1.0 问题描述

实现数据结构：堆。

2.0 问题分析

堆一般使用数组来表示，其中某个节点下标i的两个子节点的下标为 2i+1 和 2i+2。堆是一棵完全二叉树。
堆有3种基本操作：创建，插入，删除。
这3种操作都需要通过“调整堆”的方式来实现。调整堆是指，对堆中的某个节点，若它的值和它所有子节点相比，不是最大/最小，那么就需要将最大/最小的元素和当前节点交换，这种操作成为“调整堆”。
创建可以用插入来实现（复杂度O(nlogn)），也可以使用数组直接转换成堆（复杂度O(n)）。
假设数组长度为n，那么这个数组转成堆，需要从第一个有子节点的节点((n - 1)/2或(n - 2)/2开始，倒序“调整堆”，直到下标为0。
插入操作可以先将数据插入到数组尾部，然后依次调整该数据的父节点，父节点的父节点…直到根节点。
删除操作可以先将数组首尾节点互换，然后删除最后面的元素，最后再调整根节点即可。

3.0 代码实现

3.1使用swift实现

/** 堆类型* small 小根堆* big 大根堆*/
enum HeapType {case small, big
}/** 堆*/
class Heap<T: Comparable> {private var _arr: [T];private var _type: HeapType;/** 使用数组创建堆* @param {[T]} - arr 创建堆的数组* @param {HeapType} - type 堆类型*/init(arr: [T], type: HeapType = .big) {self._arr = arr;self._type = type;self._create();}/** 调整堆：调整以idx为顶的3元素子堆，若顶部元素不是最大/最小，则调整为最大/最小* @param {Int} - idx 表示调整以idx为顶的3元素子堆* @return {Bool} - 调整成功返回true，无需调整返回false*/@discardableResultprivate func _adjust(_ idx: Int) -> Bool{let maxAdjustIdx = Int(ceilf(Float(_arr.count) / 2) - 1);if idx > maxAdjustIdx || idx < 0{return false;}let leftIdx = 2 * idx + 1;let rightIdx = 2 * idx + 2;let top: T? = _arr[idx];let left: T? = leftIdx < _arr.count ? _arr[leftIdx]: nil;let right: T? = rightIdx < _arr.count ? _arr[rightIdx]: nil;if let t = top {if let l = left, let r = right {let v = self._type == .big ? max(t, l, r) : min(t, l, r);switch v {case l:swapArr(arr: &_arr, f: leftIdx, t: idx);_adjust(leftIdx);return true;case r:swapArr(arr: &_arr, f: rightIdx, t: idx);_adjust(rightIdx);return true;default:break;}}else if let l = left {let b = self._type == .big ? (l > t) : (l < t);if b {swapArr(arr: &_arr, f: leftIdx, t: idx);_adjust(leftIdx);return true;}}else if let r = right {let b = self._type == .big ? (r > t) : (r < t);if b {swapArr(arr: &_arr, f: rightIdx, t: idx);_adjust(rightIdx);return true;}}}return false;}/*** 创建堆，依次调整 n/2 -> 0 元素*/private func _create(){let maxAdjustIdx = Int(ceilf(Float(_arr.count) / 2) - 1);for i in stride(from: maxAdjustIdx, to: -1, by: -1){_adjust(i);}}/*** 弹出一个元素，移除顶部元素，然后令顶部元素等于最后一个元素，最后调整顶部元素* @return [T?] 返回顶部元素*/func pop() -> T? {let first = _arr.first;if first != nil {if _arr.count <= 1 {_arr.removeLast();}else{swapArr(arr: &_arr, f: 0, t: _arr.count - 1);_arr.removeLast();_adjust(0);}}return first;}/*** 插入一个元素，插入到尾部，依次调整该元素的顶部元素，直到无需调整或下标为0* @param {T} - t 插入的元素*/func push(_ t: T){_arr.append(t);var idx = Int(ceilf(Float(_arr.count - 1) / 2) - 1);while true {if !_adjust(idx){break;}if idx == 0{break;}idx = Int(ceilf(Float(idx) / 2) - 1);}}/*** 返回当前元素数量* @return {Int} 返回堆内元素数量*/func count() -> Int{return _arr.count;}
}

