【排序】堆排序算法

特别说明：

对于算法，重在理解其思想、解决问题的方法，思路。因此，以下内容全都假定待排序序列的存储结构为：顺序存储结构。

完全二叉树概要

完全二叉树的定义，不知道者请自行查阅相关书籍。由完全二叉树的性质可知，树的高度也就 ${log_{2}}^{n}$ ，即：从根节点到达任何叶子节点的时间复杂度最多也就 ${log_{2}}^{n}$ ，完全二叉树的存储结构有多种形式，其中一种便是顺序存储结构，参考图示如下：

假设有如上一棵完全二叉树，则其对应的顺序存储结构为：

注意：上面顺序存储结构的下标是从 0 开始的，之所以这么约定也是方便下文堆排序的介绍！

对上面图示的说明：

01.上图中树的每个节点底下都有绿色的编号脚标。如上图树根节点编号为 0；

02.对应的顺序存储结构的索引下标起始值也是从0开始；

03.根据完全二叉树的性质可知：任何节点(假设编号为 $x$ )的左子节点(如果有的话)的编号(其实也是顺序存储结构的下标)值为：

左子节点编号 = $2 \times x + 1$

04.根据完全二叉树的性质可知：任何节点(假设编号为 $x$ )的右子节点(如果有的话)的编号(其实也是顺序存储结构的下标)值为：

右子节点编号 = $2 \times x + 2$

05.根据完全二叉树性质可知：任何节点(假设编号为 $x$ )的父节点(如果有的话)的编号为(其实也是顺序存储结构的下标)值为：

父节点编号 = $\left \lfloor x / 2 \right \rfloor$

06.一棵 $n$ 个节点的完全二叉树，其叶子节点个数为 $\left \lceil n/2 \right \rceil$ ，非叶子节点个数为 $n - \left \lceil n/2 \right \rceil$ ( 其实就是 $\left \lfloor n/2 \right \rfloor$ ) 个

堆概要

堆性质(堆定义)

堆，是一树完全二叉树，但其还满足性质：堆中的任何节点，其(关键字)值必不大于(或不小于)它的任何子节点的(关键字)值。因此，在堆中，最小(或最大)节点必在堆顶节点，即：从一个堆中取最小(或最大)元素的操作时间复杂度为 $O(1)$ 。但如果堆顶元素被取走后，为维持堆的性质，就必需要对堆进行重新调整，此时可将最后一个叶子节点取出来替补堆顶，并从此时的堆顶向下下溯。因此，取堆顶元素需要的时间复杂度主要耗在堆顶的下溯操作上。由完全二叉树的性质可知，该操作耗时最多为 ${log_{2}}^{n}$ 。如果将 n 个元素构成的堆的堆顶元素全取走，则最多耗时 $O(n{lg_{2}}^{n})$ 。

堆分类

堆分为大根堆与小根堆。当堆中任何节点都不大于其任何子节点时，此种堆为小根堆；当堆中任何节点都不小于其任何子节点时，此种堆为大根堆。

堆下溯

特别说明：此处以建大根来说明堆的下溯操作。

设当前待执行下溯操作的节点为 currNode，且其直接的左、右子节点分别为 LChild、RChild，则该节点的下溯操作：

01.如果 currNode 为叶子节点，或 currNode 的关键字比 LChild、RChild 的关键字都大，则下溯操作完成；

02.取出 LChild、RChild 中关键字较大者；

03.将前一步取出的拥有较大关键字的那个节点与 currNode 节点的数据交换。然后回到 01 点重复执行这些步骤；

由堆的下溯操作可看出，下溯操作目的是为了保持堆的性质。(如果有不理解的同学，可参照上面的那棵完全二叉树自行推演一遍)

堆构建

对于一个顺序存储的序列，如何将其构建成一个二叉堆呢？由前文介绍可知，对堆中的任何节点执行下溯操作即可保持该节点的堆的性质。因此，如果对所有节点都执行一遍下溯操作，则整个序列对应的二叉堆即构建完成。

