Java数据结构与算法
前言:
该博客是根据Java -韩顺平 图解Java 数据结构 和 算法-尚硅谷学习时,所做的笔记
一、稀疏数组和队列
1、稀疏数组
基本功能
当一个数组中大部分元素为0,或者为同一个值的数组时,可以使用稀疏数组来保存该数组。
处理方法
- 记录数组一共有几行几列,有多少个不同的值
- 把具有不同值的元素的行列及值记录在一个小规模的数组中,从而缩小程序的规模
如图,把一个6X7的二维数组变为了一个9X3的稀疏数组。其中
- 第一行保存的是原二维数组的行、列以及非0值的个数
- 第二到九行保存的是每个非0值所在的位置及其数值
转换思路
二维数组转稀疏数组
- 遍历二维数组,得到二维数组中有效值的个数sum
- 创建稀疏数组,有sum+1行,3列(固定)
- 将二维数组中的有效值存入稀疏数组中
稀疏数组转二维数组
- 先读取稀疏数组的第一行(保存二维数组的行列信息),还原二维数组
- 读取稀疏数组的其他行,将值赋给二维数组的对应位置上的数
代码
public class Demo2 {
public static void main(String[] args) {
//创建一个二维数组
int[][] arr1 = new int[11][11];
//向二维数组里放值
arr1[1][2] = 1;
arr1[2][3] = 2;
arr1[3][4] = 3;
//打印二维数组
System.out.println("遍历二维数组");
for (int i = 0; i < arr1.length; i++) {
for (int j = 0; j < arr1[0].length; j++) {
System.out.print(arr1[i][j] + " ");
}
System.out.println();
}
//二位数组----->稀疏数组
//遍历二维数组中有效值的个数,用sum来记录
int sum = 0;
for (int i = 0; i < arr1.length; i++) {
for (int j = 0; j < arr1[0].length; j++) {
if (arr1[i][j] != 0) {
//二维数组中元素不为0即为有效值
sum++;
}
}
}
//创建稀疏数组
//行数为sum+1,第一行用于保存二维数组的行列及有效值个数,列数固定为3
int[][] sparseArr = new int[sum + 1][3];
//存入二维数组的行列及有效值个数
sparseArr[0][0] = arr1.length;
sparseArr[0][1] = arr1[0].length;
sparseArr[0][2] = sum;
//再次遍历二维数组,将有效值存入稀疏数组
//用于保存稀疏数组的行数
int count = 1;
for (int i = 0; i < arr1.length; i++) {
for (int j = 0; j < arr1[0].length; j++) {
if (arr1[i][j] != 0) {
//将值存入稀疏数组
sparseArr[count][0] = i;
sparseArr[count][1] = j;
sparseArr[count][2] = arr1[i][j];
count++;
}
}
}
//打印稀疏数组
System.out.println("遍历稀疏数组");
for (int i = 0; i < sparseArr.length; i++) {
for (int j = 0; j < sparseArr[0].length; j++) {
System.out.print(sparseArr[i][j] + " ");
}
System.out.println();
}
//稀疏数组------>二维数组
//先得到二位数组的行列数
int row = sparseArr[0][0];
int col = sparseArr[0][1];
int[][] arr2 = new int[row][col];
//遍历稀疏数组,同时给二维数组赋值
for (int i = 1; i < sparseArr.length; i++) {
row = sparseArr[i][0];
col = sparseArr[i][1];
//该位置上对应的值
int val = sparseArr[i][2];
arr2[row][col] = val;
}
//打印二维数组
System.out.println("遍历还原后的二维数组");
for (int i = 0; i < arr2.length; i++) {
for (int j = 0; j < arr2[0].length; j++) {
System.out.print(arr2[i][j] + " ");
}
System.out.println();
}
}
}
运行结果
遍历二维数组
0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0
0 0 0 2 0 0 0 0 0 0 0
0 0 0 0 3 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
遍历稀疏数组
11 11 3
1 2 1
2 3 2
3 4 3
遍历还原后的二维数组
0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0
0 0 0 2 0 0 0 0 0 0 0
0 0 0 0 3 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
2、队列
定义
- 队列是一个有序列表,可以用数组或是链表来实现。
- 遵循先入先出的原则。即:先存入队列的数据,要先取出。后存入的要后取出
模拟思路
- 队列本身是有序列表,若使用数组的结构来存储队列的数据,则队列数组的声明如下图, 其中 maxSize 是该队列的最大容量
- 因为队列的输出、输入是分别从前后端来处理,因此需要两个变量 front及 rear分别记录队列前后端的下标,front 会随着数据输出而改变,而 rear则是随着数据输入而改变,如图所示
入队出队操作模拟
当我们将数据存入队列时称为”addQueue”,addQueue 的处理需要有两个步骤:
- 将尾指针往后移:rear+1 , 当 front == rear 时,队列为空
- 若尾指针 rear 小于队列的最大下标 maxSize-1,则将数据存入 rear所指的数组元素中,否则无法存入数据。rear == maxSize - 1时,队列满
注意:front指向的是队列首元素的前一个位置
实现代码
public class Demo3 {
public static void main(String[] args) {
ArrayQueue queue = new ArrayQueue(5);
queue.addNum(1);
queue.addNum(2);
queue.addNum(3);
queue.addNum(4);
queue.addNum(5);
System.out.println(queue.getNum());
queue.showQueue();
}
}
class ArrayQueue {
//队列的大小
int maxSize;
//用数组来实现队列
int[] arr;
//指向队列首元素的前一个位置
int front;
//指向队列的尾元素
int rear;
public ArrayQueue(int maxSize) {
this.maxSize = maxSize;
arr = new int[this.maxSize];
//front指向队列首元素的前一个位置
front = -1;
rear = -1;
}
public boolean isFull() {
return rear == maxSize - 1;
}
public boolean isEmpty() {
return front == rear;
}
public void addNum(int num) {
if(isFull()) {
System.out.println("队列已满,无法在进行入队操作");
return;
}
//队尾标记后移,指向要放入的元素的位置
rear++;
arr[rear] = num;
}
public int getNum() {
if(isEmpty()) {
throw new RuntimeException("队列为空,无法出队");
}
//队首标记后移,指向队首元素
System.out.print("出队元素是:");
front++;
return arr[front];
}
public void showQueue() {
if(isEmpty()) {
throw new RuntimeException("队列为空,无法遍历");
}
System.out.println("遍历队列");
//从front+1开始读取元素
for(int start = front+1; start<=rear; start++) {
System.out.println(arr[start]);
}
}
}
运行结果
出队元素是:1
遍历队列
2
3
4
5
环形队列
思路:
- front变量指向队首元素,初值为0
- rear变量指向队尾元素的下一个元素,初值为0。规定空出一个位置
- 队列为空的判定条件:front == rear
- 队列为满的判定条件:(rear + 1) % maxSize == front
- 队列中有效元素的个数:(rear - front + maxSize) % maxSize
- 入队和出队时,都需要让标记对maxSize取模
代码
public class Demo4 {
public static void main(String[] args) {
ArrayAroundQueue aroundQueue = new ArrayAroundQueue(5);
aroundQueue.addNum(1);
aroundQueue.addNum(2);
aroundQueue.addNum(3);
aroundQueue.addNum(4);
aroundQueue.showQueue();
System.out.println(aroundQueue.getNum());
System.out.println(aroundQueue.getNum());
aroundQueue.addNum(5);
aroundQueue.addNum(6);
aroundQueue.showQueue();
aroundQueue.getHead();
}
}
class ArrayAroundQueue {
//队列的大小
int maxSize;
//用数组来实现队列
int[] arr;
//指向队列首元素的前一个位置
int front;
//指向队列的尾元素
int rear;
public ArrayAroundQueue(int maxSize) {
this.maxSize = maxSize;
arr = new int[this.maxSize];
//front指向队列首元素的前一个位置
front = 0;
rear = 0;
}
public boolean isFull() {
return (rear+1)%maxSize == front;
}
public boolean isEmpty() {
