数据结构和算法|堆排序系列问题(一)|堆、建堆和Top-K问题

2024-05-24 05:12

本文主要是介绍数据结构和算法|堆排序系列问题(一)|堆、建堆和Top-K问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

在这里不再描述大顶堆和小顶堆的含义,只剖析原理层面。

主要内容来自:Hello算法

文章目录

  • 1.堆的实现
    • 1.1 堆的存储与表示过程
    • 1.2 访问堆顶元素
    • 1.4元素出堆
  • 2.⭐️建堆
    • 2.1 方法一:借助入堆操作实现
    • 2.2 ⭐️方法二:通过遍历堆化实现
  • 应用:Top-K问题
    • ⭐️方法一:遍历选择
    • 方法二:排序
    • ⭐️方法三:堆

1.堆的实现

1.1 堆的存储与表示过程

完全二叉树非常适合用数组来进行表示,而堆就是一颗完全二叉树,所以我们可以使用数组来存储堆。也就是说,堆的逻辑结构是一颗完全二叉树,它的物理结构(底层存储)是一个数组。

对于一个给定索引 i i i,其左子树和右子树索引分别为 2 i + 1 2i + 1 2i+1 2 i + 2 2i + 2 2i+2,其父节点的索引为 ( i − 1 ) / 2 (i-1)/2 (i1)/2(向下取整)。

封装索引的映射公式:

//获取左子节点的索引
int left(int i) {return 2 * i + 1;
}
//获取右子节点的索引
int right(int i) {return 2 * i + 2;
}
//获取父节点的索引
int parent(int i) {return (i - 1) / 2;
} 

1.2 访问堆顶元素

堆顶元素即为二叉树的根结点,也就是列表的首元素 ```cpp //访问堆顶元素 int peek() { return maxHeap[0]; } ``` ## ⭐️1.3元素入堆 该环节非常重要。

对于一个给定元素 val ,

  • 将其添加到堆底。添加到堆底后, val 可能大于堆中其他元素,所以我们需要恢复从出啊如结点到根结点的路径上的各个节点,这个操作就是堆化(heapify)
  • 从入堆结点开始,从底到顶执行堆化。我们比较插入节点与其父节点的值,如果插入节点更大,则将它们交换。然后继续执行此操作,从底至顶修复堆中的各个节点,直至越过根节点遇到无须交换的节点时结束。

动态流程可以查看文章:3. 元素入堆

我们应该分析一下入堆的时间复杂度,设节点总数为 n n n,则树的高度为 O ( l o g n ) O(logn) O(logn)。所以堆化操作的循环论述最多为 O ( l o g n ) O(logn) O(logn)
综上,元素入堆操作的时间复杂度为 O ( l o g n ) O(logn) O(logn)

void push(int val) {//添加节点minHeap是一个数组maxHeap.push_back(val);//从底至顶堆化siftUp(size() - 1);
}
//从节点i开始,从底至顶堆化操作
void siftUp(int i) {while (true) {//获取节点 i 的父节点int p = parent(i);//当“越过根节点”或“节点无须修复”时,结束堆化if (p < 0 || maxHeap[i] <= maxHeap[p]) break;//交换两个结点swap(maxHeap[i], maxHeap[p]);//循环向上堆化i = p;}
}

再次强调:元素入堆的时间复杂度为 O ( l o g n ) O(logn) O(logn)

1.4元素出堆

元素出堆和我们一般想的所谓直接直接弹出不同,因为如果直接弹出,那么我想想要修复堆结构变得极其困难。为了尽量减少元素索引的变动,我们这样操作出堆:

  1. 交换堆顶元素与堆底元素(交换根结点与最右叶子结点)。
  2. 交换完成后,将堆底从列表中删除(由于已经交换,因此实际上删除的是原来的堆顶元素)。
  3. 从根结点开始,从顶至底执行堆化操作(下溯)。

“从顶至底堆化”的操作方向与“从底至顶堆化”相反,我们将根节点的值与其两个子节点的值进行比较,将最大的子节点与根节点交换。然后循环执行此操作,直到越过叶节点遇到无须交换的节点时结束。

