数据结构--堆的实现(上)
1，堆是什么？
堆的逻辑结构是一颗完全二叉树，但物理结构是顺序表(一维数组)。同时，此处的堆不要与JAVA内存分配中的堆内存混淆。这里讨论的是数据结构中的堆。
参考：计算机中的堆是什么？
2，数组实现堆的优势及特点
由于堆从逻辑上看是一颗完全二叉树，因此可以按照层序遍历的顺序将元素放入一维数组中。注意为了方便，数组的元素存放从索引 1 处开始（不是0）。采用数组来存放就很容易地找到某个结点 i 的双亲结点(i/2)，孩子结点(左孩子：2i，右孩子：2i+1)
3，基于数组的堆的实现需要哪些结构？
private T[] heap;//用来存储堆元素的数组 private int lastIndex;//最后一个元素的索引
private static final int DEFAULT_INITIAL_CAPACITY = 25;
首先需要一个一维数组heap来保存堆中的元素；其次，需要lastIndex标记堆中最后一个元素的索引，这样也知道了堆中存放了多少个元素；最后，需要一个final静态变量定义默认构造堆的大小。
4，JAVA中基于一维数组的堆的实现具体代码分析
①创建堆，假设有N个元素，需要将这N个元素构建大顶堆，有两种方法来创建堆。一种是通过add()方法，另一种是通过reheap()方法。现在分别讨论如下：
对于add方法：当要向堆中添加新元素时，调用该方法完成添加元素的操作。那么对这N个元素逐一调用add方法，就可以将这N个元素构造成大顶堆，此时的时间复杂度为O(nlogn)。add方法的代码如下：
public void add(T newEntry) { lastIndex++; if(lastIndex >= heap.length) doubleArray();//若堆空间不足，则堆大小加倍 int newIndex = lastIndex;//从最后一个元素开始逐渐向上与父结点比较 int parentIndex = newIndex / 2; heap[0] = newEntry;//哨兵 while(newEntry.compareTo(heap[parentIndex]) > 0){ heap[newIndex] = heap[parentIndex]; newIndex = parentIndex; parentIndex = newIndex / 2; } heap[newIndex] = newEntry; }
假设树中有n个元素，则完全二叉树高为logn，调用add方法的时间复杂度为O(logn)。向堆中插入新元素的具体操作如下：首先将元素数组的最后一个位置，然后从该位置起向上调整，直至到根结点为止。
如图，当插入新的红色结点时，首先将它放在堆的末尾，然后进行再次堆调整(红色箭头所指)。
对于使用reheap方法来创建堆：N个元素逻辑上组成一颗完全二叉树，从它的最后一个非叶子结点开始，逐渐向前调整，直至调整到根结点。对于每个被调整的结点，将以该结点为根的子树调整成一个(子)堆。假设有8个元素的数组，将将会从第4个元素起，开始进行堆调整(调用reheap方法)，直至调整到第 1 个元素为止。该方法建堆的时间复杂度为O(n)
reheap方法的代码如下：
/* * @Task:将树根为rootIndex的半堆调整为新的堆，半堆：树的左右子树都是堆 * @param rootIndex 以rootIndex为根的子树 */ private void reheap(int rootIndex){ boolean done = false;//标记堆调整是否完成 T orphan = heap[rootIndex]; int largeChildIndex = 2 * rootIndex;//默认左孩子的值较大 //堆调整基于以largeChildIndex为根的子树进行 while(!done && (largeChildIndex <= lastIndex)){ //largeChildIndex 标记rootIndex的左右孩子中较大的孩子 int leftChildIndex = largeChildIndex;//默认左孩子的值较大 int rightChildIndex = leftChildIndex + 1; //右孩子也存在,比较左右孩子 if(rightChildIndex <= lastIndex && (heap[largeChildIndex].compareTo(heap[rightChildIndex] )< 0)) largeChildIndex = rightChildIndex; // System.out.println(heap[largeChildIndex]);//这里有问题。。