return front == rear;
}
public void addNum(int num) {
if(isFull()) {
System.out.println("队列已满,无法在进行入队操作");
return;
}
//先放入元素,在后移队尾标记
arr[rear] = num;
rear = (rear+1)%maxSize;
}
public int getNum() {
if(isEmpty()) {
throw new RuntimeException("队列为空,无法出队");
}
//队首标记后移,指向队首元素
System.out.print("出队元素是:");
int num = arr[front];
front = (front+1)%maxSize;
return num;
}
public void showQueue() {
if(isEmpty()) {
throw new RuntimeException("队列为空,无法遍历");
}
System.out.println("遍历队列");
//当front + 1 == rear时停止遍历
int start = front;
while(start != rear) {
System.out.println(arr[start]);
//移动到下一个元素
start = (start+1)%maxSize;
}
}
public void getHead() {
if(isEmpty()) {
throw new RuntimeException("队列为空");
}
System.out.println("队首元素为:"+arr[front]);
}
}
运行结果
遍历队列
1
2
3
4
出队元素是:1
出队元素是:2
遍历队列
3
4
5
6
队首元素为:3
二、链表
1、单向链表
链表的介绍
链表在内存中的存储
特点
- 链表是以节点的方式来存储,是链式存储
- 每个节点包含 data 域 和 next 域。next域用来指向下一个节点
- 链表的各个节点不一定是连续存储的
- 链表分带头节点的链表和没有头节点的链表,根据实际的需求来确定
带头结点的逻辑示意图
实现思路
创建(添加)
- 先创建一个Head头节点,表示单链表的头
- 后面我们每添加一个节点,就放在链表的最后
遍历
- 通过一个辅助变量,来遍历整个链表
有序插入
- 先遍历链表,找到应该插入的位置
- 要插入的节点的next指向插入位置的后一个节点
- 插入位置的前一个节点的next指向要插入节点
- 插入前要判断是否在队尾插入
根据某个属性节点修改值
- 先遍历节点,找到修改的位置
- 如果未找到修改节点,则不修改
删除某个节点
- 先遍历节点,找到要删除节点的前一个节点
- 进行删除操作
求倒数第n个节点的信息
- 遍历链表,求出链表的有效长度length(不算头结点)
- 遍历链表到第length-n的节点
翻转链表
-
创建一个新的头结点,作为新链表的头
-
从头遍历旧链表,将遍历到的节点插入新链表的头结点之后
-
注意需要用到
两个暂存节点
- 一个用来保存正在遍历的节点
- 一个用来保存正在遍历节点的下一个节点
逆序打印
- 遍历链表,将遍历到的节点入栈
- 遍历完后,进行出栈操作,同时打印出栈元素
代码
public class Demo1 {
public static void main(String[] args) {
LinkedList linkedList = new LinkedList();
linkedList.traverseNode();
System.out.println();
//创建学生节点,并插入链表
StudentNode student1 = new StudentNode(1, "Nyima");
StudentNode student3 = new StudentNode(3, "Lulu");
linkedList.addNode(student1);
linkedList.addNode(student3);
linkedList.traverseNode();
System.out.println();
//按id大小插入
System.out.println("有序插入");
StudentNode student2 = new StudentNode(0, "Wenwen");
linkedList.addByOrder(student2);
linkedList.traverseNode();
System.out.println();
//按id修改学生信息
System.out.println("修改学生信息");
student2 = new StudentNode(1, "Hulu");
linkedList.changeNode(student2);
linkedList.traverseNode();
System.out.println();
//根据id删除学生信息
System.out.println("删除学生信息");
student2 = new StudentNode(1, "Hulu");
linkedList.deleteNode(student2);
linkedList.traverseNode();
System.out.println();
//获得倒数第几个节点
System.out.println("获得倒数节点");
System.out.println(linkedList.getStuByRec(2));
System.out.println();
//翻转链表
System.out.println("翻转链表");
LinkedList newLinkedList = linkedList.reverseList();
newLinkedList.traverseNode();
System.out.println();
//倒叙遍历链表
System.out.println("倒序遍历链表");
newLinkedList.reverseTraverse();
}
}
/**
* 创建链表
*/
class LinkedList {
//头节点,防止被修改,设置为私有的
private StudentNode head = new StudentNode(0, "");
/**
* 添加节点
* @param node 要添加的节点
*/
public void addNode(StudentNode node) {
//因为头节点不能被修改,所以创建一个辅助节点
StudentNode temp = head;
//找到最后一个节点
while (true) {
//temp是尾节点就停止循环
if(temp.next == null) {
break;
}
//不是尾结点就向后移动
temp = temp.next;
}
//现在temp是尾节点了,再次插入
temp.next = node;
}
/**
* 遍历链表
*/
public void traverseNode() {
System.out.println("开始遍历链表");
if(head.next == null) {
System.out.println("链表为空");
}
//创建辅助节点
StudentNode temp = head.next;
while(true) {
//遍历完成就停止循环
if(temp == null) {
break;
}
System.out.println(temp);
temp = temp.next;
}
}
/**
* 按id顺序插入节点
* @param node
*/
public void addByOrder(StudentNode node) {
//如果没有首节点,就直接插入
if(head.next == null) {
head.next = node;
return;
}
//辅助节点,用于找到插入位置和插入操作
StudentNode temp = head;
//节点的下一个节点存在,且它的id小于要插入节点的id,就继续下移
while (temp.next!=null && temp.next.id < node.id) {
temp = temp.next;
}
//如果temp的下一个节点存在,则执行该操作
//且插入操作,顺序不能换
if(temp.next != null) {
node.next = temp.next;
}
temp.next = node;
}
/**
* 根据id来修改节点信息
* @param node 修改信息的节点
*/
public void changeNode(StudentNode node) {
if(head == null) {
System.out.println("链表为空,请先加入该学生信息");
return;
}
StudentNode temp = head;
//遍历链表,找到要修改的节点
while (temp.next!= null && temp.id != node.id) {
temp = temp.next;
}
//如果temp已经是最后一个节点,判断id是否相等
if(temp.id != node.id) {
System.out.println("未找到该学生的信息,请先创建该学生的信息");
return;
}
//修改学生信息
temp.name = node.name;
}
/**
* 根据id删除节点
* @param node 要删除的节点
*/
public void deleteNode(StudentNode node) {
if(head.next == null) {
System.out.println("链表为空");
return;
}
StudentNode temp = head.next;
//遍历链表,找到要删除的节点
if(temp.next!=null && temp.next.id!=node.id) {
temp = temp.next;
}
//判断最后一个节点的是否要删除的节点
if(temp.next.id != node.id) {
System.out.println("请先插入该学生信息");
return;
}
//删除该节点
temp.next = temp.next.next;
}
/**
* 得到倒数的节点
* @param index 倒数第几个数
* @return
*/
public StudentNode getStuByRec(int index) {
if(head.next == null) {
System.out.println("链表为空!");
}
StudentNode temp = head.next;
//用户记录链表长度,因为head.next不为空,此时已经有一个节点了
//所以length初始化为1
int length = 1;
while(temp.next != null) {
temp = temp.next;
length++;
}
if(length < index) {
throw new RuntimeException("链表越界");
}
temp = head.next;
for(int i = 0; i<length-index; i++) {
temp = temp.next;
}
return temp;
}
/**
* 翻转链表
* @return 反转后的链表
*/
public LinkedList reverseList() {
//链表为空或者只有一个节点,无需翻转
