|
|
|
|
@ -15,7 +15,7 @@
|
|
|
|
|
|
|
|
|
|
值得说明的是，多数编程语言提供的是「优先队列 Priority Queue」，其是一种抽象数据结构，**定义为具有出队优先级的队列**。
|
|
|
|
|
|
|
|
|
|
而恰好，堆的定义与优先队列的操作逻辑完全吻合，大顶堆就是一个元素从大到小出队的优先队列。从使用角度看，我们可以将「优先队列」和「堆」理解为等价的数据结构，下文将统一使用 “堆” 这个名称。
|
|
|
|
|
而恰好，堆的定义与优先队列的操作逻辑完全吻合，大顶堆就是一个元素从大到小出队的优先队列。从使用角度看，我们可以将「优先队列」和「堆」理解为等价的数据结构。因此，本文与代码对两者不做特别区分，统一使用「堆」来命名。
|
|
|
|
|
|
|
|
|
|
堆的常用操作见下表（方法命名以 Java 为例）。
|
|
|
|
|
|
|
|
|
|
@ -23,32 +23,236 @@
|
|
|
|
|
|
|
|
|
|
<div class="center-table" markdown>
|
|
|
|
|
|
|
|
|
|
| 方法 | 描述 |
|
|
|
|
|
| --------- | -------------------------------------------- |
|
|
|
|
|
| add() | 元素入堆 |
|
|
|
|
|
| poll() | 堆顶元素出堆 |
|
|
|
|
|
| peek() | 访问堆顶元素（大 / 小顶堆分别为最大 / 小值） |
|
|
|
|
|
| size() | 获取堆的元素数量 |
|
|
|
|
|
| isEmpty() | 判断堆是否为空 |
|
|
|
|
|
| 方法 | 描述 | 时间复杂度 |
|
|
|
|
|
| --------- | -------------------------------------------- | ----------- |
|
|
|
|
|
| add() | 元素入堆 | $O(\log n)$ |
|
|
|
|
|
| poll() | 堆顶元素出堆 | $O(\log n)$ |
|
|
|
|
|
| peek() | 访问堆顶元素（大 / 小顶堆分别为最大 / 小值） | $O(1)$ |
|
|
|
|
|
| size() | 获取堆的元素数量 | $O(1)$ |
|
|
|
|
|
| isEmpty() | 判断堆是否为空 | $O(1)$ |
|
|
|
|
|
|
|
|
|
|
</div>
|
|
|
|
|
|
|
|
|
|
我们可以直接使用编程语言提供的堆类（或优先队列类）。
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
/* 初始化堆 */
|
|
|
|
|
// 初始化小顶堆
|
|
|
|
|
Queue<Integer> minHeap = new PriorityQueue<>();
|
|
|
|
|
// 初始化大顶堆（使用 lambda 表达式修改 Comparator 即可）
|
|
|
|
|
Queue<Integer> maxHeap = new PriorityQueue<>((a, b) -> { return b - a; });
|
|
|
|
|
|
|
|
|
|
/* 元素入堆 */
|
|
|
|
|
maxHeap.add(1);
|
|
|
|
|
maxHeap.add(3);
|
|
|
|
|
maxHeap.add(2);
|
|
|
|
|
maxHeap.add(5);
|
|
|
|
|
maxHeap.add(4);
|
|
|
|
|
|
|
|
|
|
/* 获取堆顶元素 */
|
|
|
|
|
int peek = maxHeap.peek();
|
|
|
|
|
|
|
|
|
|
/* 堆顶元素出堆 */
|
|
|
|
|
int val = heap.poll();
|
|
|
|
|
|
|
|
|
|
/* 获取堆大小 */
|
|
|
|
|
int size = maxHeap.size();
|
|
|
|
|
|
|
|
|
|
/* 判断堆是否为空 */
|
|
|
|
|
boolean isEmpty = maxHeap.isEmpty();
|
|
|
|
|
|
|
|
|
|
/* 输入列表并建堆 */
|
|
|
|
|
