最小堆的上调整和下调整

本文介绍了一个使用C++实现的堆数据结构,并通过具体函数sifup和sifdown来展示如何对堆进行上浮和下沉调整以维持堆的性质。通过随机生成的数据初始化堆后,演示了插入元素后的上浮调整过程及替换堆顶元素后的下沉调整过程。
#include<iostream>
#include<math.h>
#include<stdio.h>
#include<stdlib.h>
#include<windows.h>
#include<string.h>
const int MAX=50;
using namespace std;

int h[MAX];
int N=10;//长度 

void sifup(int i)
{
	if(i==1)
	{
		return;
	}
	
	while(i/2!=0)
	{
		if(h[i]<h[i/2])//小于父节点 //上浮 
		{
			swap(h[i],h[i/2]);
		}
		else //等于父节点 或是 大于父节点 不需要操作 
		{
			return;
			//break;
		}
		
		i/=2;
		
	}
	
}

void sifdown(int i)//向下调整 
{
	if(i*2>=N)//大于长度  已到叶子结点 不用调整 
	{
		return;
	}
	
	if(h[i]<h[i/2])//小于父节点 向上调整 
	{
		sifup(i);
		return;
	}
	
	if(h[i]<h[i*2] && h[i]<h[i*2+1])//父节点小于左右结点 
	{
		return; //不用调整 
	}
	
	//+++++++++++++++++++++++++++++++此时父节点一定大于左右结点 
	int r,l,k;//左右两个结点的下标 
	l=i*2; r=i*2+1;
	
	k=h[l]>h[r]?r:l;//选出最小的结点的下标 
    //cout<<k<<endl;
	swap(h[k],h[i]);
	
	sifdown(k);
	
	
}

int main()
{
	for(int i=1;i<=10;i++)
	{
		h[i]=rand()%20;
		sifup(i);
	}
	
	for(int i=1;i<=10;i++)
	{
		cout<<h[i]<<" ";
	}cout<<endl;
	
	h[1]=100;
	sifdown(1);
	
	for(int i=1;i<=N;i++)
	{
		cout<<h[i]<<" ";
	}cout<<endl;
	
	
	return 0;
}

  

### 最小调整的时间复杂度分析 #### 向上调整(Up-heap 或 Bubble-up) 当向最小中插入一个新的元素时,通常会将新元素放置在的最后一个位置,随后执行向上调整操作以恢复性质。每次调整涉及比较并可能交换当前节点与其父节点。 由于的高度 \( h \) 可表示为 \( \log_2(n+1)-1 \)[^2] ,其中 \( n \) 是中的元素数量,在最坏情况下,新加入的元素需要沿着路径一直移动到根部,因此向上调整的最大次数等于的高度减去一层: \[ T_{\text{up}} = O(\log_2{n}) \] 这意味着向上调整的操作时间随着输入规模的增长而呈对数增长趋势[^2]。 ```python def up_heapify(heap, index): parent_index = (index - 1) // 2 while index != 0 and heap[parent_index] > heap[index]: # Swap elements if child is smaller than its parent heap[parent_index], heap[index] = heap[index], heap[parent_index] # Move to the next level towards root index = parent_index parent_index = (index - 1) // 2 return heap ``` #### 向下调整(Down-heap 或 Sink-down) 对于删除最小值后的重新排列或是直接构建初始的过程,可能会触发向下调整动作。此过程中,从根结点开始逐级向下检查子节点,并根据情况与较小的孩子互换位置直到满足特性为止。 同样基于最大层数考虑,即使每一步都发生交换,总的步数也不会超过树高\( \log_2{(n+1)}\) 。然而实际应用中往往不需要走完全程就能完成修复工作,平均性能优于理论上限[^3]。 \[ T_{\downarrow} = O(\log_2{n}) \] 值得注意的是,尽管单次下调操作的时间开销是对数级别的,但在建立整个时,通过优化策略可以使得整体建效率达到线性级别,即 \(O(n)\),而非简单的乘积关系 \(O(n\cdot\log_2{n})\) [^4]。 ```python def down_heapify(heap, start=0): size = len(heap) current_idx = start min_child_idx = get_min_child_index(heap, current_idx) while min_child_idx < size and heap[current_idx] > heap[min_child_idx]: # Exchange with smallest child when necessary heap[current_idx], heap[min_child_idx] = heap[min_child_idx], heap[current_idx] # Proceed deeper into tree structure current_idx = min_child_idx min_child_idx = get_min_child_index(heap, current_idx) return heap def get_min_child_index(heap, idx): left = 2 * idx + 1 right = 2 * idx + 2 smallest = idx if left < len(heap) and heap[left] < heap[smallest]: smallest = left if right < len(heap) and heap[right] < heap[smallest]: smallest = right return smallest ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值