if(head.next == null || head.next.next == null) {
System.out.println("无需翻转");
}
LinkedList newLinkedList = new LinkedList();
//给新链表创建新的头结点
newLinkedList.head = new StudentNode(0, "");
//用于保存正在遍历的节点
StudentNode temp = head.next;
//用于保存正在遍历节点的下一个节点
StudentNode nextNode = temp.next;
while(true) {
//插入新链表
temp.next = newLinkedList.head.next;
newLinkedList.head.next = temp;
//移动到下一个节点
temp = nextNode;
nextNode = nextNode.next;
if(temp.next == null) {
//插入最后一个节点
temp.next = newLinkedList.head.next;
newLinkedList.head.next = temp;
head.next = null;
return newLinkedList;
}
}
}
public void reverseTraverse() {
if(head == null) {
System.out.println("链表为空");
}
StudentNode temp = head.next;
//创建栈,用于存放遍历到的节点
Stack<StudentNode> stack = new Stack<>();
while(temp != null) {
stack.push(temp);
temp = temp.next;
}
while (!stack.isEmpty()) {
System.out.println(stack.pop());
}
}
}
/**
* 定义节点
*/
class StudentNode {
int id;
String name;
//用于保存下一个节点的地址
StudentNode next;
public StudentNode(int id, String name) {
this.id = id;
this.name = name;
}
@Override
public String toString() {
return "StudentNode{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
}
结果
开始遍历链表
链表为空
开始遍历链表
StudentNode{id=1, name='Nyima'}
StudentNode{id=3, name='Lulu'}
有序插入
开始遍历链表
StudentNode{id=0, name='Wenwen'}
StudentNode{id=1, name='Nyima'}
StudentNode{id=3, name='Lulu'}
修改学生信息
开始遍历链表
StudentNode{id=0, name='Wenwen'}
StudentNode{id=1, name='Hulu'}
StudentNode{id=3, name='Lulu'}
删除学生信息
开始遍历链表
StudentNode{id=0, name='Wenwen'}
StudentNode{id=3, name='Lulu'}
获得倒数节点
StudentNode{id=0, name='Wenwen'}
翻转链表
开始遍历链表
StudentNode{id=3, name='Lulu'}
StudentNode{id=0, name='Wenwen'}
倒序遍历链表
StudentNode{id=0, name='Wenwen'}
StudentNode{id=3, name='Lulu'}
2、双向链表
双向链表
实现思路
遍历
- 和单向链表的遍历相同,需要一个辅助节点来保存当前正在遍历的节点
添加
- 双向链表多出了一个frnot,所以在添加时,要让新增节点的front指向链表尾节点
修改
- 和单向链表的修改相同
删除
- 使用temp来保存要删除的节点
- temp.pre.next指向temp.next
- temp.next指向temp.pre
代码
public class Demo2 {
public static void main(String[] args) {
BidirectionalList bidirectionalList = new BidirectionalList();
bidirectionalList.addNode(new PersonNode(1, "Nyima"));
bidirectionalList.addNode(new PersonNode(2, "Lulu"));
bidirectionalList.traverseNode();
System.out.println();
System.out.println("修改节点信息");
bidirectionalList.changeNode(new PersonNode(2, "Wenwen"));
bidirectionalList.traverseNode();
System.out.println();
//删除节点
System.out.println("删除节点");
bidirectionalList.deleteNode(new PersonNode(1, "Nyima"));
bidirectionalList.traverseNode();
}
}
class BidirectionalList {
private final PersonNode head = new PersonNode(-1, "");
/**
* 判断双向链表是否为空
* @return 判空结果
*/
public boolean isEmpty() {
return head.next == null;
}
/**
* 添加将诶点
* @param node 要被添加的节点
*/
public void addNode(PersonNode node) {
PersonNode temp = head;
if(temp.next != null) {
temp = temp.next;
}
//插入在最后一个节点的后面
temp.next = node;
node.front = temp;
}
public void traverseNode() {
System.out.println("遍历链表");
if (isEmpty()) {
System.out.println("链表为空");
return;
}
PersonNode temp = head.next;
while(temp != null) {
System.out.println(temp);
temp = temp.next;
}
}
/**
* 修改节点信息
* @param node 要修改的节点
*/
public void changeNode(PersonNode node) {
if(isEmpty()) {
System.out.println("链表为空");
return;
}
PersonNode temp = head.next;
//用于判定是否做了修改
boolean flag = false;
while (temp != null) {
if(temp.id == node.id) {
//匹配到节点,替换节点
temp.front.next = node;
node.next = temp.next;
flag = true;
}
temp = temp.next;
}
if(!flag) {
System.out.println("未匹配到改人信息");
}
}
/**
* 删除节点
* @param node 要删除的节点
*/
public void deleteNode(PersonNode node) {
if(isEmpty()){
System.out.println("链表为空");
return;
}
PersonNode temp = head.next;
//查看是否删除成功
boolean flag = false;
while(temp != null) {
if(temp.id == node.id) {
temp.front.next = temp.next;
temp.next = null;
flag = true;
}
temp = temp.next;
}
if(!flag) {
System.out.println("未找到该节点");
}
}
}
class PersonNode {
int id;
String name;
//指向下一个节点
PersonNode next;
//指向前一个节点
PersonNode front;
public PersonNode(int id, String name) {
this.id = id;
this.name = name;
}
@Override
public String toString() {
return "PersonNode{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
}
输出
遍历链表
PersonNode{id=1, name='Nyima'}
PersonNode{id=2, name='Lulu'}
修改节点信息
遍历链表
PersonNode{id=1, name='Nyima'}
PersonNode{id=2, name='Wenwen'}
删除节点
遍历链表
PersonNode{id=2, name='Wenwen'}
3、循环链表
循环链表
单链表的尾节点指向首节点,即可构成循环链表
约瑟夫环
N个人围成一圈,从第S个开始报数,第M个将被杀掉,最后剩下一个,其余人都将被杀掉,求出被杀顺序
- 例如N=6,M=5,S=1,被杀掉的顺序是:6,4,5,2,1,3
大致思路
- 遍历链表找到指定位置的节点
- 用一个front保存指定节点的前一个节点,方便删除
- 当count==time时,删除此时正在遍历的节点,放入数组中,并将count的值初始化
- 用一个变量loopTime记录已经出圈了几个人,当其等于length时则是最后一个节点,直接放入数组并返回数即可
代码
public class Demo3 {
public static void main(String[] args) {
CircularList circularList = new CircularList();
AttenderNode node1 = new AttenderNode(1);
AttenderNode node2 = new AttenderNode(2);
AttenderNode node3 = new AttenderNode(3);
AttenderNode node4 = new AttenderNode(4);
circularList.addNode(node1);
circularList.addNode(node2);
circularList.addNode(node3);
circularList.addNode(node4);
System.out.println("约瑟夫环");
AttenderNode[] arr = circularList.killAttender(1, 4);
