Java数据结构：堆与PriorityQueue优先级队列的使用

news/2024/11/23 1:49:35/

文章目录

  • 1 什么是堆
  • 2 堆的实现思路
    • 2.1 大根堆的成员变量简介
    • 2.2 树的相关知识复习
    • 2.3 向下调整创建大根堆
    • 2.4 堆的插入
    • 2.5 堆的删除
  • 3 大根堆实现代码及测试
  • 4 PriorityQueue的使用
    • 4.1 特性简介
    • 4.2 常用方法
    • 4.3 使用PriorityQueue实现大根堆
  • 写在最后

1 什么是堆

 堆实质上就是对完全二叉树进行了一些调整。而在 Java 的 PriorityQueue 优先级队列中，底层就是堆这样的结构。所以，我们尝试通过模拟堆的实现，来更好的理解优先级队列。

知识补充：何为完全二叉树？
答：一棵深度为k的有n个结点的二叉树，对树中的结点按从上至下、从左到右的顺序进行编号，如果编号为i（1≤i≤n）的结点与满二叉树中编号为i的结点在二叉树中的位置相同，则这棵二叉树称为完全二叉树。

  对于一组关键码集合K = {k0, k1, k2, k3, …, kn-1}来说，如果对于所有的 k ，都满足 ki >= k2i+1 且 ki >= k2i+2，则说明该堆是个大根堆。反之，则称为小根堆。
 最直观的感受就是，对于大根堆来说，其根节点是最大的；对于，小根堆来说，其根节点是最小的。

我们以序列：{3, 7, 4, 2, 1, 8, 9, 10, 5} 为例，构造出大根堆如下图所示：
在这里插入图片描述
图中，红色序号为元素对应的数组下标，从左到右从上到下，从0开始依次编号。观察堆，可以总结出如下的特点：

  • 堆的某个节点的值总是不小于或者不大于父节点的值；
  • 堆总是一颗完全二叉树。

本文，将以大根堆为例，简述构造大根堆思路，并使用Java语言进行实现。

2 堆的实现思路

2.1 大根堆的成员变量简介

具体可见图中的代码注释，笔者对于大根堆的实现，都封装在BigHeap类中。
在这里插入图片描述

2.2 树的相关知识复习

 对于堆来说，其是对完全二叉树进行了些许调整，而如果我们使用顺序存储结构来表示堆，那么，对于双亲节点和孩子节点有如下的性质，在本文中，我们约定，所有的双亲节点采用parent指代，所有的孩子节点，采用child指代。而正如第一部分我们所叙述的一样，编号从上到下，从左到右依次从0开始编号。

  • 对于父亲节点 parent，其左孩子和有孩子的编号分别为2 * parent + 1， 2 * parent + 2;
  • 对于孩子节点child，其父亲节点满足 parent = （child - 1）/ 2;
  • 对于上述两点性质，均需要满足编号在 0 到 useSize-1 之间的边界范围。

2.3 向下调整创建大根堆

那么对于一个序列：{3, 7, 4, 2, 1, 8, 9, 10, 5}，我们如何将其转化成为大根堆呢？

思路如下：

  1. 将该序列从左到右，从上到下，依次编号，构造完全二叉树后如图所示，所有蓝色圆圈中均为parent节点；
    在这里插入图片描述

  2. 最后一个 parent 节点的序号满足 （useSize-1-1）/ 2 ，我们从最后一个parent节点开始，依次向前调整，对于每个子树我们采用 向下调整 的策略；

  3. 从2所对应的紫色框的子树开始，判断parent与左右孩子的值之间的大小关系，将孩子节点中的较大值与parent节点进行比较，如果满足child > parent则进行交换，如图所示，此时，以2为根节点的子树已经调整为了大根堆；在这里插入图片描述

  4. 继续向前寻找parent节点，调整以4为根节点的子树，转化成大根堆，如图所示；
    在这里插入图片描述

  5. 调整以7为根节点的子树，将其向下调整为大根堆，7和10交换后，以7为根节点的新子树也需要调整为大根堆，但是由于其已经满足大根堆了，所以不作交换；
    在这里插入图片描述

