06.堆算法C++（笔记）

原创已于 2025-04-14 09:23:04 修改 · 728 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #笔记 #c++

于 2024-11-24 19:49:39 首次发布

C++与算法专栏收录该内容

20 篇文章

订阅专栏

文章目录

1 堆
2 建堆操作
3 Top-K 问题

1 堆

「堆 heap」是一种满足特定条件的完全二叉树，主要可分为两种类型，如图所示。

「大顶堆 max heap」：任意节点的值≥其子节点的值。
「小顶堆 min heap」：任意节点的值≤其子节点的值。

在这里插入图片描述

堆作为完全二叉树的一个特例，具有以下特性。

最底层节点靠左填充，其他层的节点都被填满。
我们将二叉树的根节点称为“堆顶”，将底层最靠右的节点称为“堆底”。
对于大顶堆（小顶堆），堆顶元素（根节点）的值分别是最大（最小）的。

1.1 堆常用操作

需要指出的是，许多编程语言提供的是「优先队列 priority queue」，这是一种抽象数据结构，定义为具有优先级排序的队列。

实际上，堆通常用于实现优先队列，大顶堆相当于元素按从大到小的顺序出队的优先队列。从使用角度来看，我们可以将“优先队列”和“堆”看作等价的数据结构。因此，本书对两者不做特别区分，统一称作“堆”。

堆的常用操作见表，方法名需要根据编程语言来确定。

方法名	描述	时间复杂度
push()	元素入堆	O(log n)
pop()	堆顶元素出堆	O(log n)
peek()	访问堆顶元素（大 / 小顶堆分别为最大 / 小值）	O(1)
size()	获取堆的元素数量	O(1)
isEmpty()	判断堆是否为空	O(1)

在实际应用中，我们可以直接使用编程语言提供的堆类（或优先队列类）。

类似于排序算法中的“从小到大排列”和“从大到小排列”，我们可以通过设置一个 flag 或修改 Comparator 实现“小顶堆”与“大顶堆”之间的转换。代码如下所示：

/* 初始化堆 */
// 初始化小顶堆
priority_queue<int, vector<int>, greater<int>> minHeap;
// 初始化大顶堆
priority_queue<int, vector<int>, less<int>> maxHeap;

/* 元素入堆 */
maxHeap.push(1);
maxHeap.push(3);
maxHeap.push(2);
maxHeap.push(5);
maxHeap.push(4);

/* 获取堆顶元素 */
int peek = maxHeap.top(); // 5

/* 堆顶元素出堆 */
// 出堆元素会形成一个从大到小的序列
maxHeap.pop(); // 5
maxHeap.pop(); // 4
maxHeap.pop(); // 3
maxHeap.pop(); // 2
maxHeap.pop(); // 1

/* 获取堆大小 */
int size = maxHeap.size();

/* 判断堆是否为空 */
bool isEmpty = maxHeap.empty();

/* 输入列表并建堆 */
vector<int> input{1, 3, 2, 5, 4};
priority_queue<int, vector<int>, greater<int>> minHeap(input.begin(), input.end());

1.2 堆的实现

下文实现的是大顶堆。若要将其转换为小顶堆，只需将所有大小逻辑判断取逆（例如，将替换为）。感兴趣的读者可以自行实现。

“二叉树”章节讲过，完全二叉树非常适合用数组来表示。由于堆正是一种完全二叉树，因此我们将采用数组来存储堆。

当使用数组表示二叉树时，元素代表节点值，索引代表节点在二叉树中的位置。节点指针通过索引映射公式来实现。

如图所示，给定索引 i，其左子节点索引为 2i+1，右子节点索引为 2i+2，父节点索引为 (i - 1)/2（向下整除）。当索引越界时，表示空节点或节点不存在。