for(AttenderNode node : arr) {
System.out.println(node);
}
}
}
class CircularList {
private final AttenderNode head = new AttenderNode(-1);
AttenderNode temp;
public void addNode(AttenderNode node) {
if(head.next == null) {
head.next = node;
return;
}
temp = head.next;
//只有一个节点,还没成环
if(temp.next == null) {
temp.next = node;
node.next = head.next;
return;
}
while (temp.next != head.next) {
temp = temp.next;
}
//temp现在为尾节点
temp.next = node;
//node现在为尾节点,将其next指向首节点
node.next = head.next;
}
public int getListLength() {
if(head.next == null) {
return 0;
}
//判断是否只有一个节点
if(head.next.next == null) {
return 1;
}
//节点个数初始为2
int length = 2;
AttenderNode first = head.next;
AttenderNode temp = first.next;
while(true) {
//循环了一轮
if(temp.next.id == first.id) {
return length;
}
temp = temp.next;
length++;
}
}
/**
* 删除指定位置节点
* @param time 次数
* @param start 开始节点
* @return
*/
public AttenderNode[] killAttender(int time, int start) {
if(head.next == null) {
System.out.println("链表为空");
return null;
}
temp = head.next;
int length = getListLength();
//存放退出队列的节点
AttenderNode[] arr = new AttenderNode[length];
//从start开始计数
if(start > length) {
System.out.println("超出链表范围");
return null;
}
AttenderNode startNode = temp;
int count;
//如果只有一个节点,直接返回
if(temp.next == null) {
arr[0] = temp;
return arr;
}
//找到开始节点位置
for(count = 1; count<start; count++) {
startNode = startNode.next;
}
//找到start的前一个节点,方便删除操作
AttenderNode front = startNode.next;
while(front.next != startNode) {
front = front.next;
}
//开始选出节点出链表
temp = startNode;
//记录循环次数
int loopTime = 1;
int index = 0;
for(count=1; count<=time; count++) {
if(loopTime == length) {
//放入最后一个节点
arr[index] = temp;
return arr;
}
if(count == time) {
arr[index] = temp;
front.next = temp.next;
index++;
loopTime++;
//初始化,因为在循环开始时还会+1,所以这里初始化为0
count = 0;
}
temp =front.next;
}
return arr;
}
}
class AttenderNode {
int id;
AttenderNode next;
@Override
public String toString() {
return "KillerNode{" +
"id=" + id +
'}';
}
public AttenderNode(int id) {
this.id = id;
}
}
运行结果
约瑟夫环
KillerNode{id=4}
KillerNode{id=1}
KillerNode{id=2}
KillerNode{id=3}
4、跳跃表
三、栈
1、定义
- 栈是一个先入后出的有序列表
- 栈(stack)是限制线性表中元素的插入和删除只能在线性表的同一端进行的一种特殊线性表。允许插入和删除的一端,为变化的一端,称为栈顶,另一端为固定的一端,称为栈底
- 最先放入的元素在栈底,且最后出栈。最后放入的元素在栈顶,且最先出栈
2、应用场景
- 子程序递归调用。如JVM中的虚拟机栈
- 表达式转换(中缀转后缀)与求值
- 二叉树的遍历
- 图的深度优先遍历
3、实现
用数组实现
思路
- 定义top表示栈顶,初始值为-1
- 入栈的操作,先让top++,再放入数组
- 出栈操作,先取出元素,在让top–
- top == -1时,栈空
- top == maxSize-1时,栈满
代码
public class Demo1 {
public static void main(String[] args) {
ArrayStack stack = new ArrayStack(5);
//压栈
stack.push(1);
stack.push(2);
stack.push(3);
stack.push(4);
stack.push(5);
//出栈
System.out.println(stack.pop());
}
}
class ArrayStack {
private final int maxSize;
int[] stack;
private int top;
public ArrayStack(int maxSize) {
this.maxSize = maxSize;
stack = new int [this.maxSize];
top = -1;
}
private boolean isEmpty() {
return top == -1;
}
private boolean isFull() {
return top == maxSize-1;
}
public void push(int i) {
if(isFull()) {
throw new StackOverflowError("栈满");
}
//压栈
top++;
stack[top] = i;
}
public int pop() {
if(isEmpty()) {
throw new EmptyStackException();
}
int retNum = stack[top];
top--;
return retNum;
}
}
4、应用
表达式求值
思路
- 准备一个索引index来帮助我们遍历表达式
- 如果index位置上的元素是一个数字,就直接入栈
- 如果index位置上的元素是一个符号
- 如果符号栈为空,直接入栈
- 如果符号栈不为空
- index位置上的符号的优先级小于或等于栈顶符号的优先级,则弹出两个数栈中的元素和符号栈中的一个符号,并且进行计算。将运算结果放入数栈中,并将index位置上的符号压入符号栈
- index位置上的符号的优先级大于符号栈栈顶符号的优先级,则将该符号压入符号栈
- 当表达式遍历完毕后,就弹出数栈中的2个数字和符号栈中的1个符号进行运算,并将运行结果入栈
- 最终数栈中只有一个值,这个值便是运算结果
- 注意:
- 读取的是字符,所以存入数字前需要减去0的ASCII码
- 如果数字是多位数,需要一直读,读到下一位不是数字为止,然后将读到的字符进行拼接,然后一起压入数栈
代码
存在的问题:因为栈是用的整型数组,所以计算除法的时候,无法转化成double
public class Demo2 {
public static void main(String[] args) {
String formula = "12+3*15+3/3";
//索引,用来读取字符串中的元素
int index = 0;
//保存读取到的数字和符号
int number1 = 0;
int number2 = 0;
int thisChar = ' ';
//用于拼接数字
StringBuilder spliceNumber = new StringBuilder();
//数栈和符号栈
ArrayStack2 numberStack = new ArrayStack2(10);
ArrayStack2 operationStack = new ArrayStack2(10);
//保存运算结果
int result;
//开始读取字符串中的元素
for (index = 0; index < formula.length(); index++) {
thisChar = formula.charAt(index);
if (operationStack.isOperation(thisChar)) {
if(operationStack.comparePriority(thisChar)) {
operationStack.push(thisChar);
} else {
int popChar = operationStack.pop();
number2 = numberStack.pop();
number1 = numberStack.pop();
//获得运算结果
result = operationStack.calculation(number1, number2, popChar);
operationStack.push(thisChar);
numberStack.push(result);
}
} else {
//如果是数字,就一直读取
while(thisChar>='0' && thisChar<='9') {
//可能该数字为多位数,所以不能只存入一位数字
spliceNumber.append(thisChar - '0');
System.out.println("拼接字符换 " + spliceNumber);
index++;
//如果已经读了最后一个数字了,就停下来
if(index >= formula.length()) {
break;
}
thisChar = formula.charAt(index);
}
int number = Integer.parseInt(spliceNumber.toString());
numberStack.push(number);
//初始化spliceNumber
spliceNumber = new StringBuilder();
index--;
}
}
while(!operationStack.isEmpty()) {
int popChar = operationStack.pop();
number2 = numberStack.pop();
number1 = numberStack.pop();
//获得运算结果
result = operationStack.calculation(number1, number2, popChar);
