1、优先队列的底层实现可以使用最大堆进行实现,由于优先队列本身就是一个队列,所以可以复用队列的接口。
2、首先,将定义好的Queue接口,创建好,可以让优先队列实现该接口之后,实现这些接口的方法。
1 package com.queue;
2
3 /**
4 *
5 */
6 public interface Queue<E> {
7
8 /**
9 * 向队列中添加一个元素,入队。对应栈的入栈。
10 *
11 * @param e
12 */
13 public void enqueue(E e);
14
15 /**
16 * 从队列中取出一个元素,出队。对应栈的出栈。
17 *
18 * @return
19 */
20 public E dequeue();
21
22 /**
23 * 获取到队列中队首的元素。对应栈的查看栈顶的元素。
24 *
25 * @return
26 */
27 public E getFront();
28
29 /**
30 * 获取到队列的大小
31 *
32 * @return
33 */
34 public int getSize();
35
36 /**
37 * 判断队列是否为空
38 *
39 * @return
40 */
41 public boolean isEmpty();
42
43 }
3、由于优先队列可以使用很多底层的数据结构实现,这里使用的是最大堆这种数据结构。
1 package com.maxHeap;
2
3 import com.company.Array;
4
5 import java.util.Random;
6
7 /**
8 * 最大堆,由于规定了每个节点的值都要大于等于左右孩子节点的值,所以要具有可比较性
9 */
10 public class MaxHeap<E extends Comparable<E>> {
11
12 // 动态数组
13 public Array<E> data;
14
15 // ctrl + f12查看方法,变量等等
16 // fn + alt + insert 构造方法
17
18 /**
19 * 如果直到动态数组的大小,可以直接创建
20 *
21 * @param capacity
22 */
23 public MaxHeap(int capacity) {
24 data = new Array<>(capacity);
25 }
26
27
28 /**
29 * 传递的数组参数转换为堆的形状,放到data的数组中。
30 * <p>
31 * <p>
32 * Heapify的算法复杂度,将n个元素逐个插入到一个空堆中,算法复杂度是O(nlogn)级别的。
33 * <p>
34 * <p>
35 * 如果使用的是heapify的过程,算法复杂度是O(n)级别的。
36 *
37 * @param arr
38 */
39 public MaxHeap(E[] arr) {
40 // 首先拷贝一份用户传递的数组元素,放入到动态数组中。
41 // 根据传递的数组,生成一个新的动态数组
42 data = new Array<>(arr);
43 // 此时data已经存放了用户传递的arr数组元素的值
44
45 // 从最后一个非叶子节点开始向前依次遍历,进行元素的下沉
46 // 从最后一个非叶子节点开始,最后一个节点的索引的父亲节点的索引。
47 for (int k = this.parent(arr.length - 1); k >= 0; k--) {
48 this.siftDown(k);
49 }
50 }
51
52 /**
53 * 无参构造函数,如果不知道动态数组的大小,默认大小长度是10
54 */
55 public MaxHeap() {
56 data = new Array<>();
57 }
58
59 /**
60 * 返回堆中的元素个数
61 *
62 * @return
63 */
64 public int size() {
65 return data.getSize();
66 }
67
68 /**
69 * 返回一个布尔值,表示堆中是否为空
70 *
71 * @return
72 */
73 public boolean isEmpty() {
74 return data.isEmpty();
75 }
76
77 /**
78 * 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
79 *
80 * @param index
81 * @return
82 */
83 private int parent(int index) {
84 if (index == 0) {
85 throw new IllegalArgumentException("index-0 doesn't hava parent.");
86 }
87 return (index - 1) / 2;
88 }
89
90 /**
91 * 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。
92 *
93 * @param index
94 * @return
95 */
96 private int leftChild(int index) {
97 return index * 2 + 1;
98 }
99
100 /**
101 * 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。
102 *
