龙空技术网

数据结构系列_6:堆与堆排序

deeplearning爱好者 455

前言:

如今朋友们对“堆排序伪代码怎么写”可能比较关怀,我们都需要分析一些“堆排序伪代码怎么写”的相关资讯。那么小编在网摘上收集了一些关于“堆排序伪代码怎么写””的相关知识,希望看官们能喜欢,你们快快来了解一下吧!

一:堆的概念及存储结构

简单点来说,堆就是完全二叉树,只不过这个完全二叉树有个特点:它的结点要么大于任意一个孩子结点,要么小于任意一个孩子结点。如果其结点大于任意一个孩子结点,就称其为大顶堆,反之如果其结点小于任意一个孩子结点,就称其为小顶堆

于是对于大顶堆来说,其值最大的结点是根节点,对小顶堆来说,其值最小的结点也是根节点。这一点也是堆排序算法实现的核心,所以堆排序也叫做选择排序。

既然它是完全二叉树,所以适合用数组来存储

二:堆的实现(1)堆的结构体定义

堆是一个完全二叉树,所以使用一个数组来存储。存储时为了便于调整,依然使用动态增长的数组

(2)堆的初始化

使用堆的场景,或者是题目中一般是这样给出的:直接抛给你一个数组,这个数组对应了一个完全二叉树,初始化时就是要把这个数组进行复制,然后对这个二叉树进行调整,使其成为堆,再进行后续操作

所以初始化参数里,要给出数组和元素个数

(3)堆的向下调整算法

堆的调整算法是堆的核心所在。上述数组中的完全二叉树还不是堆,这里用上图中的数组,以调整小顶堆为例,详细说明堆的调整过程

基本思路如图所示

调整代码如下

下面的这个动图所展示的就是调整过程:

上述代码中,有一个非常容易忽略的地方

补充:上面构建的是小顶堆,如果要构建大顶堆,代码只需稍微改动两个地方即可

(4)堆的构造

上面堆的向下调整算法要求左右子树必须是堆,但一般不会有这样的理想情况。那么为什么还要讲堆的向下调整算法呢?其实对于一个完全二叉树,从根节点角度看,确实满足不了情况。但是,去考察极限情况——一个结点就是一个完全二叉树,它也一定是一个堆,所以可以从最后一个非叶结点开始(也可以从最后一个结点开始,只不过,如果从最后一个结点开始效率不高),对每一个结点使用堆的向下调整,直到根节点,这样就能构造一个小顶堆了。如果一个完全二叉树有n个结点,那么它的最后一个非叶结点的编号为(n/2)-1。

如下

代码如下

(5)堆排序A:堆排序思想

从上面的叙述可以看出,堆建立后,对应数组是部分有序的,因为我们对堆元素大小的限制仅局限于父结点和孩子结点之间,对于左孩子和右孩子之间谁大谁小是不关心的。

那么堆排序从何而来呢?仔细观察,虽然不能保障堆是完全有序的,但是却能保证根结点是最大的(大顶堆)或最小的(小顶堆)。于是:我们可以每次选出一个根结点,将其划到有序序列里面,并对剩余结点进行调整,使剩余部分再次成为一个堆,然后对这个堆再进行上述操作,这也就是为什么堆排序属于选择排序的原因

这里还有一个问题,当把根节点选出来后,剩余部分就没有根节点了,此时应该怎么做?是把它们再搞成一个完全二叉树,然后再进行建堆?仔细想想也不行,因为这样做时间复杂度就太高了,堆排序也就没有存在的意义了。

这里:选出根节点后,让根节点与此时无序序列中的最后一个结点(第一次选择的时候就和最后一个结点交换,第二次选择的时候和倒数第二个结点交换,以此类推)进行交换,此时根节点到达下方成为有序序列中的一员,新的结点到达根节点位置,由于这个结点到来,堆的结构被破坏,由于是根节点破坏了堆的结构,所以调用向下调整函数,只对根节点的位置进行调整,重新生成一个堆,然后重复上述操作

小顶堆为例,经过上述操作,每次根节点到达有序序列的前一个位置,于是整个数组成为了降序排列;以大顶堆为例,经过上述操作,整个数组就成为了升序排列

于是就有:需要升序排序,就建立大顶堆,需要降序排序,就建立小顶堆

B:堆排序演示

堆排序步骤:利用题目中给出的数字,建立完全二叉树,然后对这个完全二叉树进行建堆操作,接着根据题目要求,进行选择,调整,选择,调整······

对本例的数组建立大顶堆,进行升序排序,过程如下

C:堆排序代码D:堆排序时间复杂度

堆排序时间复杂度为:O(nlgn)

推导过程如下:

(5)插入元素

还是以上述大顶堆为例,建好堆后,需要插入元素,此新元素插入到最后一个结点的下一个位置,由于这一个结点的到来,可能再次破坏了堆的结果,所以可以重新建立堆,但是仔细观察,其破坏的仅仅是一部分,如图

与向下调整算法相反,上图涉及的是向上调整算法,执行过程,代码与向下调整算法恰好相反

(6)删除元素

删除元素默认删除第一个,因为删除其它元素没有意义。删除时,将最后一个元素与第一个元素交换,然后对新的根进行向下调整即可

三:Top K问题

Top K问题:找出N个数当中最大的或者最小的前K个

解决方法1:排序

对于大多数人,想到的第一个方法自然就是排序。把这个N个数按一定顺序排序即可,然后找出取出前K个数。这种方法在N不太大的情况下是可以的,但是当N非常大的时,即便用最快的排序算法,最后花费的时间代价还是很高的,是一种不明智的解法。而且当N非常非常大时,内存中无法放下,就不能使用如堆排序这样的内部排序算法