numberStack.push(result);
}
System.out.println(numberStack.pop());
}
}
class ArrayStack2 {
private final int maxSize;
int[] stack;
private int top;
public ArrayStack2(int maxSize) {
this.maxSize = maxSize;
stack = new int[this.maxSize];
top = -1;
}
public boolean isEmpty() {
return top == -1;
}
public boolean isFull() {
return top == maxSize - 1;
}
public void push(int i) {
if (isFull()) {
throw new StackOverflowError("栈满");
}
//压栈
top++;
stack[top] = i;
}
public int pop() {
if (isEmpty()) {
throw new EmptyStackException();
}
int retNum = stack[top];
top--;
return retNum;
}
public void traverse() {
for(int thiChar : stack) {
System.out.println(thiChar);
}
}
/**
* 判断符号的优先级
*
* @param operation 传入运算符
* @return 返回优先级
*/
public int getPriority(int operation) {
if (operation == '*' || operation == '/') {
return 2;
} else if (operation == '+' || operation == '-') {
return 1;
} else if (operation >= '0' && operation <= '9') {
return 0;
} else {
return -1;
}
}
/**
* 比较栈顶元素和传入字符的优先级大小
*
* @param operation 传入字符
* @return true则是传入字符优先级大于栈顶字符,false反之
*/
public boolean comparePriority(int operation) {
if (isEmpty()) {
return true;
} else {
int priority1 = getPriority(operation);
int priority2 = getPriority(stack[top]);
return priority1 > priority2;
}
}
/**
* 判断该位置是不是一个符号
*
* @param operation 该位置的符号
* @return 判断结果
*/
public boolean isOperation(int operation) {
return operation == '*' || operation == '/' || operation == '-' || operation == '+';
}
/**
* @param number1 第一个运算的数字
* @param number2 第二个运算的数字
* @param operation 运算符
* @return
*/
public int calculation(int number1, int number2, int operation) {
switch (operation) {
case '+':
return number1+number2;
case '-':
return number1-number2;
case '*':
return number1*number2;
case '/':
return number1/number2;
default:
System.out.println(operation);
throw new RuntimeException("符号读取错误!");
}
}
}
结果
58
5、中缀转后缀
后缀表达式运算方法
- 从左向右读取表达式
- 遇到数字就压入栈中
- 遇到运算符就弹出栈顶和次顶元素。用次顶元素 运算符 栈顶元素,并将运算结果压入栈中,直到栈为空,最终结果就是运算结果
设计
中缀表达式转后缀表达式
-
从左向右读取中缀表达式,并且创建栈s和队列q
-
如果读到的元素的数字,就直接入队放入q中
-
如果读到的是
运算符
(运算符判定)
- 如果s为空,则将该运算符压入s
- 如果s不为空
- 如果该运算符为左括号,则直接压入s
- 如果该运算符为右括号,则将s中的元素依次出栈并入队到q中,直到遇见左括号为止(括号不放入q中)
- 如果该运算符的优先级高于s栈顶的运算符,则将该元素压入s
- 如果该运算符的优先级小于等于s栈顶的运算符,则弹出s栈顶的元素,并将其放入q中,该运算符重新判定入栈操作(运算符判定步骤)
-
如果中缀表达式已经读取完毕,则将s中的元素依次出栈,放入q中
-
q中的元素依次出队,该顺序即为后缀表达式
代码
/**
* @author Chen Panwen
* @data 2020/6/17 21:07
*/
public class Demo4 {
static Queue<String> queue = new LinkedList<>();
static Stack<String> stack = new Stack<>();
public static void main(String[] args) {
//中缀表达式,加上空格,方便取出
String infixExpression = "1 + ( ( 2 + 3 ) * 4 ) - 5";
String[] expressionArr = infixExpression.split(" ");
//用来保存该运算符的类型
int type;
//取出的字符串
String element;
//弹出栈的字符串
String stackEle;
for(int i=0; i<expressionArr.length; i++) {
element = expressionArr[i];
type = judgeOperator(element);
if(type == 0) {
//数字,直接入队
queue.add(element);
}else if(type == 1) {
//左括号,直接压栈
stack.push(element);
}else if(type == 3) {
//如果右括号,弹出栈顶元素,直到遇见左括号位置再停下来
do {
stackEle = stack.pop();
if(stackEle.equals("(")) {
break;
}
queue.add(stackEle);
//弹出栈中的左括号
}while (!stackEle.equals("("));
}else if(type == 2) {
if(stack.isEmpty()) {
//如果栈为空,直接入栈
stack.push(element);
continue;
}
int priority1 = getPriority(element);
//获得栈顶元素,并判断其优先级
stackEle = stack.peek();
int priority2 = getPriority(stackEle);
if(priority2 == 0) {
//为左括号,运算符直接入栈
stack.push(element);
}else if(priority1 > priority2) {
//该运算符优先级高于栈顶元素优先级,则入栈
stack.push(element);
}else {
stackEle = stack.pop();
queue.add(stackEle);
//重新判断该运算符
i--;
}
}
}
//把最后一个元素出栈并入队
stackEle = stack.pop();
queue.add(stackEle);
//保存队列长度,因为出队过程中队列的长度会被改变
int length = queue.size();
for(int i=0; i<length; i++) {
element = queue.remove();
System.out.print(element);
}
}
/**
* 判断该运算符是不是加减乘除
* @param operation 运算符
* @return true则该运算符为加减乘除
*/
public static boolean firstJudge(String operation) {
return operation.equals("*") || operation.equals("/") || operation.equals("+") || operation.equals("-");
}
/**
* 判断该字符串的类型
* @param operation 要判断的字符串
* @return 3->右括号 2->加减乘除运算符 1->左括号
*/
public static int judgeOperator(String operation) {
if(operation.equals(")")) {
return 3;
}
if(firstJudge(operation)) {
return 2;
}
if(operation.equals("(")) {
return 1;
} else {
return 0;
}
}
/**
* 判断运算符优先级
* @param operator 要判断的运算符
* @return 2代表乘除,1代表加减,0代表左括号
*/
public static int getPriority(String operator) {
if(operator.equals("*") || operator.equals("/")) {
return 2;
}else if(operator.equals("+") || operator.equals("-")) {
return 1;
} else {
return 0;
}
}
}
结果
123+4*+5-
四、递归
1、概念
递归就是方法自己调用自己,每次调用时传入不同的变量.递归有助于编程者解决复杂的问题,同时可以让代码变得简洁。并且递归用到了虚拟机栈
2、能解决的问题
数学问题
- 八皇后问题
- 汉诺塔
- 求阶乘
- 迷宫问题
- 球和篮子
各种排序算法
3、规则
-
方法的变量是独立的,不会相互影响的
-
如果方法中使用的是引用类型变量(比如数组),就会共享该引用类型的数据
-
递归必须向退出递归的条件逼近,否则就是无限递归,出现 StackOverflowError
-
当一个方法执行完毕,或者遇到 return,就会返回,遵守谁调用,就将结果返回给谁,同时当方法执行完毕或
者返回时,该方法也就执行完毕
4、迷宫问题
思路
-
用一个二维矩阵代表地图
- 1代表边界
- 0代表未做过该地点
- 2代表走过且能走得通
- 3代表走过但走不通
-
设置起点和终点以及每个地点的
行走策略
- 行走策略指在该点所走的方向的顺序,如 右->下->左->上(调用寻找路径的方法,使用递归)
-
每次行走时假设该点能够走通,然后按照策略去判断,如果所有策略判断后都走不通,则该点走不通
