前言

這次我們介紹另一種時間復雜度為 O(nlogn) 的選擇類排序方法叫做堆排序。

我將從以下幾個方面介紹：

• 堆的結構
• 堆排序
• 優化的堆排序
• 原地堆排序
• 堆的應用

堆的結構

什么是堆？我給出了百度的定義，如下：

堆(Heap)是計算機科學中一類特殊的數據結構的統稱。堆通常是一個可以被看做一棵 完全二叉樹 的數組對象。

堆總是滿足下列性質：

• 堆中某個節點的值總是不大于或不小于其父節點的值。
• 堆總是一棵完全二叉樹。

將根節點最大的堆叫做最大堆，根節點最小的堆叫做最小堆。

下圖展示了一個最大堆的結構：

可見，堆中某個節點的值總是小于等于其父節點的值。

由于堆是一棵完全二叉樹，因此我們可以對每一層進行編號，如下：

我們完全可以使用數組存放這些元素，那如何確定存放的位置呢？利用如下公式：

父節點：parent(i) = (i-1)/2

左孩子：leftChild(i) = 2*i+1

右孩子：rightChild(i) = 2*i+2

相關代碼如下：

private int parent(int index) { return (index - 1) / 2;}private int leftChild(int index) { return index * 2 + 1;}private int rightChild(int index) { return index * 2 + 2;}

添加元素

向堆中添加元素的步驟如下：

將新元素放到數組的末尾。

獲取新元素的父親節點在數組中的位置，比較新元素和父親節點的值，如果父親節點的值小于新元素的值，那么兩者交換。以此類推，不斷向上比較，直到根節點結束。

下圖展示了添加元素的過程：

添加元素的過程也叫做 siftUp ，代碼如下：

// Array是自己實現的動態數組private Array data;public void add(E e) { data.addLast(e); siftUp(data.getSize() - 1);}private void siftUp(int k) { while (k > 0 && data.get(parent(k)).compareTo(data.get(k)) < 0) { data.swap(k, parent(k)); k = parent(k); }}

刪除元素

刪除元素其實就是刪除堆頂的元素，步驟如下：

讓數組最后一個元素和數組第一個元素(堆頂元素)交換。

交換完后，刪除數組最后的元素。

讓堆頂元素和左右孩子節點比較，如果堆頂元素比左右孩子節點中最大的元素還要大，那么滿足堆的性質，直接退出。否則如果堆頂元素比左右孩子節點中最大的元素小，那么堆頂元素就和最大的元素交換，然后繼續重復執行以上操作，只不過這時候把堆頂元素稱為父節點更好。

下圖展示了刪除元素的過程：

刪除元素的過程也叫做 siftDown ，代碼如下：

// 這里我們不命名為remove，命名為extractMax，抽取堆頂最大元素public E extractMax() { E ret = findMax(); // 讓最后一個葉子節點補到根節點，然后讓它下沉 // (為什么是取最后一個葉子節點，因為即使取走最后一個葉子節點，依舊能保持是一棵完全二叉樹) data.swap(0, data.getSize() - 1); data.removeLast(); siftDown(0); return ret;}private void siftDown(int k) { while (leftChild(k) < data.getSize()) { int j = leftChild(k); if (j + 1 < data.getSize() && data.get(j + 1).compareTo(data.get(j)) > 0) { j = rightChild(k); // data[j]是leftChild和rightChild中的最大值 } // 如果父節點比左右孩子中的最大值還要大，那么說明沒有問題，直接退出 if (data.get(k).compareTo(data.get(j)) >= 0) { break; } // 否則交換 data.swap(k, j); k = j; }}

最大堆的完整代碼

堆排序

通過上面的介紹，我們應該明白了堆的結構，堆的添加和刪除元素操作是如何完成的。那么對于堆排序來說，就是小菜一碟了，因為堆排序就是用到了堆的添加和刪除操作，步驟如下：

將數組中元素一個個添加到堆(最大堆)中。

添加完成后，每次取出一個元素倒序放入到數組中。

堆排序代碼：

public static void sort(Comparable[] arr) { int n = arr.length; // MaxHeap是自己實現的最大堆 MaxHeap maxHeap = new MaxHeap<>(n); for (int i = 0; i < n; i++) { maxHeap.add(arr[i]); } for (int i = n - 1; i >= 0; i--) { arr[i] = maxHeap.extractMax(); }}