  6. 最后调整以3为根节点的树，将其调整为大根堆，即将序列转化成了大根堆。
    在这里插入图片描述

相关代码如下：

    // 根据给定的数组向下调整构建大根堆 时间复杂度O(n)public void creadHeap(int[] data){// 依次向下调整初始数组的每一个元素 构建成堆// 从后往前找父节点this.elements = data;this.useSize = data.length;for (int parent = (useSize-1-1) / 2; parent >= 0; parent--) {siftDown(parent, useSize);}}// 向下调整// parent为要调整的父节点 len为每颗子树的调整范围private void siftDown(int parent, int len){int child = 2 * parent + 1; // 找到左孩子while (child < len){if (child + 1 < len && elements[child+1] > elements[child]){child = child + 1; // 保证child指向的位置一定是子节点中最大的 再与parent进行比较}if (elements[child] > elements[parent]){swap(elements, child, parent);parent = child; // 继续向下调整child = 2 * parent + 1;}else {break;}}}

2.4 堆的插入

思路如下：

  • 先将元素放入堆的末尾，即最后一个孩子之后。从 elements 数组的角度来说，即将新插入的 val 放入到 elements[useSize] 的位置（需要注意是否需要扩容）；
  • 将新插入的节点依次与双亲节点进行比较，向上调整， 直到与位置为 0 的 parent 比较后，调整完毕，此时，插入新节点后的新堆同样满足大根堆。

我们以插入一个新值val = 99来举例，示意图如下：
在这里插入图片描述
可以发现，每次只需要让新插入的节点和parent进行比较。

为什么不需要和兄弟节点再比较，选出较大值与parent节点进行交换呢？

因为，在每次插入新val前，已经有的元素均满足大根堆的性质，也就是说，对于每一个子树而言，其parent节点都是最大值，所以，就不需要和兄弟节点进行比较了。如果新插入的节点比parent大，其一定比兄弟节点大！

相关代码如下：

    // 判断堆是否为满public boolean isFull(){return useSize == elements.length;}// 入堆public void offer(int val){if (isFull()){elements = Arrays.copyOf(elements, elements.length + DEFAULT_CAPACITY); // 扩容}elements[useSize++] = val;// 向上调整siftUp(useSize-1);}// 向上调整 用于插入元素 每次插入元素放入数组最后的位置（注意容量） 然后向上调整重新构造private void siftUp(int child){// 依次与parent比较 若比parent大 则交换int parent = (child - 1) / 2;while (parent >= 0){if (elements[parent] < elements[child]){swap(elements, parent, child);child = parent;parent = (child - 1) / 2;}else {break;}}}

2.5 堆的删除

而堆的删除，我们约定，删除的一定是 堆顶元素！

思路如下：

  • 将堆顶元素与最后一个元素进行交换；
  • 堆的有效数据减少一个，即 useSize = useSize - 1；
  • 对堆顶元素进行向下调整，使其结果满足大根堆。

我们以删除 val = 99 为例，示意图如下：

在这里插入图片描述
相关代码如下：

    // 判断是否为空public boolean isEmpty(){return useSize == 0;}// 删除堆顶元素 让堆顶元素和最后一个值替换 useSize-- 并且重新向下调整以堆顶元素起始的堆public int pop(){if (isEmpty()){throw new RuntimeException("堆为空");}int ret = elements[0];swap(elements, 0, useSize-1);useSize--;// 向下调整siftDown(0, useSize);return ret;}