图解
初始地图
行走路径
策略:右下左上
代码
public class Demo2 {
public static void main(String[] args) {
//得到地图
int length = 7;
int width = 6;
int[][] map = getMap(length, width);
//设置一些障碍
map[1][2] = 1;
map[2][2] = 1;
//打印地图
System.out.println("地图如下");
for(int i=0; i<length; i++) {
for(int j=0; j<width; j++) {
System.out.print(map[i][j]+" ");
}
System.out.println();
}
//走迷宫
getWay(map, 1, 1);
//行走路径
System.out.println("行走路径");
for(int i=0; i<length; i++) {
for(int j=0; j<width; j++) {
System.out.print(map[i][j]+" ");
}
System.out.println();
}
}
/**
* 创建地图
* @param length 地图的长
* @param width 地图的宽
* @return 创建好的地图
*/
public static int[][] getMap(int length, int width) {
int[][] map = new int[length][width];
//先将第一行和最后一行设置为1(边界)
for(int i=0; i<width; i++) {
map[0][i] = 1;
map[length-1][i] = 1;
}
//再将第一列和最后一列设置为1
for(int i=0; i<length; i++) {
map[i][0] = 1;
map[i][width-1] = 1;
}
return map;
}
/**
* 开始走迷宫
* @param map 地图
* @param i 起点横坐标
* @param j 七点纵坐标
* @return 能否走通,true能走通,false反之
*/
public static boolean getWay(int[][] map, int i, int j) {
int length= map.length;
int width = map[0].length;
//假设右下角为终点
if(map[length-2][width-2] == 2) {
//走通了,返回true
return true;
} else {
if(map[i][j] == 0) {
//假设改路能走通
map[i][j] = 2;
//行走策略 右->下->左->上
if(getWay(map, i, j+1)) {
return true;
}else if(getWay(map, i+1, j)) {
return true;
}else if(getWay(map, i-1, j)) {
return true;
}else if(getWay(map, i, j-1)) {
return true;
}
//右下左上都走不通
map[i][j] = 3;
}else {
//改路已经被标记过了,不用再走了,直接返回false
return false;
}
}
return false;
}
}
运行结果
地图如下
1 1 1 1 1 1
1 0 1 0 0 1
1 0 1 0 0 1
1 0 0 0 0 1
1 0 0 0 0 1
1 0 0 0 0 1
1 1 1 1 1 1
行走路径
1 1 1 1 1 1
1 2 1 0 0 1
1 2 1 0 0 1
1 2 2 2 2 1
1 0 0 0 2 1
1 0 0 0 2 1
1 1 1 1 1 1
5、八皇后问题
八皇后问题,是一个古老而著名的问题,是回溯算法的典型案例。该问题是国际西洋棋棋手马克斯·贝瑟尔于1848年提出:在 8×8格的国际象棋上摆放八个皇后,使其不能互相攻击,即:任意两个皇后都不能处于同一行、同一列或同一斜线上,问有多少种摆法(92)。
思路
- 将第一个皇后放在第一行第一列
- 将第二个皇后放在第二行第一列,判断是否会和其他皇后相互攻击,若会相互攻击,则将其放到第三列、第四列…知道不会相互攻击为止
- 将第三个皇后放在第三行第一列,判断是否会和其他皇后相互攻击,若会相互攻击,则将其放到第三列、第四列…知道不会相互攻击为止,并以此类推,在摆放的过程中,有可能会改动前面所放的皇后的位置
- 当得到一个正确的解时,就会回溯到上一行,由此来找出第一个皇后在第一行第一列的所有解
- 再将第一个皇后放到第一行第二列,并重复以上四个步骤
- 注意:
- 棋盘本身应该是用二维数组表示,但是因为皇后所在的行数是固定的,所以可以简化为用一个一维数组来表示。其中的值代表皇后所在的列
- 数组下标代表皇后所在行数,所以判断是否在同一行列斜线上时,只需要判断是否在同一列和同一斜线上即可
- 是否同列判断:值是否相同
- 是否同一斜线:行号-行号是否等于列号-列号,且列号相减要取绝对值
代码
public class Demo3 {
/**
* 创建皇后所放位置的数组,数组的下标代表行号,数组中的值代表所在的列号
*/
static int sum = 0;
int max = 8;
int[] arr = new int[max];
public static void main(String[] args) {
Demo3 demo = new Demo3();
//放入第一个皇后,开始求后面的皇后
demo.check(0);
System.out.println("一共有"+sum+"种放法");
}
/**
* 打印数组元素
*/
public void print() {
for(int i = 0; i<arr.length; i++) {
System.out.print(arr[i] + " ");
}
sum++;
System.out.println();
}
/**
* 判断该位置的皇后与前面几个是否冲突
* @param position 需要判断的皇后的位置
* @return true代表冲突,false代表不冲突
*/
public boolean judge(int position) {
for(int i = 0; i<position; i++) {
//如果两个皇后在同一列或者同一斜线,就冲突
//因为数组下标代表行数,所以不会存在皇后在同一行
//所在行数-所在行数 如果等于 所在列数-所在列数,则两个皇后在同一斜线上
if(arr[i] == arr[position] || (position-i) == Math.abs(arr[position]-arr[i])) {
return true;
}
}
return false;
}
/**
* 检查该皇后应放的位置
* @param queen 要检查的皇后
*/
public void check(int queen) {
if(queen == max) {
//所有的皇后都放好了,打印并返回
print();
return;
}
//把皇后放在每一列上,看哪些不会和之前的冲突
for(int i = 0; i<max; i++) {
//把第queen+1个皇后放在第i列
arr[queen] = i;
if(!judge(queen)) {
//不冲突,就去放下一个皇后
check(queen+1);
}
}
}
}
一共有92种放法,就不一一展示了
五、排序
1、常见的排序算法
2、算法的时间复杂度
时间频度和时间复杂度
时间频度T(n)
一个算法执行所耗费的时间,从理论上是不能算出来的,必须上机运行测试才能知道。但我们不可能也没有必要对每个算法都上机测试,只需知道哪个算法花费的时间多,哪个算法花费的时间少就可以了。并且一个算法花费的时间与算法中语句的执行次数成正比例,哪个算法中语句执行次数多,它花费时间就多。一个算法中的语句执行次数称为语句频度或时间频度。记为T(n)。
时间复杂度O(n)
一般情况下,算法中基本操作重复执行的次数是问题规模n的某个函数,用T(n)表示,若有某个辅助函数f(n),使得当n趋近于无穷大时,T(n)/f(n)的极限值为不等于零的常数,则称f(n)是T(n)的同数量级函数。记作T(n)=O(f(n)),称O(f(n)) 为算法的渐进时间复杂度,简称时间复杂度。
在T(n)=4n²-2n+2中,就有f(n)=n²,使得T(n)/f(n)的极限值为4,那么O(f(n)),也就是时间复杂度为O(n²)
- 对于不是只有常数的时间复杂度忽略时间频度的系数、低次项常数
- 对于只有常数的时间复杂度,将常数看为1
常见的时间复杂度
常数阶 O(1)
int i = 1;
i++;
无论代码执行了多少行,只要没有循环等复杂的结构,时间复杂度都是O(1)
对数阶O(log2n)
while(i<n) {
i = i*2;
}
此处i并不是依次递增到n,而是每次都以倍数增长。假设循环了x次后i大于n。则2x = n,x=log2n
线性阶O(n)
for(int i = 0; i<n; i++) {
i++;
}
这其中,循环体中的代码会执行n+1次,时间复杂度为O(n)
线性对数阶O(nlog2n)
for(int i = 0; i<n; i++) {
j = 1;
while(j<n) {
j = j*2;
}
}
此处外部为一个循环,循环了n次。内部也是一个循环,但内部f循环的时间复杂度是log2n
所以总体的时间复杂度为线性对数阶O(nlog2n)
平方阶O(n2)
for(int i = 0; i<n; i++) {
for(int j = 0; j<n; j++) {
//循环体
}
}
立方阶O(n3)
for(int i = 0; i<n; i++) {
for(int j = 0; j<n; j++) {
for(int k = 0; k<n; k++) {
//循环体
}
}
}
可以看出平方阶、立方阶的复杂度主要是否循环嵌套了几层来决定的
3、排序算法的时间复杂度
排序算法 | 平均时间 | 最差时间 | 稳定性 | 空间复杂度 | 备注 |
---|---|---|---|---|---|
冒泡排序 | O(n2) | O(n2) | 稳定 | O(1) | n较小时好 |
交换排序 | O(n2) | O(n2) | 不稳定 | O(1) | n较小时好 |
选择排序 | O(n2) | O(n2) | 不稳定 | O(1) | n较小时好 |
插入排序 | O(n2) | O(n2) | 稳定 | O(1) | 大部分已有序时好 |
基数排序 | O(n*k) | O(n*k) | 稳定 | O(n) | 二维数组(桶)、一维数组(桶中首元素的位置) |
希尔排序 | O(nlogn) | O(ns)(1<s<2) | 不稳定 | O(1) | s是所选分组 |
快速排序 | O(nlogn) | O(n2) | 不稳定 | O(logn) | n较大时好 |
归并排序 | O(nlogn) | O(nlogn) | 稳定 | O(1) | n较大时好 |
堆排序 | O(nlogn) | O(nlogn) | 不稳定 | O(1) | n较大时好 |
4、冒泡排序
算法步骤
- 比较相邻的元素。如果第一个比第二个大,就交换他们两个。
- 对每一对相邻元素作同样的工作,从开始第一对到结尾的最后一对。这步做完后,最后的元素会是最大的数。