具体流程可以看4. 堆顶元素出堆,流程极为详细。

时间复杂度分析,从顶至底的堆化,很明显时间复杂度仍然是O(logn)。

/* 元素出堆 */
void pop() {/* 从节点 i 开始,从顶至底堆化 */
void siftDown(int i) {

2.⭐️建堆

给定你任意一个列表,我们想要使用其所有元素来构建一个堆,这个过程被称为“建堆操作”。

2.1 方法一:借助入堆操作实现

首先我们维护一个空堆,然后依次对每个元素执行“入堆操作”,即现将元素添加至堆的尾部,然后“从底至顶”堆化即可。

至此我们可以维护一个真正的堆了,而且肯定是根结点最先被构建出来。

每当一个元素入堆,堆的长度就加一。由于节点是从顶到底依次被添加进二叉树的,因此堆是“自上而下”构建的。

设元素数量为 n n n,每个元素的入堆操作使用 O ( l o g n ) O(logn) O(logn)时间,所以整个建堆方法的时间复杂度为:
O ( n l o g n ) O(nlogn) O(nlogn)

2.2 ⭐️方法二:通过遍历堆化实现

这是一个更高效的建堆方法,共分为两步:

  • 将列表所有元素原封不动添加到堆中,此时堆的性质尚未得到满足;
  • 倒序遍历堆(层序遍历的倒序),依次对每个非叶节点执行“从顶至底堆化”

每当堆化一个结点后,以该节点为根结点的子树就形成了一个合法的子堆。

而由于是倒序遍历,因此堆是“自下而上”构建的。(之所以选择倒序遍历,是因为这样能够保证当前节点之下的子树已经是合法的子堆,这样堆化当前节点才是有效的。)

并且由于叶子结点没有子结点,因此他们天然就是合法的子堆,无须堆化。

/* 构造方法,根据输入列表建堆 */
MaxHeap(vector<int> nums) {//将列表元素原封不动添加进堆maxHeap = nums;//堆化出也节点以外的其他所有节点for (int i = parent(size() - 1); i >= 0; i--) {siftDown(i);}
}

时间复杂度分析:

  • 假设完全二叉树的节点数量为 n n n,则叶节点数量为 ( n + 1 ) / 2 (n+1)/2 (n+1)/2。因此需要堆化的节点数量为 ( n − 1 ) / 2 (n-1)/2 (n1)/2
  • 从顶至底堆化的过程中,每个节点最多堆化到叶节点,因此最大迭代次数为二叉树高度 l o g n logn logn

将上述两者相乘,可得到建堆过程的时间复杂度为 O ( n l o g n ) O(nlogn) O(nlogn)

但这只是一种粗略的估算,严格来说,我们应该进行详细的计算,基本的思想就是高度较高的节点堆化需要的迭代次数较多,较低节点堆化的迭代次数较少。
我们需要对各层的“节点数量X结点高度”求和,得到所有节点的堆化迭代次数的总和
最终的结果是 O ( n ) O(n) O(n)

应用:Top-K问题

Question:
给定一个长度为n的无序数组nums,请返回数组中最大的k个元素。

⭐️方法一:遍历选择

暴力求解!我们进行 k 轮遍历,分别在每轮中提取第 1 、 2 、 . . . 、 k 1、2、...、k 12...k大的元素,时间复杂度为 O ( n k ) O(nk) O(nk)
当然了,此方法只适用于 k < < n k << n k<<n 的情况,因为当 k k k n n n比较接近时,其时间复杂度趋向于 O ( n 2 ) O(n^2) O(n2),非常耗时:

k = n k=n k=n 时,我们可以得到完整的有序序列,此时等价于“选择排序”算法。

算法步骤如下:

  • 初始化:指定一个变量来记录当前需要考虑的数组的结尾位置。
  • 重复寻找最大值:遍历当前未处理的数组部分,找到最大元素。
  • 交换元素: 将找到的最大元素与当前考虑的数组的最后一个元素交换。
  • 调整考虑范围: 减少考虑数组范围的长度。
  • 重复: 重复以上步骤 𝑘。
vector<int> topKsearch(vector<int>& nums, int k) {int n = nums.size();int end = n - 1 //初始化结束索引for (int i = 0; i < k; i++) {int maxIndex = 0;for (int j = 0; j <= end; j++) {if (nums[j] > nums[maxIndex]) maxIndex = j;} //交换最大元素到当前考虑的数组的末尾swap(nums[maxIndex], nums[end]);end--;}
}

方法二:排序

这个思路也比较简单,先对数组进行排序,然后返回最右边的k个 元素,时间复杂度为: O ( n l o g n ) O(nlogn) O(nlogn)
显然,该方法“超额”完成任务了,我们其实只需要找出最大的k个元素即可。

vector<int> topKsort(vector<int>& nums, int k) {sort(nums.begin(), nums.end(), greater<int>()); // 降序排序vector<int> result;for (int i = 0; i < k; i++) {result.push_back(nums[i]);}return result;
}