设总共节点个数为 $n$ ，则构建大根堆(此处就以大根堆构建为例)过程如下：

01.设置当前正在处理的节点编号 $x$ = $\left \lfloor n/2 \right \rfloor$ ；

02.对编号为 $x$ 的节点执行下溯操作；

03.如果 $x$ = 0，则退出，堆构建完成；否则重新设置 $x$ = $x$ - 1，重新执行 02 步骤；

以上便是堆构建过程。这边有同学可能会疑问为什么初始时处理的节点编号是 $x$ = $\left \lfloor n/2 \right \rfloor$ ？而不是 $x$ = $n$ ？因为前文在介绍完全二叉树性质时已经说过，对于一棵完全二叉树，其非叶子节点个数为 $\left \lfloor n/2 \right \rfloor$ ，因此，编号最大的非叶子节点编号即为 $\left \lfloor n/2 \right \rfloor$ 。而对于所有叶子节点来说，因为它们没有任何子节点，所以它们自己本身就可认为是一个“完整的堆”，所以没必要对它们执行下溯操作，它们即可保持堆的性质。所以刚开始时，当前处理节点可直接设置为 $x$ = $\left \lfloor n/2 \right \rfloor$ 。

至此，我们分析一下堆的构建的时间复杂度。由堆构建过程可知，整个构建过程中，时间几乎全耗在了节点的下溯操作上。由于堆的根节点是深度最深的，下溯操作也是最为耗时的，因此，粗略上统计，似乎建堆的时间复杂为应当为 $O((n/2){log_{2}}^{n})$ 。但经过仔细分析，其实根本用不了这么多时间。因为根节点毕竟只有一个，随着深度层次的加深，越来越多的节点的深度都小于 ${log_{2}}^{n}$ 。

所以建的时间复杂度应当分别对每个节点进行统计，如下：

设堆的最大层数(即：堆(树)的深度)为 $h$ (注意：其实 $h$ = $\left \lfloor {log_{2}}^{n} \right \rfloor$ )，对于第 $k$ 层(注意：其实 $k$ $\leqslant$ 编号为 $x$ = $\left \lfloor n/2 \right \rfloor$ 的节点所在的层数)的节点 $i$ ，首先将其与左、右子节点比较，找出最大节点，如果最大节点不是节点 $i$ ，则将节点 $i$ 与该最大节点交换，然后再进行递归类似处理。而这一过程最多只会执行 $h$ - $k$ 层，每层进行两次比较，总共最多进行 $2\times (h - k)$ 次比较。而第 $k$ 层的节点数为 $2^{k}$ ，因此，处理第 $k$ 层的节点最多需要进行 $2\times (h - k) \times 2^{k}$ = $(h - k) \times 2^{(k + 1)}$ 次比较。

所以整个建堆过程所需要的时间比较总次数为：

将上面式子2 减去式子1，得到建时间复杂度为：

$T(n) = 2^{(h + 1)} + 2^{h} + 2^{(h - 1)} + 2^{(h - 2)} + ... + 2^{2} - 2 \times h$

进一步整理得

$T(n) = 2 \times 2^{h} + 2^{h} + 2^{h}\times (\frac{1}{2^{1}} + \frac{1}{2^{2}} + \frac{1}{2^{3}} + ... + \frac{1}{2^{(h + 2)}}) - 2 \times h$

$T(n) = 4\times2^{h} - 2 \times h$

因为 $2^{h}$ = $n$ ，所以 $h = {log_{2}}^{n}$ ，代入上式得 $T(n) = 4 \times n - 2 \times {log_{2}}^{n}$ ，因此建堆时间复杂度为 $O(n)$ 。

堆排序思想

01.构建堆。即将待排序序列 $R_{1..n}$ 重新构建成一个二叉堆(提示：按需要，可构建大根堆或小根堆)，具体建堆细节可参阅前文介绍；

02.取走堆顶，并重新调整堆结构以保持堆性质。调整后的堆暂且称之为新堆；

说明：其实该步骤可以按如下顺序完成即可

a) 直接将堆顶元素与此时堆的最后一个叶子节点元素互换位置；

b) 由于互换位置后，堆顶元素不能保证堆的性质，于是对新生成的堆(即：互换位置后的堆)的堆顶元素执行一次下溯操作即可保证堆的性质；

c) 由于取走堆顶元素后，新堆的元素个数就减少 1；

03.如果新堆为空，则排序完成；否则回到 02 步骤执行直到新堆为空为止；

堆排序分析

由前文介绍，其实堆排序并不算复杂，就只需要两步即可：建堆 -> 重复执行：取堆顶元素，然后下溯调整以重新保证堆性质，直到所有节点都处理完即可。因此，堆排序的时间复杂度主要是有两部分组成：建堆耗时 + 取堆顶并下溯操作上。建堆耗时前文已详细分析过，其时间复杂度为 $O(n)$ 。取堆顶元素只有常量耗时，其时间复杂度为 $O(1)$ 。下溯操作时间复杂度为 ${log_{2}}^{n}$ ，如果要完成整个排序过程，则至少需要执行 $n - 1$ 次下溯操作，因此，总的下溯操作的时间复杂度为 $O(n{log_{2}}^{n})$ 。注意：在下溯操作过程中，由于每次堆的元素个数都减少 1，于是下溯操作的耗时其实也是会越来越少的。