- 针对所有的元素重复以上的步骤,除了最后一个。
- 持续每次对越来越少的元素重复上面的步骤,直到没有任何一对数字需要比较。
- 一共进行了数组元素个数-1次大循环,且每次大循环中需要比较的元素越来越少。
- 优化:如果在某次大循环,发现没有发生交换,则证明已经有序。
代码
public class Demo1 {
public static void main(String[] args) {
int[] arr = {4, 5, 1, 6, 2};
for(int i = 1; i<arr.length; i++) {
//定义一个标识,来记录这趟大循环是否发生了交换
boolean flag = true;
//只需要比较前length-i个数
//每次排序会确定一个最大的元素
for(int j = 0; j<arr.length-i; j++) {
if(arr[j] > arr[j+1]) {
int temp = arr[j];
arr[j] = arr[j+1];
arr[j+1] = temp;
//发生了交换,标识改为false
flag = false;
}
}
//如果这次循环没发生交换,直接停止循环
if(flag) {
break;
}
}
for(int i : arr) {
System.out.println(i);
}
}
}
5、选择排序
算法步骤
- 遍历整个数组,找到最小(大)的元素,放到数组的起始位置。
- 再遍历剩下的数组,找到剩下元素中的最小(大)元素,放到数组的第二个位置。
- 重复以上步骤,直到排序完成。
- 一共需要遍历数组元素个数-1次,当找到第二大(小)的元素时,可以停止。这时最后一个元素必是最大(小)元素。
代码
public class Demo2 {
public static void main(String[] args) {
int[] arr = {3, 1, 6, 10, 2};
//从第0个元素开始比较,一共循环length-1次,最后一个无须进行排序
for(int i = 0; i<arr.length-1; i++) {
//保存最小元素的下标
int min = i;
//将该元素与剩下的元素比较,找出最小元素的下标
for(int j = i+1; j<arr.length; j++) {
//保存最小元素的下标
if(arr[j] < arr[min]) {
min = j;
}
}
//交换元素
//如果不是arr[i]不是最小的元素,就交换
if(min != i) {
int temp;
temp = arr[i];
arr[i] = arr[min];
arr[min] = temp;
}
}
for(int i : arr) {
System.out.println(i);
}
}
}
6、插入排序
算法步骤
- 将待排序序列第一个元素看做一个有序序列,把第二个元素到最后一个元素当成是未排序序列。
- 从头到尾依次扫描未排序序列,将扫描到的每个元素插入有序序列的适当位置。(如果待插入的元素与有序序列中的某个元素相等,则将待插入元素插入到相等元素的后面。
代码
public class Demo3 {
public static void main(String[] args) {
int[] arr = {3, 1, 6, 10, 2};
//从数组的第二个元素开始选择位置插入
//因为第一个元素已经放入了有序数组中
for(int i = 1; i<arr.length; i++) {
//保存该位置上元素的值,后面移动元素可能会覆盖该位置上元素的值
int temp = arr[i];
//变量j用于遍历前面的有序数组
int j = i;
while (j>0 && temp<arr[j-1]) {
//如果有序数组中的元素大于temp,则后移一个位置
arr[j] = arr[j-1];
j--;
}
//j选择所指位置就是待插入的位置
if(j != i) {
arr[j] = temp;
}
}
for(int i : arr) {
System.out.println(i);
}
}
}
7、希尔排序
回顾:插入排序存在的问题
当最后一个元素为整个数组的最小元素时,需要将前面的有序数组中的每个元素都向后移一位,这样是非常花时间的。
所以有了希尔排序来帮我们将数组从无序变为整体有序再变为有序。
算法步骤
- 选择一个增量序列t1(一般是数组长度/2),t2(一般是一个分组长度/2),……,tk,其中 ti > tj, tk = 1;
- 按增量序列个数 k,对序列进行 k 趟排序;
- 每趟排序,根据对应的增量 ti,将待排序列分割成若干长度为 m 的子序列,分别对各子表进行直接插入排序。仅增量因子为 1 时,整个序列作为一个表来处理,表长度即为整个序列的长度。
示意图
代码
public class Demo4 {
public static void main(String[] args) {
int[] arr = {3, 6, 1, 4, 5, 8, 2, 0};
int temp;
//将数组分为gap组,每个组内部进行插入排序
for(int gap = arr.length/2; gap>0; gap /= 2) {
//i用来指向未排序数组的首个元素
for(int i = gap; i<arr.length; i++) {
temp = arr[i];
int j = i;
//找到temp应该插入的位置,需要先判断数组是否越界
while (j-gap>=0 && temp<arr[j-gap]) {
arr[j] = arr[j-gap];
j -= gap;
}
if(j != i) {
arr[j] = temp;
}
}
}
for(int i : arr) {
System.out.println(i);
}
}
}
8、快速排序
算法步骤
- 从数列中挑出一个元素,称为 “基准”(pivot);
- 重新排序数列,所有元素比基准值小的摆放在基准前面,所有元素比基准值大的摆在基准的后面(相同的数可以到任一边)。在这个分区退出之后,该基准就处于数列的中间位置。这个称为分区(partition)操作;
- 递归地(recursive)把小于基准值元素的子数列和大于基准值元素的子数列排序;
代码
public class Demo5 {
public static void main(String[] args) {
int[] arr = {8, 12, 19, -1, 45, 0, 14, 4, 11};
QuickSort sort = new QuickSort();
sort.quickSort(arr);
for(int i : arr) {
System.out.println(i);
}
}
}
class QuickSort {
/**
* 快速排序
* @param arr 待排序的数组
*/
public void quickSort(int[] arr) {
if(arr == null || arr.length<=1) {
return;
}
quickSort(arr, 0, arr.length-1);
}
/**
*
* @param arr 待排序的数组
* @param left 左侧开始下标
* @param right 右侧开始下标
*/
private void quickSort(int[] arr, int left, int right) {
//如果分区元素小于等于一个,就返回
if(right <= left) {
return;
}
//得到基数下标
int partition = partition(arr, left, right);
//递归左右两个分区,因为每次是以左边的第一个数为基数,所以右边分区递归需要在partition的右侧开始
quickSort(arr, left, partition);
quickSort(arr, partition+1, right);
}
/**
* 返回基准下标
* @param arr 待排序的数组
* @param left 左侧开始下标
* @param right 右侧开始下标
* @return 中间值的下标
*/
private int partition(int[] arr, int left, int right) {
//以该分区最左边的数为基数
int pivot = arr[left];
while(left < right) {
//右边下标开始向左移动,找到小于基数的值时停止
while(right>left && arr[right] >= pivot) {
right--;
}
//交换数值,此时pivot保存了arr[left]的值,所以不会丢失
arr[left] = arr[right];
//左边下标开始移动,找到大于基数的值时停止
while(left<right && arr[left] <= pivot) {
left++;
}
//交换数值
arr[right] = arr[left];
//基数插入到合适的位置
arr[left] = pivot;
}
//返回基数下标
return left;
}
}
9、归并排序
算法步骤
归并排序用到了分而治之的思想,其难点是治
- 申请空间,使其大小为两个已经排序序列之和,该空间用来存放合并后的序列
- 设定两个指针,最初位置分别为两个已经排序序列的起始位置
- 比较两个指针所指向的元素,选择相对小的元素放入到合并空间,并移动指针到下一位置
- 重复上一步 直到某一指针达到序列尾
- 将另一序列剩下的所有元素直接复制到合并序列尾
此时第二个序列的指针已经到达末尾,则将第一个序列中剩下的元素全部放入和合并序列末尾
public class Demo6 {
public static void main(String[] args) {
int[] arr = {1, 5, 6, 3, 2, 8, 7, 4};
MergeSort mergeSort = new MergeSort(arr.length);
mergeSort.mergeSort(arr, 0, arr.length-1);
for(int a : arr) {
System.out.println(a);
}
}
}
class MergeSort {
/**
* 临时数组,用于合并时用于存放元素
*/
int[] temp;
public MergeSort() {
}
public MergeSort(int length) {
temp = new int[length];
}
/**
* 将分解的序列进行合并,合并的同时完成排序
* @param arr 待合并的数组
* @param left 数组左边界
* @param right 数组右边界
*/
private void merge(int[] arr, int left, int right) {
//两个序列的分界点
int mid = (left+right)/2;
//temp数组中插入的位置
int tempLeft = 0;
int arrLeft = left;
//第二个序列的首元素下标
int arrRight = mid+1;
while(arrLeft<=mid && arrRight<=right) {
//如果第一个序列的元素小于第二序列的元素,就将其放入temp中
if(arr[arrLeft] <= arr[arrRight]) {
temp[tempLeft] = arr[arrLeft];
arrLeft++;
}else {
temp[tempLeft] = arr[arrRight];