在这里插入图片描述

我们可以将索引映射公式封装成函数，方便后续使用：

/* 获取左子节点索引 */
int left(int i) {
    return 2 * i + 1;
}

/* 获取右子节点索引 */
int right(int i) {
    return 2 * i + 2;
}

/* 获取父节点索引 */
int parent(int i) {
    return (i - 1) / 2; // 向下整除
}

2. 访问堆顶元素

堆顶元素即为二叉树的根节点，也就是列表的首个元素：

/* 访问堆顶元素 */
int peek() {
    return maxHeap[0];
}

3. 元素入堆

给定元素 val ，我们首先将其添加到堆底。添加之后，由于 val 可能大于堆中其他元素，堆的成立条件可能已被破坏，因此需要修复从插入节点到根节点的路径上的各个节点，这个操作被称为「堆化 heapify」。

考虑从入堆节点开始，从底至顶执行堆化。

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，直至越过根节点或遇到无须交换的节点时结束。

设节点总数为 n，则树的高度为 O(log n)。由此可知，堆化操作的循环轮数最多为 O(log n)，元素入堆操作的时间复杂度为 O(log n)。代码如下所示：

/* 元素入堆 */
void push(int val) {
    // 添加节点
    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 */
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;
        // 交换两节点
        swap(maxHeap[i], maxHeap[p]);
        // 循环向上堆化
        i = p;
    }
}

4. 堆顶元素出堆

堆顶元素是二叉树的根节点，即列表首元素。如果我们直接从列表中删除首元素，那么二叉树中所有节点的索引都会发生变化，这将使得后续使用堆化进行修复变得困难。为了尽量减少元素索引的变动，我们采用以下操作步骤。

交换堆顶元素与堆底元素（交换根节点与最右叶节点）。
交换完成后，将堆底从列表中删除（注意，由于已经交换，因此实际上删除的是原来的堆顶元素）。
从根节点开始，从顶至底执行堆化。

“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，直到越过叶节点或遇到无须交换的节点时结束。

与元素入堆操作相似，堆顶元素出堆操作的时间复杂度也为。代码如下所示：

/* 元素出堆 */
void pop() {
    // 判空处理
    if (isEmpty()) {
        throw out_of_range("堆为空");
    }
    // 交换根节点与最右叶节点（交换首元素与尾元素）
    swap(maxHeap[0], maxHeap[size() - 1]);
    // 删除节点
    maxHeap.pop_back();
    // 从顶至底堆化
    siftDown(0);
}

/* 从节点 i 开始，从顶至底堆化 */
void siftDown(int i) {
    while (true) {
        // 判断节点 i, l, r 中值最大的节点，记为 ma
        int l = left(i), r = right(i), ma = i;
        if (l < size() && maxHeap[l] > maxHeap[ma])
            ma = l;
        if (r < size() && maxHeap[r] > maxHeap[ma])
            ma = r;
        // 若节点 i 最大或索引 l, r 越界，则无须继续堆化，跳出
        if (ma == i)
            break;
        swap(maxHeap[i], maxHeap[ma]);
        // 循环向下堆化
        i = ma;
    }
}

1.3 堆常见应用

优先队列：堆通常作为实现优先队列的首选数据结构，其入队和出队操作的时间复杂度均为 O(log n)，而建队操作为 O(log n)，这些操作都非常高效。

堆排序：给定一组数据，我们可以用它们建立一个堆，然后不断地执行元素出堆操作，从而得到有序数据。然而，我们通常会使用一种更优雅的方式实现堆排序，详见“堆排序”章节。

获取最大的k个元素：这是一个经典的算法问题，同时也是一种典型应用，例如选择热度前 10 的新闻作为微博热搜，选取销量前 10 的商品等。

2 建堆操作

在某些情况下，我们希望使用一个列表的所有元素来构建一个堆，这个过程被称为“建堆操作”。

2.1 借助入堆操作实现

我们首先创建一个空堆，然后遍历列表，依次对每个元素执行“入堆操作”，即先将元素添加至堆的尾部，再对该元素执行“从底至顶”堆化。

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，每个元素的入堆操作使用 O(log n) 时间，因此该建堆方法的时间复杂度为 O(nlog n) 。

2.2 通过遍历堆化实现

实际上，我们可以实现一种更为高效的建堆方法，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（即层序遍历的倒序），依次对每个非叶节点执行“从顶至底堆化”。

每当堆化一个节点后，以该节点为根节点的子树就形成一个合法的子堆。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。

