【堆内存】动态图+代码来轻松理解！！！
【堆内存】动态图+代码来轻松理解！！！
堆(heap)又被为优先队列(priority queue)。尽管名为优先队列，但堆并不是队列。 因为队列中允许的操作是先进先出（FIFO），在队尾插入元素，在队头取出元素。 而堆虽然在堆底插入元素，在堆顶取出元素，但是堆中元素的排列不是按照到来的先后顺序，而是按照一定的优先顺序排列的。
本文通过堆的实现、最小堆（最大堆）、堆的时间复杂度、优先队列的实现、堆排序来介绍「 堆 」。
堆的实现
堆的一个经典的实现是完全二叉树(complete binary tree)，这样实现的堆称为二叉堆(binary heap)。
这里来说明一下满二叉树的概念与完全二叉树的概念。
满二叉树：除了叶子节点，所有的节点的左右孩子都不为空，就是一棵满二叉树，如下图。
可以看出：满二叉树所有的节点都拥有左孩子，又拥有右孩子。
完全二叉树：不一定是一个满二叉树，但它不满的那部分一定在右下侧，如下图
堆的特性：
- 必须是完全二叉树
- 任一结点的值是其子树所有结点的最大值或最小值
- 最大值时，称为“最大堆”，也称大顶堆；
- 最小值时，称为“最小堆”，也称小顶堆。
堆的基础实现
只要谨记堆的定义特性，实现起来其实是很容易的。
- 特性1. 维持完全二叉树
- 特性2. 子类数字总是大于父类数字
public class MinHeap <E extends Comparable<E>> {
private Array<E> data;
public MinHeap(int capacity){
data = new Array<>(capacity);
}
public MinHeap(){
data = new Array<>();
}
// 返回堆中的元素个数
public int size(){
return data.getSize();
}
// 返回一个布尔值, 表示堆中是否为空
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亲节点的索引
private int parent(int index){
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节点的索引
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节点的索引
private int rightChild(int index){
return index * 2 + 2;
}
}
最小堆的插入（ADD）
假设现有元素 5 需要插入，为了维持完全二叉树的特性，新插入的元素一定是放在结点 6 的右子树；同时为了满足任一结点的值要小于左右子树的值这一特性，新插入的元素要和其父结点作比较，如果比父结点小，就要把父结点拉下来顶替当前结点的位置，自己则依次不断向上寻找，找到比自己大的父结点就拉下来，直到没有符合条件的值为止。
动画讲解：
- 在这里先将元素 5 插入到末尾，即放在结点 6 的右子树。
- 然后与父类比较， 6 > 5 ，父类数字大于子类数字，子类与父类交换。
- 重复此操作，直到不发生替换。
Show me the code：
添加一个辅助函数，用来交换传入的索引两个位置的元素值
/**
* 交换传入的索引两个位置的元素值
*
* @param i
* @param j
*/
public void swap(int i, int j) {
if (i < 0 || i >= size || j < 0 || j >= size)
throw new IllegalArgumentException("Index is illegal.");
E temp = data[i];
data[i] = data[j];
data[j] = temp;
}
数组中添加交换两元素位置的方法，注意下面代码中注释的描述特性位置。
/**
* 堆中添加元素方法。
*
* @param e
*/
public void add(E e) {
//特性1：新插入的元素首先放在数组最后，保持完全二叉树的特性
data.addLast(e);
siftUp(data.getSize() - 1);
}
/**
* index 为i位置元素上浮。
*
* @param i
*/
private void siftUp(int i) {
//特性2：比较插入值和其父结点的大小关系，小于父结点则用父结点替换当前值，index位置上升为父结点
// 当上浮元素大于父亲，继续上浮。并且不能上浮到0之上
// 直到i 等于 0 或 比 父亲节点小了。
while (i > 0 && data.get(i).compareTo(data.get(parent(i))) > 0) {
// 数组Array中添加方法swap
data.swap(i, parent(i));
i = parent(i); // 这句话让i来到新的位置，使得循环可以查看新的位置是否还要大。
}
}
最小堆的删除（DELETE）
核心点：将最后一个元素填充到堆顶，然后不断的下沉这个元素。
假设要从节点 1 ，也可以称为取出节点 1 ，为了维持完全二叉树的特性 ，我们将最后一个元素 6 去替代这个 1 ；然后比较 1 和其子树的大小关系，如果比左右子树大（如果存在的话），就要从左右子树中找一个较小的值替换它，而它能自己就要跑到对应子树的位置，再次循环这种操作，直到没有子树比它小。
通过这样的操作，堆依然是堆，总结一下：
- 找到要删除的节点（取出的节点）在数组中的位置
- 用数组中最后一个元素替代这个位置的元素
- 当前位置和其左右子树比较，保证符合最小堆的节点间规则
- 删除最后一个元素
Show me the code：
public E findMin() {
return data.get(0);
}
public E extractMin() {
E ret = findMin();
data.swap(0, data.getSize() - 1); // 0位置元素和最后一个元素互换。
data.removeLast(); // 删除此时的最后一个元素(最小值)
siftDown(0); // 对于0处进行siftDown操作
return ret;
}
/**
* k位置元素下移
*
* @param k
*/
private void siftDown(int k) {
while(leftChild(k) < data.getSize()){
int j = leftChild(k); // 在此轮循环中,data[k]和data[j]交换位置
if( j + 1 < data.getSize() &&
data.get(j + 1).compareTo(data.get(j)) < 0 )
j ++;
// data[j] 是 leftChild 和 rightChild 中的最小值
if(data.get(k).compareTo(data.get(j)) >= 0 )
break;
data.swap(k, j);
k = j;
}
}
时间复杂度
对于有 n 个节点的堆来说，其高度 d = log2n + 1。 根为第 0 层，则第 i 层结点个数为 2i，
考虑一个元素在堆中向下移动的距离。
- 大约一半的结点深度为 d-1 ，不移动(叶)。
- 四分之一的结点深度为 d-2 ，而它们至多能向下移动一层。
- 树中每向上一层，结点的数目为前一层的一半，而子树高度加一
堆有logn层深，所以插入删除的平均时间和最差时间都是O(logN)
优先队列（priority_queue）
普通队列是一种先进先出的数据结构，先放进队列的元素取值时优先被取出来。而优先队列是一种具有最高优先级元素先出的数据结构，比如每次取值都取最大的元素。
优先队列支持下面的操作：
- a. 找出优先级最高的元素(最大或最小元素)；
- b. 删除一个具有最高优先级的元素；
- c. 添加一个元素到集合中。
代码实现
public class PriorityQueue<E extends Comparable<E>> implements Queue<E> {
private MaxHeap<E> maxHeap;
public PriorityQueue(){
maxHeap = new MaxHeap<>();
}
@Override
public int getSize(){
return maxHeap.size();
}
@Override
public boolean isEmpty(){
return maxHeap.isEmpty();
}
@Override
public E getFront(){
return maxHeap.findMax();
}
@Override
public void enqueue(E e){
maxHeap.add(e);
}
@Override
public E dequeue(){
return maxHeap.extractMax();
}
}
堆排序
理解了优先队列，堆排序的逻辑十分简单。
第一步：让数组形成堆有序状态；
第二步：把堆顶的元素放到数组最末尾，末尾的放到堆顶，在剩下的元素中下沉到正确位置，重复操作即可。
堆排序动画