3 大根堆实现代码及测试

在具体实现代码中，笔者额外实现了TopK问题，具体思路可以看代码注释，附上oj链接：最小k个数，读者可以自行练习。

import java.util.Arrays;
import java.util.Comparator;
import java.util.PriorityQueue;
import java.util.Queue;/*** @author 兴趣使然黄小黄* @version 1.0* 大根堆*/
@SuppressWarnings({"all"})
public class BigHeap {private int[] elements; // 存储堆的元素private int useSize; // 堆的大小private final int DEFAULT_CAPACITY = 10; // 默认容量public BigHeap(){this.elements = new int[DEFAULT_CAPACITY]; // 默认初始堆的大小为10this.useSize = 0;}// 根据给定的数组向下调整构建大根堆 时间复杂度O(n)public void creadHeap(int[] data){// 依次向下调整初始数组的每一个元素 构建成堆// 从后往前找父节点this.elements = data;this.useSize = data.length;for (int parent = (useSize-1-1) / 2; parent >= 0; parent--) {siftDown(parent, useSize);}}// 向下调整// parent为要调整的父节点 len为每颗子树的调整范围private void siftDown(int parent, int len){int child = 2 * parent + 1; // 找到左孩子while (child < len){if (child + 1 < len && elements[child+1] > elements[child]){child = child + 1; // 保证child指向的位置一定是子节点中最大的 再与parent进行比较}if (elements[child] > elements[parent]){swap(elements, child, parent);parent = child; // 继续向下调整child = 2 * parent + 1;}else {break;}}}// 判断堆是否为满public boolean isFull(){return useSize == elements.length;}// 入堆public void offer(int val){if (isFull()){elements = Arrays.copyOf(elements, elements.length + DEFAULT_CAPACITY); // 扩容}elements[useSize++] = val;// 向上调整siftUp(useSize-1);}// 向上调整 用于插入元素 每次插入元素放入数组最后的位置（注意容量） 然后向上调整重新构造private void siftUp(int child){// 依次与parent比较 若比parent大 则交换int parent = (child - 1) / 2;while (parent >= 0){if (elements[parent] < elements[child]){swap(elements, parent, child);child = parent;parent = (child - 1) / 2;}else {break;}}}// 判断是否为空public boolean isEmpty(){return useSize == 0;}// 删除堆顶元素 让堆顶元素和最后一个值替换 useSize-- 并且重新向下调整以堆顶元素起始的堆public int pop(){if (isEmpty()){throw new RuntimeException("堆为空");}int ret = elements[0];swap(elements, 0, useSize-1);useSize--;// 向下调整siftDown(0, useSize);return ret;}// 交换arr的i j位置值private void swap(int[] arr, int i, int j){int temp = arr[i];arr[i] = arr[j];arr[j] = temp;}// 求前k个最大的值 则构造有k个元素的最小堆 每次入堆的时候和堆顶进行比较 若更大 则替换 最终剩下的就是前k个最大的值public int[] maxK(int[] arr, int k) {int[] ret = new int[k];// 合法性检验if(arr == null || k == 0) {return ret;}if(arr.length >= k){ret = Arrays.copyOf(arr, k);return ret;}Queue<Integer> minHeap = new PriorityQueue<>(k);//1、遍历数组的前K个 放到堆当中for(int i = 0; i < k; i++){minHeap.offer(arr[i]);}//2、遍历剩下的K-1个，每次和堆顶元素进行比较for (int i = k; i < arr.length; i++) {if (arr[i] > minHeap.peek()) {minHeap.poll(); // 出堆顶后添加minHeap.offer(arr[i]);}}//3、存储结果for (int i = 0; i < k; i++) {ret[i] = minHeap.poll();}return ret;}// 求前k个最小的值 构造大顶堆 如果新值比堆顶还要小 则替换 重新构造堆public int[] smallestK(int[] arr, int k) {int[] ret = new int[k];// 合法性检验if (arr == null || k <= 0){return ret;}if (k >= arr.length){ret = Arrays.copyOf(arr, k);}// 构造大顶堆Queue<Integer> maxHeap = new PriorityQueue<>(new Comparator<Integer>() {@Overridepublic int compare(Integer o1, Integer o2) {return o2 - o1;}});// 先将前k个值入堆for (int i = 0; i < k; i++) {maxHeap.offer(arr[i]);}// 后判断剩余n-k个元素 如果比堆顶还要小 则替换for (int i = k; i < arr.length; i++) {if (arr[i] < maxHeap.peek()){maxHeap.poll();maxHeap.offer(arr[i]);}}// 存储并返回结果for (int i = 0; i < k; i++) {ret[i] = maxHeap.poll();}return ret;}// 以数组方式输出堆public void showHeap(){for (int i = 0; i < useSize; i++) {System.out.print(elements[i] + " ");}System.out.println();}
}

测试代码及测试结果如图：
在这里插入图片描述

4 PriorityQueue的使用

4.1 特性简介

 Java集合框架中提供了PriorityQueue和PriorityBlockingQueue两种类型的优先级队列，PriorityQueue是线程不安全的，PriorityBlockingQueue是线程安全的。 其继承体系如下：
在这里插入图片描述
几点说明：

  1. PriorityQueue中放置的元素 必须要能够比较大小， 不能插入无法比较大小的对象，否则会抛出ClassCastException异常
  2. 不能插入null对象， 否则会抛出NullPointerException
  3. 插入和删除元素的时间复杂度为O(logn)
  4. PriorityQueue底层使用了堆数据结构
  5. PriorityQueue默认情况下是小堆

4.2 常用方法

常用构造方法如下：
在这里插入图片描述
常用方法如下：
在这里插入图片描述
其余未列举的方法，读者可以自行参考帮助文档。

4.3 使用PriorityQueue实现大根堆

 刚刚提到，默认情况下 PriorityQueue 实现的是小根堆，那么如何实现大根堆呢？
 其实，只需要传入比较器，更改比较规则即可。在下面的代码样例中，笔者将一个存Integer对象的优先级队列，以大根堆的形式进行实现：