使用构造函数创建时reheap。。。。。 if(orphan.compareTo(heap[largeChildIndex]) < 0){ heap[rootIndex] = heap[largeChildIndex]; rootIndex = largeChildIndex; largeChildIndex = 2 * rootIndex ;//总是默认左孩子的值较大 } else//以rootIndex为根的子树已经构成堆了 done = true; } heap[rootIndex] = orphan; }
第4个元素就是最后一个非叶子结点。（红色箭头表示需要进行堆调整的结点）
两种建堆方法的比较：
add方法合适于动态建堆，也就是说，来一个元素，调用add方法一次，再来一个元素，再调用add方法……直至构造了一个N个元素的堆。而对于reheap方法，它是先给定了N个元素，这N个元素表示成一颗完全二叉树的形式，然后从树的最后一个非叶子结点开始，依次往前调整，进而构造堆。
add方法的调整与reheap方法的调整是不相同的。add方法的整个调整过程如下：该元素被添加到了数组最后一个位置lastIndex，然后，lastIndex与 (lastIndex / 2) 比较……即它总是与它的双亲结点比较。这一个元素调整完后，再来下一个元素，同样先将它放到数组最后，再与它的双亲比较……调整的方向是自下而上的。
reheap方法的调整过程如下：如上图，第4号结点与它的孩子（第8号结点）比较，进行调整，使之满足堆的定义。再接着是第3号结点与它的两个孩子比较，进行调整。再接着是第2号结点与它的孩子比较（第4，5号结点），若有必要还得与第8号结点比较，……调整的方向是自上而下的。（上面已经提到，即 以从第4号结点开始，对该结点为根的子树进行调整，将该子树调整成一个堆）。
5，堆排序算法的实现
对于一个排序算法而言，首先得有一组可比较的数据拿来给你排序。故假设排序算法需要一个装有待排序数据的一维数组 arr。这里就有两种方法来实现排序：
❶：根据待排序的数据(一维数组 arr)创建一个堆，由于这里可以采用第二种建堆方法（reheap方法），故建堆的时间复杂度为O(n)；空间复杂度也为O(n)，因为创建的堆本质上是个一维数组，它就是由 n 个待排序数据组成的。
ArrayMaxHeap<Integer> heap = new ArrayMaxHeap<Integer>(arr);
然后，从 heap 中删除元素时，将删除的元素按顺序放回到数组arr中，直至将heap中的元素删除完毕后全部放回到数组arr中后，数组arr就变成了有序的了。（堆的性质保证了每次从堆中删除元素时总是删除堆中最大的元素（即最大堆的堆顶元素））。由于每次从堆中删除元素的时间复杂度为O(logn) ，故整个堆排序的时间复杂度为O(nlogn)、空间复杂度为O(n)。
❷： 第二种堆排序的实现方法如下：
还是根据给定的一维数组arr 通过反复调用reheap方法来创建堆。但是，是在arr上创建堆，而不是新开辟一个数组来创建堆。这样，使得整个排序过程的空间复杂度为O(1)
由于是直接在 数组arr 上创建堆，故堆创建的索引是从0开始，而不是从1开始了。
在arr数组上建堆后，arr数组中元素的顺序就是符合堆定义的顺序了（完全二叉树中父结点的值比孩子结点的值要大）且第一个元素为最大元素；因为第一个元素为堆顶元素。因此，可以把 数组arr 中的第一个元素与最后一个元素交换，这样 arr 的前 n-1 个元素就构成了一个半堆（树根的左右子树都是堆称为半堆），这样就可以进行reheap操作将前n-1个元素重新调整成堆。
下图就是一个半堆，根结点20的左右子树都是堆，但整个完全二叉树不是堆。
接着，又将第一个元素与倒数第二个元素交换，剩下的前n-2个元素构成了一个半堆，又进行reheap操作将之调整为堆……反复执行上述步骤即可将arr排序。
由于该方法是直接在arr上建堆并排序的。故空间复杂度为O(1)，而每次执行reheap方法的时间复杂度为O(logn)，共有n个元素，需要执行n次reheap，故整个堆排序的时间复杂度为O(nlogn)，空间复杂度为O(1)。
关于时间复杂度的分析 有个小问题：第一次reheap方法需要调整的半堆有n-1个元素，第二次reheap方法调整的半堆有n-2个元素……，也就是说，每次reheap所需要执行的调整次数是越来越少的。但总的时间复杂度还是O(nlogn)了。
整个堆实现的完整代码下载：堆的实现（可运行）--JAVA代码下载