3.2使用js实现

//常量
const BigHeap = 1;
const SmallHeap = 2;//构造函数
function Heap(type, arr, compareFunction){this.type = type;this.arr = arr;this.compareFunction = compareFunction;this._createHeap(arr);
}//数组交换
Heap._swap = function(i,j,arr){let tmp = arr[i];arr[i] = arr[j];arr[j] = tmp;
}//比较值
Heap.prototype._compare = function(v1, v2){if(this.type == SmallHeap){if(v2 == null){return true;}else{if(this.compareFunction){return this.compareFunction(v1, v2) == -1;}else{return v1 < v2;}}}else{if(v2 == null){return true;}else{if(this.compareFunction){return this.compareFunction(v1, v2) == 1;}else{return v1 > v2;}}}
}//调整堆的第i个结点
Heap.prototype._adjustNode = function(i, arr){let leftChildIdx = 2 * i + 1;let leftValue = null;if(leftChildIdx < arr.length){leftValue = arr[leftChildIdx];}let rightChildIdx = 2 * i + 2;let rightValue = null;if(rightChildIdx < arr.length){rightValue = arr[rightChildIdx];}if(!leftValue && !rightValue){return;}let exchangeIdx = null;//左值存在并且大于根结点if(leftValue && this._compare(leftValue, arr[i])){//右值存在并且大于左结点if(rightValue && this._compare(rightValue, leftValue)){//右值交换exchangeIdx = rightChildIdx;}else{//左值交换exchangeIdx = leftChildIdx;}}else if(rightValue && this._compare(rightValue, leftValue)){//右值交换exchangeIdx = rightChildIdx;}if(exchangeIdx != null){Heap._swap(exchangeIdx, i, arr);//交换完毕后，新的子结点也需要调整this._adjustNode(exchangeIdx, arr);}
}//根据数组创建堆
Heap.prototype._createHeap = function(arr){let len = arr.length;if(len <= 1){return;}//最后一个非叶子结点let lastNonLeafIdx = Math.floor(len / 2) - 1;//依次调整每个结点for (let index = lastNonLeafIdx; index >= 0; index--) {this._adjustNode(index, arr);}
}//插入
Heap.prototype.insert = function(ele){this.arr.push(ele);let adjustIdx = this.arr.length;while(adjustIdx > 0){adjustIdx = Math.ceil(adjustIdx / 2) - 1;this._adjustNode(adjustIdx, this.arr);if(adjustIdx <= 0){break;}}
}//删除
Heap.prototype.remove = function(){if(this.arr.length <= 0){return null;}let value = this.arr[0];if(this.arr.length > 1){this.arr[0] = this.arr.pop();this._adjustNode(0, this.arr);}else{this.arr.pop();}return value;
}//是否为空
Heap.prototype.empty = function(){return this.arr.length == 0 || this.arr[0] == null;
}

4.0 复杂度分析

数组转堆的复杂度
- 首先需要进行n/2次堆的调整
- 每次调整堆最多可能需要 logn次的二次调整
  - 所以时间复杂度小于 O(nlogn)
- 每次调整堆最少可能需要1次调整
  - 所以时间复杂度大于O(n/2)
- 实际上，需要少量调整的操作数远远大于需要多次调整的操作。
  - 根据调整规则，设最高高度为h = logn
  - 根节点需要调整次数为：2^0*h
  - 第二层需要调整次数为：2^1*(h-1)
  - … …
  - 第logn层需要调整次数为：2^(h-1)*1
  - 总次数count=2^0h + 2^1(h-1) + 2^2*(h-2) + … + 2^(h-1)*(h-(h-1)) //使用错位相减
  - count2 = 2^1h + 2^2*(h-1) + 2^3*(h-2) + … + 2^h*(h-(h-1))
  - count = count2-count = 2^1 + 2^2 + … + 2^(h-1) + 2^h - 2^0h
  - count = 2^(h+1) - 2 - h
  - count = 2n - 2 - logn
  - 所以时间复杂度为O(n)
堆的插入：O(logn)
堆的删除：O(logn)