103 * @param index
104 * @return
105 */
106 private int rightChild(int index) {
107 return index * 2 + 2;
108 }
109
110
111 /**
112 * 向堆中添加元素。时间复杂度是O(logn)
113 *
114 * @param e
115 */
116 public void add(E e) {
117 // 向动态数组中添加一个元素
118 data.addLast(e);
119
120 // 开始维护堆的性质
121 // 参数是,希望上浮的那个元素所对应的索引是多少,即最后一个元素的索引
122 siftUp(data.getSize() - 1);
123 }
124
125 /**
126 * 元素上浮过程
127 *
128 * @param k
129 */
130 private void siftUp(int k) {
131 // 首先,不能已经达到了根节点,所以k必须大于零的。
132 // 如果该节点的父亲节点小于当前节点就进行上浮操作
133 while (k > 0 && data.get(this.parent(k)).compareTo(data.get(k)) < 0) {
134 // 将当前节点所处的元素和父亲节点的元素进行比较
135 // 如果当前节点所处的元素大于父亲节点的元素的值,将它们进行交换,进行上浮的动作。
136 data.swap(k, this.parent(k));
137 // 此时,让该节点元素的父亲节点的索引赋值给当前元素,
138 // 下一轮循环的时候,可以看当前的k已经来到了新的位置,
139 // 对于新的位置,是不是依然不满足堆的性质,就是它在新的位置
140 // 上的父亲节点所在的元素还要大,还要大就进行交换,依次类推。
141 // 直到走到了索引为0或者该节点小于父亲节点的元素。
142 k = parent(k);
143 }
144 }
145
146 /**
147 * 看堆中的最大元素
148 *
149 * @return
150 */
151 public E findMax() {
152 if (data.getSize() == 0) {
153 throw new IllegalArgumentException("Can not findMax when heap is empty.");
154 }
155 return data.get(0);
156 }
157
158 /**
159 * 取出堆中最大元素。时间复杂度是O(logn)
160 *
161 * @return
162 */
163 public E extractMax() {
164 // 首先,保存堆中的最大元素,暂存最大元素
165 E ret = this.findMax();
166 // 将堆顶元素和最后一个元素交换位置
167 data.swap(0, data.getSize() - 1);
168 // 交换完位置之后,此时已经将堆顶的元素放到数组的末尾了,数组末尾元素放在了堆顶位置
169
170 // 删除最大元素,删除处于数组末尾的堆顶元素
171 data.removeLast();
172
173 // 开始进行元素的下沉,参数是索引位置为0
174 siftDown(0);
175
176 // 将最大元素返回,然后将最大元素从堆中删除
177 return ret;
178 }
179
180 /**
181 * @param k 索引K
182 */
183 private void siftDown(int k) {
184 // 循环遍历,什么时候结束呢,
185 // 最极端的情况,k这个位置所处的节点,已经没有孩子了,当下沉到叶子节点的时候就结束了,
186 // 即,如果对于k这个节点的左孩子所在的索引小于数组的长度的时候,
187 // 此时k的左孩子都已经越界了,肯定一个孩子都没有了,此时右孩子的索引比左孩子的索引大。
188 // 循环的意思是,如果左孩子小于数组长度,就一直循环,否则就终止循环。
189 while (leftChild(k) < data.getSize()) {
190 // 比较k这个节点和k的左右孩子中最大的那个节点,看看k和这个最大的节点到底那个比较大,
191 // 先找到k左右孩子中最大的节点。
192 // 左孩子肯定是存在的,因为leftChild(k)小于数组的长度。
193 int j = this.leftChild(k);
194 // 但是右孩子不一定存在,所以此时进行判断,j + 1就是k的右孩子所在的索引,
195 // 如果K的右孩子小于数组的长度,说明有右孩子。
196 // 如果k的右孩子大于k的左孩子
197 if (j + 1 < data.getSize() && data.get(j + 1).compareTo(data.get(j)) > 0) {
198 // data[j]是leftChild和rightChild中的最大值
199 // j自增。此时j存储的是右孩子所对应的索引了。
200 // j++;
201 j = rightChild(k);
202 // 如果k没有右孩子,或者k的左孩子大于右孩子,那么j存储的就是左孩子所对应的索引。
203 }
204
205
206 // 此时,将k节点和左右孩子最大的节点进行比较,如果发现了就终止本次循环。
207 // 因为此时,父亲节点的值大于左右孩子的值了,下沉操作结束了。