⭐️方法三:堆

堆天生就适合解决这样的Top-K问题。

  1. 初始化一个小顶堆,其顶堆元素最小;
  2. 现将数组的前 k k k个元素依次入堆,也就是说我们只维护大小为 k k k的堆;
  3. 从第 k + 1 k+1 k+1个元素开始,如果当前元素大于堆顶元素,则将堆顶元素出堆,并将当前元素入堆。
  4. 遍历整个nums后,堆中保存的就是最大的k个元素。

具体的实验流程可以看《Hello World》文章:方法三:堆

时间复杂度分析:
我们一共执行n次入堆和出堆,堆的最大长度为 k k k,所以时间复杂度为 O ( n l o g k ) O(nlogk) O(nlogk)
该方法效率极高,当 k k k较小时,时间复杂度趋向于 O ( n l o g k ) O(nlogk) O(nlogk);当 k k k较大时,时间复杂度也不会超过 O ( n l o g n ) O(nlogn) O(nlogn)
此外,该方法适用于动态数据流的使用场景。在不断加入数据时,我们可以持续维护堆内的元素,从而实现最大的 k k k个元素的动态更新。

代码如下:

vector<int> topKHeap(vector<int> &nums, int k) {//初始化一个最小堆priority_queue<int, vector<int>, gereater<int>> heap;//先将前k个元素入堆for (int i = 0; i < k; i++) {heap.push(nums[i]);}//遍历整个数组,维护大小为k的小顶堆for (int i = k; i < nums.size(); i++) {//若当前元素大于堆顶元素,则将堆顶元素出堆、当前元素入堆if (nums[i] > heap.top()) {heap.pop();heap.push(nums[i]);}}//将堆中的元素收集到结果像两种vector<int> result;while (!heap.empty()) {result.push_back(heap.top());heap.pop();}return result;
}

这篇关于数据结构和算法|堆排序系列问题(一)|堆、建堆和Top-K问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/997468

相关文章

C#数据结构之字符串(string)详解

《C#数据结构之字符串(string)详解》:本文主要介绍C#数据结构之字符串(string),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录转义字符序列字符串的创建字符串的声明null字符串与空字符串重复单字符字符串的构造字符串的属性和常用方法属性常用方法总结摘

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

SpringBoot启动报错的11个高频问题排查与解决终极指南

《SpringBoot启动报错的11个高频问题排查与解决终极指南》这篇文章主要为大家详细介绍了SpringBoot启动报错的11个高频问题的排查与解决,文中的示例代码讲解详细,感兴趣的小伙伴可以了解一... 目录1. 依赖冲突:NoSuchMethodError 的终极解法2. Bean注入失败:No qu

MySQL新增字段后Java实体未更新的潜在问题与解决方案

《MySQL新增字段后Java实体未更新的潜在问题与解决方案》在Java+MySQL的开发中,我们通常使用ORM框架来映射数据库表与Java对象,但有时候,数据库表结构变更(如新增字段)后,开发人员可... 目录引言1. 问题背景:数据库与 Java 实体不同步1.1 常见场景1.2 示例代码2. 不同操作

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

如何解决mysql出现Incorrect string value for column ‘表项‘ at row 1错误问题

《如何解决mysql出现Incorrectstringvalueforcolumn‘表项‘atrow1错误问题》:本文主要介绍如何解决mysql出现Incorrectstringv... 目录mysql出现Incorrect string value for column ‘表项‘ at row 1错误报错

如何解决Spring MVC中响应乱码问题

《如何解决SpringMVC中响应乱码问题》:本文主要介绍如何解决SpringMVC中响应乱码问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Spring MVC最新响应中乱码解决方式以前的解决办法这是比较通用的一种方法总结Spring MVC最新响应中乱码解

pip无法安装osgeo失败的问题解决

《pip无法安装osgeo失败的问题解决》本文主要介绍了pip无法安装osgeo失败的问题解决,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 进入官方提供的扩展包下载网站寻找版本适配的whl文件注意:要选择cp(python版本)和你py

解决Java中基于GeoTools的Shapefile读取乱码的问题

《解决Java中基于GeoTools的Shapefile读取乱码的问题》本文主要讨论了在使用Java编程语言进行地理信息数据解析时遇到的Shapefile属性信息乱码问题,以及根据不同的编码设置进行属... 目录前言1、Shapefile属性字段编码的情况:一、Shp文件常见的字符集编码1、System编码

Spring MVC使用视图解析的问题解读

《SpringMVC使用视图解析的问题解读》:本文主要介绍SpringMVC使用视图解析的问题解读,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Spring MVC使用视图解析1. 会使用视图解析的情况2. 不会使用视图解析的情况总结Spring MVC使用视图