算法（4）数据结构：堆相关推荐

算法与数据结构基础 - 堆(Heap)和优先级队列(Priority Queue)
堆基础堆(Heap)是具有这样性质的数据结构:1/完全二叉树 2/所有节点的值大于等于(或小于等于)子节点的值: 图片来源:这里堆可以用数组存储,插入.删除会触发节点shift_down.shif ...
【实战笔记】Java 算法与数据结构-排序（选择、插入、冒泡、希尔、归并、快速、堆）
文章目录基础排序算法O(n^2) 选择排序插入排序及优化冒泡排序及优化希尔排序及优化高级排序算法O(nlogn) 归并排序及优化快速排序及优化堆和堆排序排序算法总结本文为慕课网实战课 ...
维基百科上的算法和数据结构链接很强大
突然发现维基百科上的算法和数据结构比百度百科强多啦,图文并茂. 其实这个网站不错:http://www.sorting-algorithms.com 冒泡排序: bubble冒泡的意思 http:// ...
GitHub标星3w+的项目，全面了解算法和数据结构知识
作者 | 程序员小吴来源 | 五分钟学算法(ID: CXYxiaowu) 导语:今天分享一个开源项目,里面汇总了程序员技术面试时需要了解的算法和数据结构知识,并且还提供了相应的代码,目前 GitHu ...
noj数据结构稀疏矩阵的加法十字链表_一个算法毁了一款好游戏？算法和数据结构到底有多重要？...
来源 | 异步 | 文末赠书前段时间大火的国产游戏--<太吾绘卷>,由于创新的玩法和精良的制作一度广受好评,然而随着玩家游戏的深入和时长的积累,发现该游戏在玩的过程中游戏外的问题很多很多 ...
浅谈算法和数据结构: 五优先级队列与堆排序
原文:浅谈算法和数据结构: 五优先级队列与堆排序在很多应用中,我们通常需要按照优先级情况对待处理对象进行处理,比如首先处理优先级最高的对象,然后处理次高的对象.最简单的一个例子就是,在手机上玩游戏 ...
java优先队列的入队函数,算法与数据结构番外（1）：优先队列
这是算法与数据结构番外系列的第一篇,这个系列未来的主要内容是补充一些与算法与数据结构相关的知识,这些知识比较零碎,同时也与正传关系密切,往往需要阅读了正传的相关内容以后,才能较好的理解这部分内容.如果 ...
python数据结构推荐书-「算法与数据结构」从入门到进阶吐血整理推荐书单
推荐一下「算法与数据结构」从入门到进阶的书单. 一.入门系列这些书籍通过图片.打比方等通俗易懂的方法来讲述,让你能达到懂一些基础算法,线性表,堆栈,队列,树,图,DP算法,背包问题等,不要求会实现, ...
【算法与数据结构】堆排序是什么鬼？
排序算法相必大家都见过很多种,例如快速排序.归并排序.冒泡排序等等.今天,我们就来简单讲讲堆排序. 在上一篇中,我们讲解了二叉堆,今天的堆排序算法主要就是依赖于二叉堆来完成的,不清楚二叉堆是什么鬼的, ...
jdk7默认gc算法_JDK 7的算法和数据结构
jdk7默认gc算法在定期检查JDK中是否存在一种或另一种标准算法时,我决定进行这种索引. 有趣的是,为什么其中包含一些著名的数据结构或算法,而其他却没有? 此调查的格式仅涉及JDK的算法和数据结构 ...

算法（4）数据结构：堆

1.0 问题描述

2.0 问题分析

3.0 代码实现

3.1使用swift实现

3.2使用js实现

4.0 复杂度分析

算法（4）数据结构：堆相关推荐

最新文章

热门文章