数据结构和算法(Golang实现)(24)排序算法-优先队列及堆排序
优先队列及堆排序
堆排序(
Heap Sort)由威尔士-加拿大计算机科学家
J. W. J. Williams在
1964年发明,它利用了二叉堆
(A binary heap)的性质实现了排序,并证明了二叉堆数据结构的可用性。同年,美国籍计算机科学家
R. W. Floyd在其树排序研究的基础上,发布了一个改进的更好的原地排序的堆排序版本。
堆排序属于选择类排序算法。
一、优先队列
优先队列是一种能完成以下任务的队列:插入一个数值,取出最小或最大的数值(获取数值,并且删除)。
优先队列可以用二叉树来实现,我们称这种结构为二叉堆。
最小堆和最大堆是二叉堆的一种,是一颗完全二叉树(一种平衡树)。
最小堆的性质:
- 父节点的值都小于左右儿子节点。
- 这是一个递归的性质。
最大堆的性质:
- 父节点的值都大于左右儿子节点。
- 这是一个递归的性质。
最大堆和最小堆实现方式一样,只不过根节点一个是最大的,一个是最小的。
1.1. 最大堆特征
最大堆实现细节(两个操作):
- push:向堆中插入数据时,首先在堆的末尾插入数据,如果该数据比父亲节点还大,那么交换,然后不断向上提升,直到没有大小颠倒为止。
- pop:从堆中删除最大值时,首先把最后一个值复制到根节点上,并且删除最后一个数值,然后和儿子节点比较,如果值小于儿子,与儿子节点交换,然后不断向下交换, 直到没有大小颠倒为止。在向下交换过程中,如果有两个子儿子都大于自己,就选择较大的。
最大堆有两个核心操作,一个是上浮,一个是下沉,分别对应
push和
pop。
这是一个最大堆:
用数组表示为:
[11 5 8 3 4]
1.2. 上浮操作
我们要往堆里
push一个元素
15,我们先把
X = 15放到树最尾部,然后进行上浮操作。
因为
15大于其父亲节点
8,所以与父亲替换:
这时
15还是大于其父亲节点
11,继续替换:
操作一次
push的最好时间复杂度为:
O(1),因为第一次上浮时如果不大于父亲,那么就结束了。最坏的时间复杂度为:
O(logn),相当于每次都大于父亲,会一直往上浮到根节点,翻转次数等于树的高度,而树的高度等于元素个数的对数:
log(n)。
1.3. 下沉操作
我们现在要将堆顶的元素
pop出。如图我们要移除最大的元素
11:
我们先将根节点移除,然后将最尾部的节点
4放在根节点上:
接着对根节点
4进行下沉操作,与其两个儿子节点比较,发现较大的儿子节点
8比
4大,那么根节点
4与其儿子节点
8交换位置,向下翻转:
这样一直向下翻转就维持了最大堆的特征。
操作一次
pop最好的时间复杂度也是:
O(1),因为第一次比较时根节点就是最大的。最坏时间复杂度仍然是树的高度:
O(logn)。
1.4. 时间复杂度分析
构建一个最大堆,从空堆开始,每次添加元素到尾部后,需要向上翻转,最坏翻转次数是:
第一次添加元素翻转次数:log1 第二次添加元素翻转次数:log2 第三次添加元素翻转次数:不大于log3的最大整数 第四次添加元素翻转次数:log4 第五次添加元素翻转次数:不大于log5的最大整数 ... 第N次添加元素翻转次数:不大于logn的最大整数 近似 = log(1)+log(2)+log(3)+...+log(n) = log(n!)
从一个最大堆,逐一移除堆顶元素,然后将堆尾元素置于堆顶后,向下翻转恢复堆特征,最坏翻转次数是:
第一次移除元素恢复堆时间复杂度:logn 第二次移除元素恢复堆时间复杂度:不大于log(n-1)的最大整数 第三次移除元素恢复堆时间复杂度:不大于log(n-2)的最大整数 ... 第N次移除元素恢复堆时间复杂度:log1 近似 = log(1)+log(2)+log(3)+...+log(n) = log(n!)
