1 优先队列（Priority Queue）
优先队列与普通队列的区别：普通队列遵循先进先出的原则；优先队列的出队顺序与入队顺序无关，与优先级相关。
优先队列可以使用队列的接口，只是在实现接口时，与普通队列有两处区别，一处在于优先队列出队的元素应该是优先级最高的元素，另一处在于队首元素也是优先级最高的元素。
优先队列也可以使用不同的底层实现，不同底层实现的时间复杂度如下：
image.png
从上图可以看出，使用"堆"这种数据结构来实现优先队列是比较高效的。
2 二叉堆（Binary Heap）
二叉堆就是一棵满足特殊性质的二叉树
首先，二叉堆是一棵完全二叉树，"完全二叉树"，不一定是满二叉树，不满的部分一定位于整棵树的右下侧。
其次，堆中某个节点的值总是不大于其父节点的值（最大堆）；相应的，堆中的某个节点的值总是不小于其父节点的值（最小堆）。
节点值的大小与其所处的层次没有必然联系，即，最大堆中，只需保证每个节点不大于其父节点即可，至于大不大于其父节点的兄弟节点，没有任何关系。
可以用数组来存储二叉堆，如下图所示：
image.png
用动态数组实现二叉堆的业务逻辑如下：
public class MaxHeap<E extends Comparable<E>> {
private Array<E> data = new Array<>();
// 构造函数
public MaxHeap(int capacity) {
data = new Array<>(capacity);
}
// 无参数构造函数
public MaxHeap() {
data = new Array<>();
}
// 接收参数为数组的构造函数
public MaxHeap(E[] arr) {
data = new Array<>(arr);
for (int i = parent(arr.length - 1); i >= 0; i--) {
SiftDown(i);
}
}
// 实现getSize方法，返回堆中的元素个数
public int getSize() {
return data.getSize();
}
// 实现isEmpty方法，返回堆是否为空
public boolean isEmpty() {
return data.isEmpty();
}
// 返回完全二叉树的数组表示中，一个索引所表示的元素的父节点的索引
private int parent(int index) {
if (index == 0) {
throw new IllegalArgumentException("Index-0 doesn't have parent.");
}
return (index - 1) / 2;
}
// 返回完全二叉树的数组表示中，一个索引所表示的元素的左孩子的索引
private int leftChild(int index) {
return index * 2 + 1;
}
// 返回完全二叉树的数组表示中，一个索引所表示的元素的右孩子的索引
private int rightChild(int index) {
return index * 2 + 2;
}
// 实现add方法，向堆中添加元素
public void add(E e) {
data.addLast(e);
SiftUp(data.getSize() - 1);
}
// 实现元素的上浮
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);
}
}
// 实现findMax方法，查看堆中的最大元素
public E findMax() {
if (data.getSize() == 0) {
throw new IllegalArgumentException("Can not findMax when heap is empty.");
}
return data.get(0);
}
// 实现extractMax方法，取出堆中的最大元素
public E extractMax() {
E ret = findMax();
data.swap(0, data.getSize() - 1);
data.removeLast();
SiftDown(0);
return ret;
}
// 实现元素的下沉
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中的对大值
}
if (data.get(k).compareTo(data.get(j)) >= 0) {
break;
} else {
data.swap(k, j);
k = j;
}
}
}
// 实现replace方法，取出堆中的最大元素，并替换为元素e
public E replace(E e) {
E ret = findMax();
data.set(0, e);
SiftDown(0);
return ret;
}
}
测试用动态数组实现的二叉堆
import java.util.Random;
public class Main {
public static void main(String[] args) {
int n = 1000000;
MaxHeap<Integer> maxHeap = new MaxHeap<>();
Random random = new Random();
for (int i = 0; i < n; i++) {
maxHeap.add(random.nextInt(Integer.MAX_VALUE));
}
int[] arr = new int[n];
for (int i = 0; i < n; i++) {
arr[i] = maxHeap.extractMax();
}
for (int i = 1; i < n; i++) {
if (arr[i - 1] < arr[i]) {
throw new IllegalArgumentException("Error");
}
}
System.out.println("Test MaxHeap completed.");
}
}
二叉堆的时间复杂度分析
image.png
由于堆是一棵完全二叉树，所以堆不会退化成链表。
3.用最大堆实现一个优先队列（Priority Queue）
实现优先队列的业务逻辑如下：
public class PriorityQueue<E extends Comparable<E>> implements Queue<E> {
private MaxHeap<E> maxHeap;
// 构造函数
public PriorityQueue() {
maxHeap = new MaxHeap<>();
}
// 实现getSize方法
@Override
public int getSize() {
return maxHeap.getSize();
}
// 实现isEmpty方法
@Override
public boolean isEmpty() {
return maxHeap.isEmpty();
}
// 实现getFront方法
@Override
public E getFront() {
return maxHeap.findMax();
}
// 实现enqueue方法
@Override
public void enqueue(E e) {
maxHeap.add(e);
}
// 实现dequeue方法
@Override
public E dequeue() {
return maxHeap.extractMax();
}
}
4.优先队列的应用：从N个元素中，选出前M个
解决方案：使用优先队列，维护当前的M个元素，然后不断更新元素，直到扫描完所有N个元素。
需要使用"最小堆"来进行底层的实现，因为最终获取的是前M个元素，通过最小堆的extractMin方法，可以不断的剔除堆中的最小元素
也可以使用最大堆来实现，我们只要规定元素越小，优先级越高。
使用最小堆实现的业务逻辑如下：
import java.util.List;
import java.util.PriorityQueue;
import java.util.TreeMap;
public class Solution2 {
private class Freq implements Comparable<Freq> {
public int e, freq;
public Freq(int e, int freq) {
this.e = e;
this.freq = freq;
}
public int compareTo(Freq another) {
if (this.freq < another.freq)
return -1;
else if (this.freq > another.freq)
return 1;
else
return 0;
}
}
public List<Integer> topKFrequent(int[] nums, int k) {
TreeMap<Integer, Integer> map = new TreeMap<>();
for (int num : nums) {
if (map.containsKey(num))
map.put(num, map.get(num) + 1);
else
map.put(num, 1);
}
PriorityQueue<Freq> pq = new PriorityQueue<>();
for (int key : map.keySet()) {
if (pq.size() < k)
pq.add(new Freq(key, map.get(key)));
else if (map.get(key) > pq.peek().freq) {
pq.remove();
pq.add(new Freq(key, map.get(key)));
}
}
LinkedList<Integer> res = new LinkedList<>();
while (!pq.isEmpty())
res.add(pq.remove().e);
return res;
}
}
网友评论