堆排序完整代碼

優化的堆排序

在上述的堆排序中，我們在將數組中元素添加到堆時，都是一個個添加，是否有優化的方法呢？答案是有的，我們可以將數組直接轉換成堆，這種操作叫做 Heapify 。

Heapify 就是從最后一個節點開始，判斷父節點是否比孩子節點大，不是就 siftDown 。 Heapify 操作的時間復雜度是 O(n) ，相比一個個添加的時間復雜度是 O(nlogn) ，可見性能提升了不少。

假設我們有數組： [15, 18, 12, 16, 22, 28, 16, 45, 30, 52] ，下圖展示了對其進行 Heapify 的過程。

優化的堆排序代碼：

public static void sort(Comparable[] arr) { int n = arr.length; // MaxHeap是自己實現的最大堆，當傳入數組作為構造參數時，會對其進行heapify MaxHeap maxHeap = new MaxHeap<>(arr); for (int i = n - 1; i >= 0; i--) { arr[i] = maxHeap.extractMax(); }}// 構造方法public MaxHeap(E[] arr) { data = new Array<>(arr); // 將數組堆化的過程就是從最后一個節點開始，判斷父節點是否比子節點大，不是就siftDown for (int i = parent(arr.length - 1); i >= 0; i--) { siftDown(i); }}

優化的堆排序完整代碼

原地堆排序

原地堆排序可以讓我們的空間復雜度變為 O(1) ，因為不占用新的數組。

原地堆排序類似于堆的刪除元素，步驟如下：

HeapifysiftDownsiftDown

下圖展示了原地堆排序的過程：

原地堆排序代碼：

public static void sort(Comparable[] arr) { int n = arr.length; // heapify for (int i = parent(n-1); i >= 0; i--) { siftDown(arr, n, i); } // 核心代碼 for (int i = n - 1; i > 0; i--) { swap(arr, 0, i); siftDown(arr, i, 0); }}private static void swap(Object[] arr, int i, int j) { Object t = arr[i]; arr[i] = arr[j]; arr[j] = t;}private static void siftDown(Comparable[] arr, int n, int k) { while (leftChild(k) < n) { int j = leftChild(k); if (j + 1 < n && arr[j + 1].compareTo(arr[j]) > 0) { j = rightChild(k); } // 如果父節點比左右孩子中的最大值還要大，那么說明沒有問題，直接退出 if (arr[k].compareTo(arr[j]) >= 0) { break; } // 否則交換 swap(arr, k, j); k = j; }}

原地堆排序完整代碼

堆的應用

優先級隊列

一旦我們掌握了堆這個數據結構，那么優先級隊列的實現就很簡單了，只需要弄清楚優先級隊列需要有哪些接口就行。JDK 中自帶的 PriorityQueue 就是用堆實現的優先級隊列，不過需要注意 PriorityQueue 內部使用的是最小堆。

優先級隊列完整代碼

Top K 問題

Top K 問題就是求解 前 K 個 最大的元素或者最小的元素。元素個數不確定，數據量可能很大，甚至源源不斷到來，但需要知道目前為止前 K 個最大或最小的元素。當然問題還可能變為求解 第 K 個 最大的元素或最小的元素。

通常我們有如下解決方案：

使用JDK中自帶的排序，如 Arrays.sort() ，由于底層使用的快速排序，所以時間復雜度為 O(nlogn) 。但是如果 K 取值很小，比如是 1，即取最大值，那么對所有元素排序就沒有必要了。

使用簡單選擇排序，選擇 K 次，那么時間復雜度為 O(n*K) ，如果 K 大于 logn，那還不如快排呢！

上述兩種思路都是假定所有元素已知，如果元素個數不確定，且數據源源不斷到來的話，就無能為力了。

下面提供一種新的思路：

我們維護一個長度為 K 的數組，最前面 K 個元素就是目前最大的 K 個元素，以后每來一個新元素，都先找數組中的最小值，將新元素與最小值相比，如果小于最小值，則什么都不變，如果大于最小值，則將最小值替換為新元素。這樣一來，數組中維護的永遠是最大的 K 個元素，不管數據源有多少，需要的內存開銷都是固定的，就是長度為 K 的數組。不過，每來一個元素，都需要找到最小值，進行 K 次比較，是否有辦法能減少比較次數呢？