根据斯特林公式:
可以进行证明
log(n!)和
nlog(n)是同阶的:
所以构建一个最大堆的最坏时间复杂度是:
O(nlogn)。
从堆顶一个个移除元素,直到移完,整个过程最坏时间复杂度也是:
O(nlogn)。
从构建堆到移除堆,总的最坏复杂度是:
O(nlogn)+O(nlogn),我们可以认为是:
O(nlogn)。
如果所有的元素都一样的情况下,建堆和移除堆的每一步都不需要翻转,最好时间复杂度为:
O(n),复杂度主要在于遍历元素。
如果元素不全一样,即使在建堆的时候不需要翻转,但在移除堆的过程中一定会破坏堆的特征,导致恢复堆时需要翻转。比如一个
n个元素的已排好的序的数列,建堆时每次都满足堆的特征,不需要上浮翻转,但在移除堆的过程中最尾部元素需要放在根节点,这个时候导致不满足堆的特征,需要下沉翻转。因此,在最好情况下,时间复杂度仍然是:
O(nlog)。
因此,最大堆从构建到移除,总的平均时间复杂度是:
O(nlogn)。
1.5. 最大堆实现
// 一个最大堆,一颗完全二叉树 // 最大堆要求节点元素都不小于其左右孩子 type Heap struct { // 堆的大小 Size int // 使用内部的数组来模拟树 // 一个节点下标为 i,那么父亲节点的下标为 (i-1)/2 // 一个节点下标为 i,那么左儿子的下标为 2i+1,右儿子下标为 2i+2 Array []int } // 初始化一个堆 func NewHeap(array []int) *Heap { h := new(Heap) h.Array = array return h } // 最大堆插入元素 func (h *Heap) Push(x int) { // 堆没有元素时,使元素成为顶点后退出 if h.Size == 0 { h.Array[0] = x h.Size++ return } // i 是要插入节点的下标 i := h.Size // 如果下标存在 // 将小的值 x 一直上浮 for i > 0 { // parent为该元素父亲节点的下标 parent := (i - 1) / 2 // 如果插入的值小于等于父亲节点,那么可以直接退出循环,因为父亲仍然是最大的 if x <= h.Array[parent] { break } // 否则将父亲节点与该节点互换,然后向上翻转,将最大的元素一直往上推 h.Array[i] = h.Array[parent] i = parent } // 将该值 x 放在不会再翻转的位置 h.Array[i] = x // 堆数量加一 h.Size++ } // 最大堆移除根节点元素,也就是最大的元素 func (h *Heap) Pop() int { // 没有元素,返回-1 if h.Size == 0 { return -1 } // 取出根节点 ret := h.Array[0] // 因为根节点要被删除了,将最后一个节点放到根节点的位置上 h.Size-- x := h.Array[h.Size] // 将最后一个元素的值先拿出来 h.Array[h.Size] = ret // 将移除的元素放在最后一个元素的位置上 // 对根节点进行向下翻转,小的值 x 一直下沉,维持最大堆的特征 i := 0 for { // a,b为下标 i 左右两个子节点的下标 a := 2*i + 1 b := 2*i + 2 // 左儿子下标超出了,表示没有左子树,那么右子树也没有,直接返回 if a >= h.Size { break } // 有右子树,拿到两个子节点中较大节点的下标 if b < h.Size && h.Array[b] > h.Array[a] { a = b } // 父亲节点的值都大于或等于两个儿子较大的那个,不需要向下继续翻转了,返回 if x >= h.Array[a] { break } // 将较大的儿子与父亲交换,维持这个最大堆的特征 h.Array[i] = h.Array[a] // 继续往下操作 i = a } // 将最后一个元素的值 x 放在不会再翻转的位置 h.Array[i] = x return ret }
以上为最大堆的实现。
三、普通堆排序
根据最大堆,堆顶元素一直是最大的元素特征,可以实现堆排序。
先构建一个最小堆,然后依次把根节点元素
pop出即可:
func main() { list := []int{5, 9, 1, 6, 8, 14, 6, 49, 25, 4, 6, 3} // 构建最大堆 h := NewHeap(list) for _, v := range list { h.Push(v) } // 将堆元素移除 for range list { h.Pop() } // 打印排序后的值 fmt.Println(list) }
输出:
1 3 4 5 6 6 6 8 9 14 25 49
根据以上最大堆的时间复杂度分析,从堆构建到移除最坏和最好的时间复杂度:
O(nlogn),这也是堆排序的最好和最坏的时间复杂度。
这样实现的堆排序是普通的堆排序,性能不是最优的。
因为一开始会认为堆是空的,每次添加元素都需要添加到尾部,然后向上翻转,需要用
Heap.Size来记录堆的大小增长,这种堆构建,可以认为是非原地的构建,影响了效率。
美国籍计算机科学家
R. W. Floyd改进的原地自底向上的堆排序,不会从空堆开始,而是把待排序的数列当成一个混乱的最大堆,从底层逐层开始,对元素进行下沉操作,一直恢复最大堆的特征,直到根节点。
将构建堆的时间复杂度从
O(nlogn)降为
O(n),总的堆排序时间复杂度从
O(2nlogn)改进到
O(n+nlogn)。
三、自底向上堆排序
自底向上堆排序,仅仅将构建堆的时间复杂度从
O(nlogn)改进到
O(n),其他保持不变。
这种堆排序,不再每次都将元素添加到尾部,然后上浮翻转,而是在混乱堆的基础上,从底部向上逐层进行下沉操作,下沉操作比较的次数会减少。步骤如下:
- 先对最底部的所有非叶子节点进行下沉,即这些非叶子节点与它们的儿子节点比较,较大的儿子和父亲交换位置。
- 接着从次二层开始的非叶子节点重复这个操作,直到到达根节点最大堆就构建好了。
从底部开始,向上推进,所以这种堆排序又叫自底向上的堆排序。
为什么自底向上构建堆的时间复杂度是:
O(n)。证明如下:
第
k层的非叶子节点的数量为
n/2^k,每一个非叶子节点下沉的最大次数为其子孙的层数:
k,而树的层数为
logn层,那么总的翻转次数计算如下:
因为如下的公式是成立的:
所以翻转的次数计算结果为:
2n次。也就是构建堆的时间复杂度为:
O(n)。
我们用非递归的形式来实现,非递归相对容易理解:
package main import "fmt" // 先自底向上构建最大堆,再移除堆元素实现堆排序 func HeapSort(array []int) { // 堆的元素数量 count := len(array) // 最底层的叶子节点下标,该节点位置不定,但是该叶子节点右边的节点都是叶子节点 start := count/2 + 1 // 最后的元素下标 end := count - 1 // 从最底层开始,逐一对节点进行下沉 for start >= 0 { sift(array, start, count) start-- // 表示左偏移一个节点,如果该层没有节点了,那么表示到了上一层的最右边 } // 下沉结束了,现在要来排序了 // 元素大于2个的最大堆才可以移除 for end > 0 { // 将堆顶元素与堆尾元素互换,表示移除最大堆元素 array[end], array[0] = array[0], array[end] // 对堆顶进行下沉操作 sift(array, 0, end) // 一直移除堆顶元素 end-- } } // 下沉操作,需要下沉的元素时 array[start],参数 count 只要用来判断是否到底堆底,使得下沉结束 func sift(array []int, start, count int) { // 父亲节点 root := start // 左儿子 child := root*2 + 1 // 如果有下一代 for child < count { // 右儿子比左儿子大,那么要翻转的儿子改为右儿子 if count-child > 1 && array[child] < array[child+1] { child++ } // 父亲节点比儿子小,那么将父亲和儿子位置交换 if array[root] < array[child] { array[root], array[child] = array[child], array[root] // 继续往下沉 root = child child = root*2 + 1 } else { return } } } func main() { list := []int{5, 9, 1, 6, 8, 14, 6, 49, 25, 4, 6, 3} HeapSort(list) // 打印排序后的值 fmt.Println(list) }
