堆数据结构与算法详解-优快云博客

本文链接：https://blog.youkuaiyun.com/NapoleonCoder/article/details/130435628

堆（heap），二叉树的顺序存储结构；

向下/上调整时间复杂度：O(logN)；

建堆时间复杂度：O(N)；

堆排序时间复杂度：O(NlogN)；

一，堆的概念

如有个集合K={ $k_{0}$ ， $k_{1}$ ， $k_{2}$ ，...， $k_{n-1}$ }，把它的所有元素按完全二叉树的顺序存储方式存储在一个一维数组中；
并满足 $k_{i}$ <= $k_{2*i+1}$ 且 $k_{i}$ <= $k_{2*i+2}$ ( $k_{i}$ >= $k_{2*i+1}$ 且 $k_{i}$ >= $k_{2*i+2}$ )，i=0、1、...，则称为小堆(大堆)；

小堆

$k_{i}$ <= $k_{2*i+1}$ 且 $k_{i}$ <= $k_{2*i+2}$ ，即所有节点小于等于孩子；
根节点最小，叫做最小堆或小根堆；

大堆

$k_{i}$ >= $k_{2*i+1}$ 且 $k_{i}$ >= $k_{2*i+2}$ ，即所有节点大于等于孩子；
根节点最大，叫做最大堆或大根堆；

堆的性质

堆中某个节点的值，总是不大于或不小于其父节点的值；
根一定是最值（最大值或最小值）；
堆总是一颗完全二叉树，适合顺序结构存储；

二，向下调整法（数组）

前提条件为，此二叉树的左右子树需是一个堆，只有根节点不满足堆要求；
从根开始，与左右子节点中的最小值比较并交换，依次类推，直到比子节点小或到叶子节点终止（假设为小堆）；
时间复杂度，O(logN)；

int array[] = {27,15,19,18,28,34,65,49,25,37};

//向下调整法，小堆
void Swap(int* px, int* py)
{
	int tmp = *px;
	*px = *py;
	*py = tmp;
}
//arr数组，n数组大小，parent元素序号
void AdjustDown(int* arr, int n, int parent)
{
	int child = 2 * parent + 1;

	//无孩子节点或父亲小于孩子，即终止
	while (child < n)
	{
		if (child + 1 < n && arr[child + 1] < arr[child])
			child++;
		
		if (arr[parent] > arr[child])
		{
			Swap(arr + parent, arr + child);
			parent = child;
			child = 2 * parent + 1;
		}
		else
			break;
	}
}

三，向上调整法（数组）

前提条件为，此二叉树的左右子树需是一个堆，只有最后节点不满足堆要求；
从最后开始，与父节点比较并交换，依次类推，直到比父亲小或到根节点终止（假设为大堆）；
时间复杂度，O(logN)；

//向上调整法
//arr数组，child元素序号
void AdjustUp(int* arr, int child)
{
	int parent = (child - 1) / 2;

	//大堆
	//根节点或父亲大于孩子，即终止
	while (child > 0)
	{
		if (arr[parent] < arr[child])
		{
			Swap(arr + parent, arr + child);
			child = parent;
			parent = (child - 1) / 2;
		}
		else
			break;
	}
}

四，堆的创建（建堆）

即对数据如数组（可看为完全二叉树），将其构建为堆；
方法为，从倒数第一个非叶子节点的子树开始调整，直到根节点为止；
即每次调整时，使用向下调整法；
建堆时间复杂度，O(N)，下面有证明；
注，也可使用向上调整法建堆，但初始化堆的个别元素位置可能不一样；

int arr[] = {1,5,3,8,7,6};

//建堆-向下调整法
void Heap(int* arr, int n)
{
	int i = (n - 1 - 1) / 2; //最后节点的父节点
	for (i; i >= 0; i--)
	{
		AdjustDown(arr, n, i);
	}
}

//建堆-向上调整法
void Heap(int* arr, int n)
{
	int i = 1; 
	for (i; i < n; i++)
	{
		AdjustUp(arr, i);
	}
}

建堆时间复杂度

五，堆排序

升序，建大堆（将最大的数换到最后，在将剩下的数向下调整下，选出次大数，依次类推）；
降序，建小堆（将最小的数换到最后，在将剩下的数向下调整下，选出次小数，依次类推）；
整体的时间复杂度，O(N*logN)；

注：

如升序建小堆(或降序建大堆)的话，先建堆O(N)选出最值后，剩余部分只能继续建堆O(N-1)，以此类推，时间复杂度=N+(N-1)+...+2+1=O( $N^2$ )；
如此这样，效率较低，还不如直接遍历，建堆的价值未体现；

//建堆排序
void HeapSort(int* arr, int n)
{
	//建堆 - O(N)
	int i = (n - 1 - 1) / 2; //最后节点的父节点
	for (i; i >= 0; i--)
	{
		AdjustDown(arr, n, i);
	}

	//排序 - O(N*log(N))
	int end = n - 1;
	while (end)
	{
		Swap(arr, arr + end);
		AdjustDown(arr, end, 0);
		end--;
	}
}

堆排序时间复杂度推算

总时间复杂度 = 建堆时间复杂度O(N) + 调整时间复杂度O(Nlog(N)) = O(Nlog(N))；

假设刚好为满二叉树，建完堆后，随后首尾节点交换获取最值，在调整剩下节点，获取剩下节点最值，依次类推；

六，堆的实现

//堆
typedef int HPDataType;

typedef struct Heap
{
	HPDataType* data;
	int size;
	int capacity;
}Heap;

//初始化
void HeapInit(Heap* php, HPDataType* arr, int n);
//释放销毁
void HeapDestroy(Heap* php);

//插入数据并保持堆
void HeapPush(Heap* php, HPDataType* x);
//删除堆顶数据并保持堆
void HeapPop(Heap* php);

//返回堆顶数据
HPDataType HeapTOP(Heap* php);
//返回堆节点个数
int HeapSize(Heap* php);
//判断释放为空
bool HeapEmpty(Heap* php);

注：完整接口实现；

七，TOP-K问题

直接建堆排序：

O(N*log(N))，数据过大的话，内存可能不足；

建堆并pop出前K个数：

O(N+K*log(N))，数据过大的话，内存可能不足；

建K个元素的堆：

前K个最大元素，建小堆（前K个最小元素，建大堆）；
将剩下的数依次与堆顶比较，大即入堆，最后此堆即为最大的K个数；
O(N*log(K))，通常K远小于N；

//TOP-K，前K个最大值，建小堆
void TOPK(int* arr, int n, int k)
{
	Heap hp;
	//建堆
	HeapInit(&hp, arr, k);

	int i = k;
	for (i; i < n; i++)
	{
		//替换
		if (arr[i] > HeapTop(&hp))
		{
			HeapPop(&hp);
			HeapPush(&hp, arr[i]);
		}
	}

	HeapPrint(&hp);
	HeapDestroy(&hp);
}