// 时间复杂度为 O(n) ，而非 O(nlogn)
|
|
|
|
|
minHeap = new PriorityQueue<>(Arrays.asList(1, 3, 2, 5, 4));
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
## 堆的实现
|
|
|
|
|
|
|
|
|
|
!!! tip
|
|
|
|
|
|
|
|
|
|
下文使用「大顶堆」来举例，「小顶堆」的用法与实现可以简单地将所有 $>$ ($<$) 替换为 $<$ ($>$) 即可。
|
|
|
|
|
下文使用「大顶堆」来举例，将所有 $>$ ($<$) 替换为 $<$ ($>$) 即可实现「小顶堆」。
|
|
|
|
|
|
|
|
|
|
### 堆的存储与表示
|
|
|
|
|
|
|
|
|
|
在二叉树章节我们学过，「完全二叉树」非常适合使用「数组」来表示，而堆恰好是一颗完全二叉树，因而我们一般使用「数组」来存储「堆」。
|
|
|
|
|
|
|
|
|
|
**二叉树指针**。使用数组表示二叉树时，数组元素都代表结点值，索引代表结点在二叉树中的位置，**结点指针通过索引映射公式来实现**。具体地，给定索引 $i$ ，那么其左子结点索引为 $2i + 1$ 、右子结点索引为 $2i + 2$ 、父结点索引为 $(i - 1) / 2$ （向下整除）。当索引越界时，代表空结点或结点不存在。我们将以上映射公式封装成函数，以便使用。
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
// 使用列表而非数组，这样无需考虑扩容问题
|
|
|
|
|
List<Integer> maxHeap;
|
|
|
|
|
|
|
|
|
|
/* 构造函数，建立空堆 */
|
|
|
|
|
public MaxHeap() {
|
|
|
|
|
maxHeap = new ArrayList<>();
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
我们一般使用「数组」来存储「堆」，这是因为完全二叉树非常适合用数组来表示（在二叉树章节有详细解释）。
|
|
|
|
|
/* 获取左子结点索引 */
|
|
|
|
|
int left(int i) {
|
|
|
|
|
return 2 * i + 1;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/* 获取右子结点索引 */
|
|
|
|
|
int right(int i) {
|
|
|
|
|
return 2 * i + 2;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/* 获取父结点索引 */
|
|
|
|
|
int parent(int i) {
|
|
|
|
|
return (i - 1) / 2; // 向下整除
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
### 访问堆顶元素
|
|
|
|
|
|
|
|
|
|
堆顶元素是二叉树的根结点，即列表首元素。
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
/* 访问堆顶元素 */
|
|
|
|
|
public int peek() {
|
|
|
|
|
return maxHeap.get(0);
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
### 元素入堆
|
|
|
|
|
|
|
|
|
|
给定元素 `val` ，我们先将其添加到堆的末尾。由于 `val` 可能大于其它元素，此时堆的性质可能被破坏了，我们需要修复从插入结点到根结点这条路径上的各个结点，该操作被称为「堆化 Heapify」。
|
|
|
|
|
|
|
|
|
|
考虑从入堆结点开始，**从底至顶执行堆化**。具体地，比较插入结点与其父结点的值，若插入结点更大则将它们交换；并循环以上操作，从底至顶地修复堆中的各个结点；直至越过根结点时结束，或当遇到无需交换的结点时提前结束。
|
|
|
|
|
|
|
|
|
|
设堆长度为 $n$ ，**元素入堆操作的时间复杂度为 $O(\log n)$** 。这是因为树的高度为 $O(\log n)$ ，因此堆化操作的循环轮数最多为 $O(\log n)$ 。