208 if (data.get(k).compareTo(data.get(j)) >= 0) {
209 break;
210 }
211
212 // 否则,就开始交换k这个索引位置和j这个索引位置的值。
213 data.swap(k, j);
214 // 交换结束之后,将j的赋值给k。进行下一轮循环,对于新的一轮k来说,是否需要继续下沉。
215 k = j;
216 }
217
218 }
219
220
221 /**
222 * 取出堆中的最大元素,并且替换成元素e。
223 * <p>
224 * <p>
225 * Replace是取出最大元素后,放入一个新元素。此时,堆中元素的总数未发生改变,
226 * 此时可以使用这样方法来实现,首先可以先extractMax,然后再add操作,
227 * 两次O(logn)的操作。但是呢,可以直接将堆顶元素替换以后Sift Down(元素进行下沉操作),
228 * 这样的话是一次O(logn)的操作。
229 *
230 * @param e
231 * @return
232 */
233 public E replace(E e) {
234 // 取出最大元素的值
235 E ret = findMax();
236 // 此时,将0索引位置的元素替换成e
237 data.set(0, e);
238 // 然后使用下沉元素,使得根节点元素符合堆的性质
239 siftDown(0);
240
241 // 将最大元素的值返回
242 return ret;
243 }
244
245
246 /**
247 * 对使用heapify或者不使用的时候进行性能测试
248 * <p>
249 * 使用heapify的方式进行元素添加,或者自己将元素添加到空堆中。
250 *
251 * @param data
252 * @param isHeapify 是否使用heapify
253 * @return
254 */
255 private static double performanceTesting(Integer[] data, boolean isHeapify) {
256 // 创建一个变量存储开始时间
257 long startTime = System.nanoTime();
258
259 // 创建一个变量
260 MaxHeap<Integer> maxHeap;
261 // 判断是否使用heapify
262 if (isHeapify) {
263 // true是使用heapify,此时将数组传入到构造函数中就实现了使用heapify方法
264 maxHeap = new MaxHeap<>(data);
265 } else {
266 // 创建一个maxHeap对象
267 maxHeap = new MaxHeap<>();
268 // 循环遍历,将所有的元素值都新增到堆中
269 for (int i = 0; i < data.length; i++) {
270 maxHeap.add(data[i]);
271 }
272 }
273
274 // 验证堆的正确性
275 // 创建一个一百万长度的数组arr
276 int[] arr = new int[data.length];
277 // 取出最大元素。此时是循环一百万次,是对堆进行了一遍排序,从大到小进行排序的。
278 for (int i = 0; i < data.length; i++) {
279 // 将堆中最大的元素依次放入到数组中
280 arr[i] = maxHeap.extractMax();
281 }
282
283 // 循环判断,如果下一个元素的值小于这个元素,就抛出异常
284 // 即前一个数小于后一个数,此时不是降序的序列了。
285 for (int i = 1; i < data.length; i++) {
286 if (arr[i - 1] < arr[i]) {
287 throw new IllegalArgumentException("Error");
288 }
289 }
290
291 // 如果是降序数组,此时正常执行这句话
292 System.out.println("Test MaxHeap completed.");
293
294 // 创建一个变量存储结束时间
295 long endTime = System.nanoTime();
296 // 将纳秒转换为秒返回即可
297 return (endTime - startTime) / 1000000000.0;
298 }
299
300
301 public static void main(String[] args) {
302 // // 初始化一百万
303 // int n = 1000000;
304 // // 初始化堆
305 // MaxHeap<Integer> maxHeap = new MaxHeap<>();
306 // // 创建一个随机对象
307 // Random random = new Random();
308 // // 将一百万个随机数扔到堆中
309 // for (int i = 0; i < n; i++) {
310 // // 0-到Integet最大值
311 // maxHeap.add(random.nextInt(Integer.MAX_VALUE));
312 // }
313 //
314 // // 创建一个一百万长度的数组arr
315 // int[] arr = new int[n];