值得说明的是，叶节点没有子节点，天然就是合法的子堆，因此无须堆化。如以下代码所示，最后一个非叶节点是最后一个节点的父节点，我们从它开始倒序遍历并执行堆化。

/* 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;
    // 堆化除叶节点以外的其他所有节点
    for (int i = parent(size() - 1); i >= 0; i--) {
        siftDown(i);
    }
}

2.3 复杂度分析

下面，我们来尝试推算第二种建堆方法的时间复杂度。

假设完全二叉树的节点数量为 n，则叶节点数量为 (n+1)/2，其中**/**为向下整除。因此需要堆化的节点数量为 (n-1)/2。
在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 log n。

将上述两者相乘，可得到建堆过程的时间复杂度为 O(n log n)。但这个估算结果并不准确，因为我们没有考虑到二叉树底层节点数量远多于顶层节点的性质。

接下来我们来进行更为准确的计算。为了降低计算难度，假设给定一个节点数量为 n、高度为 h 的“完美二叉树”，该假设不会影响计算结果的正确性。

在这里插入图片描述

如图所示，节点“从顶至底堆化”的最大迭代次数等于该节点到叶节点的距离，而该距离正是“节点高度”。因此，我们可以对各层的“节点数量×节点高度”求和，得到所有节点的堆化迭代次数的总和。

T(h) = 2⁰h+2¹(h-1)+2²(h-2)+···+2^(h-1)×1

化简上式需要借助中学的数列知识，先对 T(h) 乘以 2 ，得到：

T(h) = 2⁰h+2¹(h-1)+2²(h-2)+···+2^(h-1)×1

2T(h) = 2¹h+2²(h-1)+2³(h-2)+···+2^h×1

使用错位相减法，用下式 2T(h) 减去上式 T(h) ，可得：

2T(h)-T(h) = T(h) = -2⁰h+2¹+2²+···+2^(h-1)+2^h

观察上式，发现 T(h) 是一个等比数列，可直接使用求和公式，得到时间复杂度为：

T(h) = 2*(1 - 2^h) / (1 - 2) - h = 2^h+1-h-2 = O(2^h)

进一步地，高度为 h 的完美二叉树的节点数量为 n = 2^h+1 -1 ，易得复杂度为 O(2^h) = O(n) 。以上推算表明，输入列表并建堆的时间复杂度为 O(n) ，非常高效。

3 Top-K 问题

给定一个长度为 n 的无序数组 nums ，请返回数组中前 k 大的元素。

3.1 方法一：遍历选择

我们可以进行图 8-6 所示的 k 轮遍历，分别在每轮中提取第 1、2、…、k大的元素，时间复杂度为 O(nk)。

此方法只适用于 k << n 的情况，因为当与比较接近时，其时间复杂度趋向于，非常耗时。
在这里插入图片描述

3.2 方法二：排序

如图 8-7 所示，我们可以先对数组 nums进行排序，再返回最右边的 k 个元素，时间复杂度为 O(n log n) 。

显然，该方法“超额”完成任务了，因为我们只需找出最大的 k 个元素即可，而不需要排序其他元素。

在这里插入图片描述

3.3 方法三：堆

我们可以基于堆更加高效地解决 Top-K 问题。

初始化一个小顶堆，其堆顶元素最小。
先将数组的前 k 个元素依次入堆。
从第 k+1 个元素开始，若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。
遍历完成后，堆中保存的就是最大的 k 个元素。

示例代码如下：

/* 基于堆查找数组中最大的 k 个元素 */
priority_queue<int, vector<int>, greater<int>> topKHeap(vector<int> &nums, int k) {
    // 初始化小顶堆
    priority_queue<int, vector<int>, greater<int>> heap;
    // 将数组的前 k 个元素入堆
    for (int i = 0; i < k; i++) {
        heap.push(nums[i]);
    }
    // 从第 k+1 个元素开始，保持堆的长度为 k
    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]);
        }
    }
    return heap;
}

总共执行了 n 轮入堆和出堆，堆的最大长度为 k ，因此时间复杂度为 O(n log k) 。该方法的效率很高，当 k 较小时，时间复杂度趋向 O(n) ；当 k 较大时，时间复杂度不会超过 O(n log n) 。

另外，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 k个元素的动态更新。