整(向下筛选)
    
    	移除是指删掉关键字值最大的节点,即根节点。
    
      在被筛选节点的每个暂时停留的位置,向下筛选的算法总是要检查哪一个子节点更大,然后目标节点和较大的子节点交换位置
    

    堆排序(时间复杂度:O(nlogn))

    堆排序是一种树形选择排序方法,它的特点是:
    	在排序的过程中,将array[0,...,n-1]看成是一颗完全二叉树的顺序存储结构,
    	利用完全二叉树中双亲节点和孩子结点之间的内在关系,在当前无序区中选择关键字最大(最小)的元素。
    
    
    步骤:
        构造堆
        固定最大值再构造堆(将最大值元素(堆头)与堆尾元素交换,将其他数再构造成最大堆)
        重复上述过程
    
    
    堆(二叉堆)排序的时间复杂度,最好,最差,平均都是O(nlogn),空间复杂度O(1),是不稳定的排序。
    

    PriorityQueue

    public class PriorityQueue<E> extends AbstractQueue<E>
        implements java.io.Serializable {
    
        private static final long serialVersionUID = -7720805057305804111L;
    
        private static final int DEFAULT_INITIAL_CAPACITY = 11;
    
        transient Object[] queue; // non-private to simplify nested class access
    
        int size;
    
        private final Comparator<? super E> comparator;
    
        transient int modCount;     // non-private to simplify nested class access
    
        public PriorityQueue(Collection<? extends E> c) {}	//使用已有集合构建二叉堆
    
        public PriorityQueue() {
            this(DEFAULT_INITIAL_CAPACITY, null);
        }
    
        public PriorityQueue(int initialCapacity,
                             Comparator<? super E> comparator) {
    
            if (initialCapacity < 1)
                throw new IllegalArgumentException();
            this.queue = new Object[initialCapacity];
            this.comparator = comparator;
        }
    }
    
    
    //自定义比较器,降序排列
    static Comparator<Integer> cmp = new Comparator<Integer>() {
    	public int compare(Integer e1, Integer e2) {
    		return e2 - e1;
    	}
    };
    

    在未排序的数组中找到第 k 个最大的元素

    /**
     * 示例 1:
     *     输入: [3,2,1,5,5,4] 和 k = 2
     *     输出: 5
     *
     * 时间复杂度 : O(Nlogk)。
     * 空间复杂度 : O(k),用于存储堆元素。
     */
    
    /**
     * 小顶堆
     */
    class Solution {
        public int findKthLargest(int[] nums, int k) {
            PriorityQueue<Integer> pq = new PriorityQueue<>();
            for (int i = 0; i < nums.length; i++) {
                pq.add(nums[i]);
                if(pq.size()>k)pq.poll();
            }
            return pq.poll();
        }
    }
    

    找出动态有序列表的中位数

    /**
     * 中位数是有序列表中间的数。如果列表长度是偶数,中位数则是中间两个数的平均值。
     * 
     * 例如,
     *     [2,3,4] 的中位数是 3
     *     [2,3] 的中位数是 (2 + 3) / 2 = 2.5
     * 
     * 方法:最大堆与最小堆。
     *     思路:各存储一半,最大堆的堆顶比最小堆的堆顶小。
     * 
     * 时间复杂度:O(logN),从堆里得到一个 “最值” 而其它元素无需排序
     * 空间复杂度:O(N)
     */
    class MedianFinder1 {
        /**
         * 当前大顶堆和小顶堆的元素个数之和
         */
        private int count;
        private PriorityQueue<Integer> maxheap;
        private PriorityQueue<Integer> minheap;
    
        /**
         * initialize your data structure here.
         */
        public MedianFinder1() {
            count = 0;
            maxheap = new PriorityQueue<>((x, y) -> y - x); //大顶堆
            minheap = new PriorityQueue<>();    //小顶堆
        }
    
        public void addNum(int num) {
            count += 1;
            maxheap.offer(num);
            minheap.add(maxheap.poll());
            // 如果两个堆合起来的元素个数是奇数,小顶堆要拿出堆顶元素给大顶堆
            if ((count & 1) != 0) {
                maxheap.add(minheap.poll());
            }
        }
    
        public double findMedian() {
            if ((count & 1) == 0) {
                // 如果两个堆合起来的元素个数是偶数,数据流的中位数就是各自堆顶元素的平均值
                return (double) (maxheap.peek() + minheap.peek()) / 2;
            } else {
                // 如果两个堆合起来的元素个数是奇数,数据流的中位数大顶堆的堆顶元素
                return (double) maxheap.peek();
            }
        }
    }
    

    最强堆排序文章

    https://blog.csdn.net/u010452388/article/details/81283998

  • 相关阅读:
    WinForm常用代码
    XML编程与应用-读取XML
    基础SQL语句
    WPF基础——继承
    wpf控件
    手机网页支付
    Application_Start 多次启动问题
    更改Outlook 2013中Exchange数据文件存放路径
    MySql双机热备份
    图片轮播(Jquery)
  • 原文地址:https://www.cnblogs.com/loveer/p/11763116.html
Copyright © 2020-2023  润新知