316 // // 取出最大元素。此时是循环一百万次,是对堆进行了一遍排序,从大到小进行排序的。
317 // for (int i = 0; i < n; i++) {
318 // // 将堆中最大的元素依次放入到数组中
319 // arr[i] = maxHeap.extractMax();
320 // }
321 //
322 // // 循环判断,如果下一个元素的值小于这个元素,就抛出异常
323 // // 即前一个数小于后一个数,此时不是降序的序列了。
324 // for (int i = 1; i < n; i++) {
325 // if (arr[i - 1] < arr[i]) {
326 // throw new IllegalArgumentException("Error");
327 // }
328 // }
329 //
330 // System.out.println("Test MaxHeap completed.");
331
332
333 // 初始化一百万
334 int n = 1000000;
335 // 初始化数组
336 Integer[] data = new Integer[n];
337 // 创建一个随机对象
338 Random random = new Random();
339 // 将一百万个随机数扔到堆中
340 for (int i = 0; i < n; i++) {
341 // 0-到Integet最大值
342 data[i] = random.nextInt(Integer.MAX_VALUE);
343 }
344
345 // 第一次使用的是一个一个元素新增到堆中
346 double time1 = MaxHeap.performanceTesting(data, false);
347 System.out.println("Without heapify time1 : " + time1);
348
349 // 第二次使用heapify的方式将元素添加到堆中
350 double time2 = MaxHeap.performanceTesting(data, true);
351 System.out.println("with heapify time2 : " + time2);
352
353 }
354
355 }
4、优先队列的实现代码,如下所示:
1 package com.queue;
2
3 import com.maxHeap.MaxHeap;
4
5 /**
6 * 优先队列的底层实现可以使用最大堆进行实现,
7 * 由于优先队列本身就是一个队列,所以可以复用队列的接口。
8 *
9 * @param <E> 由于优先队列要具有可比较性,所以要进行继承Comparable
10 */
11 public class PriorityQueue<E extends Comparable<E>> implements Queue<E> {
12
13 // 使用最大堆实现优先队列
14 private MaxHeap<E> maxHeap;
15
16 /**
17 * 无参构造函数,直接创建一个MaxHeap即可
18 */
19 public PriorityQueue() {
20 maxHeap = new MaxHeap<>();
21 }
22
23 @Override
24 public void enqueue(E e) {
25 // 入队操作,直接调用最大堆的add方法
26 maxHeap.add(e);
27 }
28
29 @Override
30 public E dequeue() {
31 // 出队操作,将最大元素提取出来
32 return maxHeap.extractMax();
33 }
34
35 @Override
36 public E getFront() {
37 // 查看队首的元素是谁
38 // 其实对应的是最大堆对应的堆顶的元素
39 E maxHeapMax = maxHeap.findMax();
40 // 获取到队列中队首的元素。对应栈的查看栈顶的元素。
41 return maxHeapMax;
42 }
43
44 @Override
45 public int getSize() {
46 // 直接返回最大堆中的大小
47 return maxHeap.size();
48 }
49
50 @Override
51 public boolean isEmpty() {
52 // 直接返回最大堆中的是否为空
53 return maxHeap.isEmpty();
54 }
55
56
57 public static void main(String[] args) {
58 PriorityQueue<Integer> priorityQueue = new PriorityQueue<>();
59 // 优先队列入队操作
60 for (int i = 0; i < 1000; i++) {
61 priorityQueue.enqueue(i);
62 }
63
64
65 // 优先队列出队操作
66 for (int i = 0; i < 1000; i++) {
67 if (i % 30 == 0) {
68 System.out.println();
69 }
70 System.out.print(priorityQueue.dequeue() + " ");
71 }
72
73
74 }
75
76 }