當然，這時候堆就要登場了，我們使用最小堆維護這 K 個元素，每次來新的元素，只需要和根節點比較，小于等于根節點，不需要變化，否則用新元素替換根節點，然后 siftDown 調整堆即可。此時的時間復雜度為 O(nlogK) ，相比上述兩種方法，效率大大提升，且空間復雜度也大大降低。

Top K 問題代碼：

public class TopK> { private PriorityQueue p; private int k; public TopK(int k) { this.k = k; this.p = new PriorityQueue<>(k); } public void addAll(Collection extends E> c) { for (E e : c) { add(e); } } public void add(E e) { // 未滿k個時，直接添加 if (p.size() < k) { p.add(e); return; } E head = p.peek(); if (head != null && head.compareTo(e) >= 0) { // 小于等于TopK中的最小值，不用變 return; } // 否則，新元素替換原來的最小值 p.poll(); p.add(e); } /** * 獲取當前的最大的K個元素 * * @param a 返回類型的空數組 * @param * @return TopK以數組形式 */ public E[] toArray(E[] a) { return p.toArray(a); } /** * 獲取第K個最大的元素 * * @return 第K個最大的元素 */ public E getKth() { return p.peek(); } public static void main(String[] args) { TopK top5 = new TopK<>(5); top5.addAll(Arrays.asList(88, 1, 5, 7, 28, 12, 3, 22, 20, 70)); System.out.println("top5：" + Arrays.toString(top5.toArray(new Integer[0]))); System.out.println("5th：" + top5.getKth()); }}

這里我們直接利用 JDK 自帶的由最小堆實現的優先級隊列 PriorityQueue 。

依此思路，可以實現求前 K 個最小元素，只需要在實例化 PriorityQueue 時傳入一個反向比較器參數，然后更改 add 方法的邏輯。

中位數

堆也可以用于求解中位數，數據量可能很大且源源不斷到來。

注意：如果元素個數是偶數，那么我們假定中位數取任意一個都可以。

有了上面的例子，這里就很好理解了。我們使用兩個堆，一個最大堆，一個最小堆，步驟如下：

添加的第一個元素作為中位數 m，最大堆維護 <= m 的元素，最小堆維護 >= m 的元素，兩個堆都不包含 m。

當添加第二個元素 e 時，將 e 與 m 比較，若 e <= m，則將其加入到最大堆中，否則加入到最小堆中。

如果出現最小堆和最大堆的元素個數相差 >= 2，則將 m 加入元素個數少的堆中，然后讓元素個數多的堆將根節點移除并賦值給 m。

以此類推不斷更新。

假設有數組 [20, 30, 40, 50, 2, 4, 3, 5, 7, 8, 10] 。

下圖展示了整個操作的過程：

求解中位數的代碼：

public class Median> { /** * 最小堆 */ private PriorityQueue minP; /** * 最大堆 */ private PriorityQueue maxP; /** * 當前中位數 */ private E m; public Median() { this.minP = new PriorityQueue<>(); this.maxP = new PriorityQueue<>(11, Collections.reverseOrder()); } private int compare(E e, E m) { return e.compareTo(m); } public void addAll(Collection extends E> c) { for (E e : c) { add(e); } } public void add(E e) { // 第一個元素 if (m == null) { m = e; return; } if (compare(e, m) <= 0) { // 小于等于中值，加入最大堆 maxP.add(e); } else { // 大于中值，加入最大堆 minP.add(e); } if (minP.size() - maxP.size() >= 2) { // 最小堆元素個數多，即大于中值的數多 // 將 m 加入到最大堆中，然后將最小堆中的根移除賦給 m maxP.add(m); m = minP.poll(); } else if (maxP.size() - minP.size() >= 2) { minP.add(m); m = maxP.poll(); } } public E getMedian() { return m; } public static void main(String[] args) { Median median = new Median<>(); median.addAll(Arrays.asList(20, 30, 40, 50, 2, 4, 3, 5, 7, 8, 10)); System.out.println(median.getMedian()); }}

總結

以上是生活随笔為你收集整理的堆排序时间复杂度_图解堆结构、堆排序及堆的应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。