输出:
[1 3 4 5 6 6 6 8 9 14 25 49]
系列文章入口
我是陈星星,欢迎阅读我亲自写的 数据结构和算法(Golang实现),文章首发于 阅读更友好的GitBook。
- 数据结构和算法(Golang实现)(1)简单入门Golang-前言
- 数据结构和算法(Golang实现)(2)简单入门Golang-包、变量和函数
- 数据结构和算法(Golang实现)(3)简单入门Golang-流程控制语句
- 数据结构和算法(Golang实现)(4)简单入门Golang-结构体和方法
- 数据结构和算法(Golang实现)(5)简单入门Golang-接口
- 数据结构和算法(Golang实现)(6)简单入门Golang-并发、协程和信道
- 数据结构和算法(Golang实现)(7)简单入门Golang-标准库
- 数据结构和算法(Golang实现)(8.1)基础知识-前言
- 数据结构和算法(Golang实现)(8.2)基础知识-分治法和递归
- 数据结构和算法(Golang实现)(9)基础知识-算法复杂度及渐进符号
- 数据结构和算法(Golang实现)(10)基础知识-算法复杂度主方法
- 数据结构和算法(Golang实现)(11)常见数据结构-前言
- 数据结构和算法(Golang实现)(12)常见数据结构-链表
- 数据结构和算法(Golang实现)(13)常见数据结构-可变长数组
- 数据结构和算法(Golang实现)(14)常见数据结构-栈和队列
- 数据结构和算法(Golang实现)(15)常见数据结构-列表
- 数据结构和算法(Golang实现)(16)常见数据结构-字典
- 数据结构和算法(Golang实现)(17)常见数据结构-树
- 数据结构和算法(Golang实现)(18)排序算法-前言
- 数据结构和算法(Golang实现)(19)排序算法-冒泡排序
- 数据结构和算法(Golang实现)(20)排序算法-选择排序
- 数据结构和算法(Golang实现)(21)排序算法-插入排序
- 数据结构和算法(Golang实现)(22)排序算法-希尔排序
- 数据结构和算法(Golang实现)(23)排序算法-归并排序
- 数据结构和算法(Golang实现)(24)排序算法-优先队列及堆排序
- 数据结构和算法(Golang实现)(25)排序算法-快速排序
- 数据结构和算法(Golang实现)(26)查找算法-哈希表
- 数据结构和算法(Golang实现)(27)查找算法-二叉查找树
- 数据结构和算法(Golang实现)(28)查找算法-AVL树
- 数据结构和算法(Golang实现)(29)查找算法-2-3树和左倾红黑树
- 数据结构和算法(Golang实现)(30)查找算法-2-3-4树和普通红黑树
- 堆 堆排序 优先队列 图文详解(Golang实现)
- 堆 堆排序 优先队列 图文详解(Golang实现)
- 排序算法(3)—优先队列,堆排序
- 算法设计之,堆,堆排序,基于最大堆的最大优先队列的实现(C++实现)
- 数据结构和算法(Golang实现)(25)排序算法-快速排序
- 排序算法中的堆排序(四)--优先队列
- golang实现常用排序算法 --- 快速排序、堆排序等
- 堆排序实现优先队列
- 优先队列(二叉堆实现) + 堆排序
- 最小堆得实现;优先队列的堆实现;堆排序的时间复杂度nlgn;
- 用java实现一个基于堆排序的优先队列
- 排序算法3-堆排序与优先队列
- 优先队列 之 堆排序实现(堆排序思想)
- 排序算法之——优先队列经典实现(基于二叉堆)
- 基于二叉堆实现的优先队列和堆排序
- 堆排序实现优先队列(Priority queue)
- 二叉堆,堆排序,STL优先队列的底层实现,剑指offer数据流中的中位数
- 排序算法(四):优先队列、二叉堆以及堆排序
- 算法基础:排序(四)——二叉堆、优先队列、堆排序——Python实现
- 堆的实现、堆排序、优先队列