解决方法2:;建堆

其实这也是堆这种结构真正的用途所在

假设用1万亿个数,需求是找出这一万亿个数中最大的前10个。,如果提示使用堆来解决,我们正常的反映就是建立大顶堆,每次取堆顶即可,但是这里会存在一个非常尴尬的情况:如果一万亿个数中前10个刚好就是最大的,那么这样的话堆排序就完全在做无用功了,虽然这种情况非常少见,但是它反映了这种建大顶堆的不可取之处。

相反,我们应该建立小顶堆,有K个数就建立K个数的小顶堆,比如这里前10个数建立小顶堆,然后从第11个数开始,只要比它堆顶的数大,就进入堆内,然后删除这个堆顶数据,然后调整,依次类推

如下:

在oj题中,这种求前K个的问题,频率还是挺高的

四:参考代码

Heap.h

#pragma once#include <stdio.h>#include <stdlib.h>#include <assert.h>#include <string.h>typedef int DataType;typedef struct Heap{	DataType* _arr;	int _length;	int _capacity;}Heap;void print(Heap* heap,int n);//打印void HeapInit(Heap* php, DataType* a, int n);//初始化void HeapDestroy(Heap* php);//销毁void AdjustDown(Heap* php, int n,int root);//向下调整:前提左右子树都是小堆void AdjustUp(Heap* php,int child);//向上调整,用于插入时void HeapCreat(Heap* php, int n);//建立堆void HeapPush(Heap* php, DataType x);//插入元素void HeapPop(Heap* php);//删除元素,删除头void HeapSort(Heap* php);//堆排序DataType HeapTop(Heap* php);

Heap.c

#pragma once#include "heap.h"void print(Heap* heap,int n){	assert(heap);	for (int i = 0; i <n; i++)	{		printf("%d ", heap->_arr[i]);	}	printf("\n");}void swap(DataType* p1, DataType *p2){	DataType temp = *p2;	*p2 = *p1;	*p1 = temp;	}void AdjustDown(Heap* php, int n, int root){	int parent = root;//待交换父节点	int child = parent * 2 + 1;//默认认为左孩子小	while (child<n)//一旦child>n,parent就到了最后一层,调整完成	{		if (child+1<n && php->_arr[child + 1] > php->_arr[child])			++child;//如果右孩子比较小,就让右孩子与父节点交换		if (php->_arr[child] > php->_arr[parent])//如果孩子小,孩子与父亲交换		{			swap(&php->_arr[child], &php->_arr[parent]);			parent = child;//交换完,同时向下移动,			child = child * 2 + 1;		}		else//如果不小于,就跳出,否则会一直陷入循环		{			break;		}	}}void AdjustUp(Heap* php, int child)//向上调整,用于插入{	int parent = (child - 1) / 2;//求出这个孩子的父亲	//while (parent>=0)//这样写是错误的,因为parent永远都不会小于0	while(child>0)//当child>0时,早该结束了	{		if (php->_arr[child] > php->_arr[parent])		{			swap(&php->_arr[child], &php->_arr[parent]);//调整大顶堆时,如果孩子大于父亲,就进行交换			child = parent;			parent = (child - 1) / 2;//与向下调整类似,只不过是向上跌打		}		else		{			break;		}	}}void HeapInit(Heap* php, DataType* a, int n){	assert(php);	php->_arr = (DataType*)malloc(sizeof(DataType)*n);	memcpy(php->_arr, a, sizeof(DataType)*n);	php->_length = n;	php->_capacity =php->_length= n;	//:从最后一个非叶结点开始,对每个结点进行向下调整}void HeapDestroy(Heap* php){	assert(php);	free(php->_arr);	php->_capacity = 0;}void HeapCreat(Heap* php, int n){	assert(php);	int i = 0;	for (i = n / 2 - 1; i >= 0; --i)//从最后一个非叶结点开始,对每个结点进行向下调整	{		AdjustDown(php, n, i);	}}void HeapSort(Heap* php){	assert(php);	for (int i = php->_capacity-1; i > 0; --i)//拿出最后一个结点放到根节点位置,然后再进行调整	{		swap(&php->_arr[0], &php->_arr[i]);		AdjustDown(php, i, 0);		print(php, php->_capacity);	}	}void HeapPush(Heap* php, DataType x)//插入元素时,只会影响一部分,所以仅对那一部分进行向上调整()类似于并查集{	assert(php);	if (php->_length == php->_capacity)	{		php->_capacity *= 2;		DataType* temp = (DataType*)realloc(php->_arr,(sizeof(DataType))*(php->_capacity));		php->_arr = temp;	}	php->_arr[php->_length] = x;	php->_length++;	AdjustUp(php, php->_length-1);//调用向上调整算法	}void HeapPop(Heap* php){	assert(php);	assert(php->_length > 0);	php->_arr[0] = php->_arr[php->_length-1];	php->_length--;	AdjustDown(php, php->_length, 0);}

test.c

#pragma once#include "heap.h"void test(){	int a[] = { 27,15,19,18,28,34,65,49,25,37 };	Heap heap;	HeapInit(&heap, a, sizeof(a) / sizeof(DataType));	print(&heap, heap._capacity);//原始	HeapCreat(&heap, heap._capacity);//建大顶堆	print(&heap, heap._capacity);	//HeapSort(&heap);//排升序	HeapPush(&heap, 97);	//HeapPush(&heap, 63);	print(&heap, heap._length);	HeapPop(&heap);	print(&heap, heap._length);}int main(){	test();}

标签: #堆排序伪代码怎么写