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
/* 元素入堆 */
|
|
|
|
|
void push(int val) {
|
|
|
|
|
// 添加结点
|
|
|
|
|
maxHeap.add(val);
|
|
|
|
|
// 从底至顶堆化
|
|
|
|
|
siftUp(size() - 1);
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/* 从结点 i 开始，从底至顶堆化 */
|
|
|
|
|
void siftUp(int i) {
|
|
|
|
|
while (true) {
|
|
|
|
|
// 获取结点 i 的父结点
|
|
|
|
|
int p = parent(i);
|
|
|
|
|
// 若“越过根结点”或“结点无需修复”，则结束堆化
|
|
|
|
|
if (p < 0 || maxHeap.get(i) <= maxHeap.get(p))
|
|
|
|
|
break;
|
|
|
|
|
// 交换两结点
|
|
|
|
|
swap(i, p);
|
|
|
|
|
// 循环向上堆化
|
|
|
|
|
i = p;
|
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
### 堆顶元素出堆
|
|
|
|
|
|
|
|
|
|
堆顶元素是二叉树根结点，即列表首元素，如果我们直接将首元素从列表中删除，则二叉树中所有结点都产生移位，这样后续使用堆化修复就很麻烦了。为了尽量减少二叉树结点变动，采取以下操作步骤：
|
|
|
|
|
|
|
|
|
|
1. 交换列表首元素与尾元素（即交换根结点与最右叶结点）；
|
|
|
|
|
2. 将尾元素从列表中删除（此时堆顶元素已被删除）；
|
|
|
|
|
3. 从根结点开始，从顶至底堆化；
|
|
|
|
|
|
|
|
|
|
顾名思义，**从顶至底堆化的操作方向与从底至顶堆化相反**，我们比较根结点的值与其两个子结点的值，将最大的子结点与根结点执行交换，并循环以上操作，直到越过叶结点时结束，或当遇到无需交换的结点时提前结束。
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
/* 元素出堆 */
|
|
|
|
|
int poll() {
|
|
|
|
|
// 判空处理
|
|
|
|
|
if (isEmpty())
|
|
|
|
|
throw new EmptyStackException();
|
|
|
|
|
// 交换根结点与最右叶结点（即交换首元素与尾元素）
|
|
|
|
|
swap(0, size() - 1);
|
|
|
|
|
// 删除结点
|
|
|
|
|
int val = maxHeap.remove(size() - 1);
|
|
|
|
|
// 从顶至底堆化
|
|
|
|
|
siftDown(0);
|
|
|
|
|
// 返回堆顶元素
|
|
|
|
|
return val;
|
|
|
|
|
}
|
|
|
|
|
|
|
|
|
|
/* 从结点 i 开始，从顶至底堆化 */
|
|
|
|
|
void siftDown(int i) {
|
|
|
|
|
while (true) {
|
|
|
|
|
// 判断结点 i, l, r 中值最大的结点，记为 ma ；
|
|
|
|
|
int l = left(i), r = right(i), ma = i;
|
|
|
|
|
if (l < size() && maxHeap.get(l) > maxHeap.get(ma))
|
|
|
|
|
ma = l;
|
|
|
|
|
if (r < size() && maxHeap.get(r) > maxHeap.get(ma))
|
|
|
|
|
ma = r;
|
|
|
|
|
// 若“结点 i 最大”或“越过叶结点”，则结束堆化
|
|
|
|
|
if (ma == i) break;
|
|
|
|
|
// 交换两结点
|
|
|
|
|
swap(i, ma);
|
|
|
|
|
// 循环向下堆化
|
|
|
|
|
i = ma;
|
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