        // 构造大顶堆Queue<Integer> maxHeap = new PriorityQueue<>(new Comparator<Integer>() {@Overridepublic int compare(Integer o1, Integer o2) {return o2 - o1;}});// 构造大顶堆 lambdaQueue<Integer> maxHeap2 = new PriorityQueue<>(((o1, o2) -> {return o2.compareTo(o1);}));

写在最后

 本文被 Java数据结构 收录点击订阅专栏 ， 持续更新中。
 创作不易，如果你有任何问题，欢迎私信，感谢您的支持！

在这里插入图片描述


http://www.ppmy.cn/news/11561.html

相关文章

Vue打印功能

Vue打印功能

这里介绍一个插件&#xff08;vue-print-nb&#xff09;&#xff0c;蛮好用的&#xff0c;用起来很方便&#xff0c;所以想记录一下 npm官方&#xff1a; https://www.npmjs.com/package/vue-print-nb 安装 V2版本 npm install vue-print-nb --save V3版本 npm install…
阅读更多...
Anaconda安装环境下载慢以及pip下载慢

Anaconda安装环境下载慢以及pip下载慢

一、下载慢Anaconda 是一个用于科学计算的 Python 发行版&#xff0c;支持 Linux, Mac, Windows, 包含了众多流行的科学计算、数据分析的 Python 包。Anaconda 安装包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载。TUNA 还提供了 Anaconda 仓库与第三方…
阅读更多...
CANoe-Model Editor介绍以及如何创建一个服务

CANoe-Model Editor介绍以及如何创建一个服务

Model Editor，模型编辑器，可以打开导入的ARXML文件，编辑现有的或定义新的应用层对象（CO、DO） 什么是CO和DO？ Model Editor页面的整体布局为： 在左侧的子窗口中，你可以选择要编辑的内容根据你的选择，相应的内容将显示在右侧根据你在此处的选择，你可以使用其他拆分器来…
阅读更多...
Orin 编译UEFI

Orin 编译UEFI

文章目录1.前言2. 下载源码3.编译3.1 基础安装3.2 安装mogo3.3 安装 Stuart4.下载使用1.前言 (Unified Extensible Firmware Interface&#xff0c;缩写UEFI&#xff09;是一种个人电脑系统规格&#xff0c;用来定义操作系统与系统固件之间的软件界面&#xff0c;作为BIOS的替…
阅读更多...
【Flink系列】部署篇（一）：Flink集群部署

【Flink系列】部署篇（一）：Flink集群部署

主要回答以下问题&#xff1a; Flink集群是由哪些组件组成的&#xff1f;它们彼此之间如何协调工作的&#xff1f;在Flink中job, task, slots,parallelism是什么意思&#xff1f;集群中的资源是如何调度和分配的&#xff1f;如何搭建一个Flink集群&#xff1f;如何配置高可用服…
阅读更多...
Linux项目自动化构建工具-make/Makefifile

Linux项目自动化构建工具-make/Makefifile

目录 背景 实例代码 依赖关系 依赖方法 原理 项目清理 可重复执行的依据 背景 会不会写makefile&#xff0c;从一个侧面说明了一个人是否具备完成大型工程的能力 一个工程中的源文件不计数&#xff0c;其按类型、功能、模块分别放在若干个目录中&#xff0c;makefile定义了一系…
阅读更多...
华为交换机、路由器设备批量配置端口方法步骤

华为交换机、路由器设备批量配置端口方法步骤

华为交换机、路由器批量配置端口方法步骤 在现实工作中&#xff0c;如果要对多个端口做同样的配置&#xff0c;每个接口逐一进行相同的配置&#xff0c;很容易出错&#xff0c;而且造成大量重复工作。 配置端口组功能就可以解决这个问题啦。 你只需要将这些以太网接口加入同一…
阅读更多...
RocketMQ部署详解

RocketMQ部署详解

上篇文章已经介绍过RocketMQ&#xff0c;这里就不再写了&#xff0c;下面直入主题&#xff0c;介绍RocketMQ安装 因为RocketMQ是基于Java开发的&#xff0c;所以安装RocketMQ之前&#xff0c;我们需要先安装JDK&#xff0c;因为服务器一般采用Linux&#xff0c;所以本文只介绍基…
阅读更多...
最新文章

Copyright @ 2022~2023