综上所述，堆排序的时间复杂度为：建堆 + (n - 1) 次的取堆顶元素时间 + (n - 1) 次的下溯操作时间 = $O(n)$ + $O((n - 1) \times 1)$ + $O((n - 1)\times{log_{2}}^{n})$ ，所以堆排序(最坏情况下)的时间复杂度为： $O(n{log_{2}}^{n})$ 。

由前文介绍可知，堆排序只需要一个额外辅助空间即可。因此，空间复杂度为 $O(1)$ 。

堆排序是不稳定排序算法，是属于选择类型的排序算法。堆排序算法效率还是很高的，像在 STL 的 Introsort 算法就用到了堆排序，再如像 A* 算法中，也多采纳应用堆排，等等。

堆排序算法编码实现

根据堆排序思想，堆排序算法编码参考如下：

  1 // 
  2 // summary     : 以 nParentIdx 为父节点的索引,取得该父节点及其两个(也有可能只有一个或零个)子节点中,关键字最小/大的那个节点的索引.
  3 // in param    : seqlist 序列列表
  4 // in param    : nLen 序列长度
  5 // in param    : nParentIdx 父节点索引.值范围 [0, nLen)
  6 // out param   : nMinIdx 存储关键最小/大的那个节点的索引值.值范围 [0, nLen)
  7 // return      : --
  8 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
  9 void getMinIndex(int seqlist[/*nLen*/], const int nLen, const int nParentIdx, int& nMinIdx) {
 10     nMinIdx = nParentIdx;
 11     auto nChildIdx = nParentIdx << 1;
 12     if (++nChildIdx >= nLen) {
 13         return;
 14     } else if (seqlist[nChildIdx] < seqlist[nMinIdx]) {
 15         nMinIdx = nChildIdx;
 16     }
 17     if (++nChildIdx >= nLen) {
 18         return;
 19     } else if (nChildIdx < nLen && seqlist[nChildIdx] < seqlist[nMinIdx]) {
 20         nMinIdx = nChildIdx;
 21     }
 22 }
 23 
 24 void getMaxIndex(int seqlist[/*nLen*/], const int nLen, const int nParentIdx, int& nMaxIdx) {
 25     nMaxIdx = nParentIdx;
 26     auto nChildIdx = nParentIdx << 1;
 27     if (++nChildIdx >= nLen) {
 28         return;
 29     } else if (seqlist[nChildIdx] > seqlist[nMaxIdx]) {
 30         nMaxIdx = nChildIdx;
 31     }
 32     if (++nChildIdx >= nLen) {
 33         return;
 34     } else if (seqlist[nChildIdx] > seqlist[nMaxIdx]) {
 35         nMaxIdx = nChildIdx;
 36     }
 37 }
 38 
 39 // 
 40 // summary     : 交换两个元素.
 41 // in param    : seqlist 序列列表
 42 // in param    : nIndexA 节点A索引.值范围 [0, nLen)
 43 // in param    : nIndexB 节点A索引.值范围 [0, nLen)
 44 // return      : --
 45 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
 46 void swapTwoItems(int seqlist[/*nLen*/], const int nIndexA, const int nIndexB) {
 47     const auto nTemp = seqlist[nIndexA];
 48     seqlist[nIndexA] = seqlist[nIndexB];
 49     seqlist[nIndexB] = nTemp;
 50 }
 51 
 52 // 
 53 // summary     : 上溯.
 54 // in param    : seqlist 待排序列表.同时也是排完序列表.
 55 // in param    : nLen 列表长度
 56 // out param   : --
 57 // return      : --
 58 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
 59 //               02.其实上溯操作在此暂时是不需要的,但在某些应用中,却是很必要的.只要理解堆排序思想,则上溯
 60 //                  操作的实现将是容易的.(具体可参考如下编码).
 61 // void upAdjustment(int seqlist[/*nLen*/], const int nLen, const int nIndex) {
 62 //     auto nCurrIdx   = nIndex;
 63 //     auto nParentIdx = 0;
 64 //     auto nMinIndex  = 0;
 65 //     while (nCurrIdx > 0) {
 66 //         nParentIdx = (nCurrIdx - 1) >> 1;
 67 //         //getMinIndex(seqlist, nLen, nParentIdx, nMinIndex);
 68 //         getMaxIndex(seqlist, nLen, nParentIdx, nMinIndex);
 69 //         if (nMinIndex == nParentIdx) {
 70 //             break;
 71 //         }
 72 //         swapTwoItems(seqlist, nParentIdx, nMinIndex);