### 输入数据并建堆 *
|
|
|
|
|
|
|
|
|
|
给定一个列表，我们也可以将其建堆。最直接地，可以通过调用「元素入堆」方法，将列表元素依次入堆。元素入堆的时间复杂度为 $O(n)$ ，而平均长度为 $\frac{n}{2}$ ，因此该方法的总体时间复杂度为 $O(n \log n)$ 。
|
|
|
|
|
|
|
|
|
|
然而，存在一种更加优雅的建堆方法。设结点数量为 $n$ ，我们先将列表所有元素原封不动添加进堆，**然后迭代地对各个结点执行「从顶至底堆化」**。当然，**无需对叶结点执行堆化，**因为其没有子结点。
|
|
|
|
|
|
|
|
|
|
```java
|
|
|
|
|
/* 构造函数，根据输入列表建堆 */
|
|
|
|
|
public 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);
|
|
|
|
|
}
|
|
|
|
|
}
|
|
|
|
|
```
|
|
|
|
|
|
|
|
|
|
!!! tip
|
|
|
|
|
|
|
|
|
|
完全二叉树的叶结点数量为 $(n + 1) / 2$ ，其中 $/$ 为向下整除。
|
|
|
|
|
|
|
|
|
|
那么，第二种建堆方法的时间复杂度时多少呢？我们来做一下简单推算。叶结点和需要堆化结点的数量各占约一半，即为 $O(n)$ ，二叉树高度为 $O(\log n)$ ，可得时间复杂度为 $O(n \log n)$ 。该估算结果仍不够准确，因为我们没有考虑到二叉树“底层结点远多于顶层结点”的性质。
|
|
|
|
|
|
|
|
|
|
设二叉树（即堆）结点数量为 $n$ ，树高度为 $h$ 。如下图所示，我们将各层的“结点数量 $\times$ 子树高度”进行求和，即可得到准确的操作数量。
|
|
|
|
|
|
|
|
|
|
$$
|
|
|
|
|
S = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{(h-1)}\times1
|
|
|
|
|
$$
|
|
|
|
|
|
|
|
|
|
（图）
|
|
|
|
|
|
|
|
|
|
求解上式需要借助中学的数列知识，先对 $S$ 乘以 $2$ ，可得
|
|
|
|
|
$$
|
|
|
|
|
\begin{aligned}
|
|
|
|
|
S & = 2^0h + 2^1(h-1) + 2^2(h-2) + \cdots + 2^{h-1}\times1 \\
|
|
|
|
|
2S & = 2^1h + 2^2(h-1) + 2^3(h-2) + \cdots + 2^{h}\times1 \\
|
|
|
|
|
\end{aligned}
|
|
|
|
|
$$
|
|
|
|
|
令下式 $2S$ 与上式 $S$ 错位相减，易得
|
|
|
|
|
$$
|
|
|
|
|
2S - S = S = -2^0h + 2^1 + 2^2 + \cdots + 2^{h-1} + 2^h
|
|
|
|
|
$$
|
|
|
|
|
观察发现，$S$ 是一个等比数列，可直接借助公式求和。并且，对于高度为 $h$ 的完全二叉树，结点数量范围为 $n \in [2^h, 2^{h+1} - 1]$ ，复杂度为 $n = O(n) = O(2^h)$。
|
|
|
|
|
$$
|
|
|
|
|
\begin{aligned}
|
|
|
|
|
S & = 2 \frac{1 - 2^h}{1 - 2} - h \\
|
|
|
|
|
& = 2^{h+1} - h \\
|
|
|
|
|
& = O(2^h) = O(n)
|
|
|
|
|
\end{aligned}
|
|
|
|
|
$$
|
|
|
|
|
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。
|
|
|
|
|
|
|
|
|
|
## 堆常见应用
|
|
|
|
|
|
|
|
|
|
- 优先队列。
|
|
|
|
|
- 堆排序。
|
|
|
|
|
- 获取数据 Top K 大（小）元素。
|
|
|
|
|
- 优先队列。堆常作为实现优先队列的首选数据结构。
|
|
|
|
|
- 堆排序。根据
|
|
|
|
|
- 获取数据中最大的 $k$ 个元素。这即是一道经典的算法题目，也是一种实际应用
|
|
|
|
|
|
Yudong Jin
2 years ago