 73 //         nCurrIdx = nParentIdx;
 74 //     }
 75 // }
 76 
 77 // 
 78 // summary     : 下溯.
 79 // in param    : seqlist 待排序列表.同时也是排完序列表.
 80 // in param    : nLen 列表长度
 81 // out param   : --
 82 // return      : --
 83 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
 84 void downAdjustment(int seqlist[/*nLen*/], const int nLen, const int nIndex) {
 85     if (nLen <= 1) {
 86         return;
 87     }
 88     const auto nHalfIndex = nLen >> 1;
 89     auto nCurrIdx         = nIndex;
 90     auto nMinIndex        = 0;
 91     while (nCurrIdx < nHalfIndex) {
 92         //getMinIndex(seqlist, nLen, nCurrIdx, nMinIndex);
 93         getMaxIndex(seqlist, nLen, nCurrIdx, nMinIndex);
 94         if (nMinIndex == nCurrIdx) {
 95             break;
 96         }
 97         swapTwoItems(seqlist, nCurrIdx, nMinIndex);
 98         nCurrIdx = nMinIndex;
 99     }
100 }
101 
102 // 
103 // summary     : 建堆.
104 // in param    : seqlist 待排序列表.同时也是排完序列表.
105 // in param    : nLen 列表长度
106 // out param   : --
107 // return      : --
108 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
109 //               02.建堆思路:从seqlist序列的一半位置处一直往前走,对每个元素执行下溯操作,直到走到第一个元素为止.
110 void make_heap(int seqlist[/*nLen*/], const int nLen) {
111         if (nLen <= 1) {
112         return;
113     }
114     auto nMinIndex = 0;
115     for (auto nCurrIdx = (nLen >> 1); nCurrIdx >= 0; --nCurrIdx) {
116         downAdjustment(seqlist, nLen, nCurrIdx);
117     }
118 }
119 
120 // 
121 // summary     : 弹堆顶元素
122 // in param    : seqlist 待排序列表.同时也是排完序列表.
123 // in param    : nLen 列表长度
124 // out param   : --
125 // return      : --
126 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
127 void heap_pop(int seqlist[/*nLen*/], const int nLen) {
128     if (nLen <= 1) {
129         return;
130     }
131     swapTwoItems(seqlist, 0, nLen - 1);
132     downAdjustment(seqlist, nLen - 1, 0);
133 }
134 
135 // 
136 // summary     : 堆排序.
137 // in param    : seqlist 待排序列表.同时也是排完序列表.
138 // in param    : nLen 列表长度
139 // out param   : --
140 // return      : --
141 // !!!note       : 01.以下实现均假设一切输入数据都合法.即:内部不对参数全法性进行校验,默认它们全都合法有效.
142 //               02.排序开始前 seqlist 是无序的,排序结束后 seqlist 是有序的.
143 void heap_sort(int seqlist[/*nLen*/], const int nLen) {
144     make_heap(seqlist, nLen);
145     auto nSeqLength = nLen;
146     while (nSeqLength > 1) {
147         heap_pop(seqlist, nSeqLength);
148         --nSeqLength;
149     }
150 }

堆排序算法(C++)编码实现参考

测试用例参考：

1     {   // 堆排序
2         const int nLen    = 10;
3         int seqlist[nLen] = { 27, 3, 33, 36, 18, 1, 57, 33, 10, 88 };
4         print(seqlist, nLen);
5         heap_sort(seqlist, nLen);
6         print(seqlist, nLen);
7         printf("------------------------------------------------------------------------

");
8     }

堆排序算法(C++)测试用例编码参考

相关阅读:
学习笔记——Maven 如何处理传递性依赖
 gitlab 部署
 jenkins部署
 python 使用json格式转换
 php加载memcache
centos6.5 apache+tomcat结合负载均衡
 linux部署tomcat
linux安装java环境
 kickstart安装
 cobbler部署
原文地址：https://www.cnblogs.com/tongy0/p/5738339.html