arrRight++;
}
tempLeft++;
}
//将不为空的序列中的元素依次放入temp中
while (arrLeft <= mid) {
temp[tempLeft] = arr[arrLeft];
tempLeft++;
arrLeft++;
}
while (arrRight <= right) {
temp[tempLeft] = arr[arrRight];
tempLeft++;
arrRight++;
}
//将临时数组中的元素放回数组arr中
tempLeft = 0;
arrLeft = left;
while (arrLeft <= right) {
arr[arrLeft] = temp[tempLeft];
arrLeft++;
tempLeft++;
}
}
public void mergeSort(int[] arr, int left, int right) {
int mid = (left+right)/2;
if(left < right) {
mergeSort(arr, left, mid);
mergeSort(arr, mid+1, right);
merge(arr, left, right);
}
}
}
10、基数排序
算法步骤
- 将所有待比较数值(正整数)统一为同样的数位长度,数位较短的数前面补零
- 从最低位开始,依次进行一次排序
- 从最低位排序一直到最高位(个位->十位->百位->…->最高位)排序完成以后, 数列就变成一个有序序列
- 需要我们获得最大数的位数
- 可以通过将最大数变为String类型,再求得它的长度即可
按照个位,放到对应的桶中
依次取出,同一个桶中有多个元素的,先放入的先取出
再按照十位,放到对应的桶中,个位数前面补0
再依次取出桶中元素
再按照百位,放到对应的桶中,个位数和十位数前面补0
再依次取出桶中元素
再按照千位,放到对应的桶中,个位数、十位数和百位数前面补0
当所有的数都在0号桶时,依次取出元素,这时顺序即为排好后的顺序
代码
public class Demo7 {
public static void main(String[] args) {
int[] arr = {43, 52, 1, 89, 190};
CardinalitySort cardinalitySort = new CardinalitySort();
cardinalitySort.sort(arr);
for(int a : arr) {
System.out.println(a);
}
}
}
class CardinalitySort {
/**
* 进行基数排序
* @param arr 待排序的数组
*/
public void sort(int[] arr) {
//创建一个二维数组,用于表示桶
//桶的个数固定为10个(个位是0~9),最大容量由数组的长度决定
int maxSize = arr.length;
int[][] bucket = new int[10][maxSize];
//用于记录每个桶中有多少个元素
int[] elementCounts = new int[10];
//获得该数组中最大元素的位数
int maxDigits = getMaxDigits(arr);
//将数组中的元素放入桶中, step是在求数组位数时,需要除以的倍数
for (int time = 1, step = 1; time<=maxDigits; time++, step *= 10) {
for(int i = 0; i<arr.length; i++) {
//取出所需的位数
int digits = arr[i] / step % 10;
//放入到对应的桶中 [digits]代表桶的编号
//[elementCounts[digits]]代表放入该桶的位置
bucket[digits][elementCounts[digits]] = arr[i];
//桶中元素个数+1
elementCounts[digits]++;
}
//将桶中的元素重新放回到数组中
//用于记录应该放入原数组的哪个位置
int index = 0;
for(int i = 0; i<10; i++) {
//从桶中按放入顺序依次取出元素,放入原数组
int position = 0;
//桶中有元素才取出
while (elementCounts[i] > 0) {
arr[index] = bucket[i][position];
position++;
elementCounts[i]--;
index++;
}
}
}
}
/**
* 得到该数组中最大元素的位数
* @param arr 待求数组
* @return 最大元素的位数
*/
public int getMaxDigits(int[] arr) {
int max = arr[0];
for(int i=1; i<arr.length; i++) {
if(arr[i] > max) {
max = arr[i];
}
}
//将最大值转为字符串,它的长度就是它的位数
int digits = (max + "").length();
return digits;
}
}
11、堆排序
基本介绍
-
堆排序是利用堆这种数据结构而设计的一种排序算法,堆排序是一种选择排序,它的最坏,最好,平均时间复杂度均为 O(nlogn),它也是不稳定排序
-
堆是具有以下性质的完全二叉树:
-
每个结点的值都大于或等于其左右孩子结点的值,称为
大顶堆
- 注意 : 没有要求结点的左孩子的值和右孩子的值的大小关系
-
每个结点的值都小于或等于其左右孩子结点的值,称为小顶堆
-
-
一般升序排序采用大顶堆,降序排列使用小顶堆
排序思路
- 堆是一种树结构,但是排序中会将堆进行顺序存储(变为数组结构)
- 将无序序列构建成一个堆,根据升序降序需求选择大顶堆或小顶堆
- 将堆顶元素与末尾元素交换,将最大元素"沉"到数组末端
- 重新调整结构,使其满足堆定义,然后继续交换堆顶元素与当前末尾元素,反复执行调整+交换步骤,直到整个序列有序
实现代码
/**
* @author Chen Panwen
* @data 2020/7/27 16:19
*/
public class Demo2 {
public static void main(String[] args) {
int[] arr = {4, 6, 8, 5, 9};
//堆排序
heapSort(arr);
System.out.println("堆排序后结果");
System.out.println(Arrays.toString(arr));
}
/**
* 堆排序(升序排序)
* @param arr 待排序数组
*/
public static void heapSort(int[] arr) {
for(int i=arr.length-1; i>=0; i--) {
//将数组调整为大顶堆,长度为未排序数组的长度
for(int j=arr.length/2-1; j>=0; j--) {
adjustHeap(arr, j, i+1);
}
//调整后,数组首元素就为最大值,与为元素交换
int temp = arr[i];
arr[i] = arr[0];
arr[0] = temp;
}
}
/**
* 将无序数组进行调整,将其调整为大顶堆
* @param arr 待调整的数组
* @param index 非叶子节点的索引
* @param length 待调整数组的长度
*/
public static void adjustHeap(int[] arr, int index, int length) {
//保存非叶子节点的值,最后需要进行交换操作
int temp = arr[index];
//进行调整操作
//index*2+1代表其左子树
for(int i = index*2+1; i<length; i = i*2+1) {
//如果存在右子树,且右子树的值大于左子树,就让索引指向其右子树
if(i+1<length && arr[i] < arr[i+1]) {
i++;
}
//如果右子树的值大于该节点的值就交换,同时改变索引index的值
if(arr[i] > arr[index]) {
arr[index] = arr[i];
index = i;
}else {
break;
}
//调整完成后,将temp放到最终调整后的位置
arr[index] = temp;
}
}
}
运行结果
堆排序后结果
[4, 5, 6, 8, 9]
六、查找
1、线性查找
线性查找是一种非常简单的查找方式。查找思路是:从数组的一个元素出发,一个个地和要查找的值进行比较,如果发现有相同的元素就返回该元素的下标。反之返回-1(未找到)
public class Demo1 {
public static void main(String[] args) {
int[] arr = {1, 11, -1, 0, 55};
int result = seqSearch(arr, 1);
if(result == -1) {
System.out.println("数组中没有该元素");
}else {
System.out.println("该元素在数组的下标是:" + result);
}
}
/**
* 线性查找
* @param arr 查找的数组
* @param num 待查找的数字
* @return 数字的索引
*/
public static int seqSearch(int[] arr, int num) {
for(int i = 0; i<arr.length; i++) {
if(arr[i] == num) {
return i;
}
}
return -1;
}
}
2、二分查找
进行二分查找的数组必须为有序数组
- 设置一个指向中间元素下标的变量mid,mid=(left + right)/2
- 让要查找的元素和数组mid下标的元素进行比较
- 如果查找的元素大于arr[mid],则left变为mid后面一个元素的下标
- 如果查找的元素小于arr[mid],则right变为mid前一个元素的下标
- 如果查找的元素等于arr[mid],则mid就是要查找元素所在的位置
- 当left > rigth时,说明元素不在该数组中
public class Demo2 {
public static void main(String[] args) {
//进行二分查找的数组必须是有序
int[] arr = {-1, 0, 2, 11, 30};
int result = binarySearch(arr, 11);
if(result == -1) {
System.out.println("未找到该元素");
}else {
System.out.println("该元素的下标是:" + result);
}
}
/**
* 二分查找
* @param arr 要查找的有序数组
* @param num 要查找的数字
* @return 对应数字的下标
*/
public static int binarySearch(int[] arr, int num) {
int left = 0;
int right = arr.length-1;
while(left <= right) {
//防止溢出
int mid = (right - left)/2 + left;
//如果要查找的值大于中间位置的值,说明要查找的值在右边部分
if(arr[mid] < num) {
left = mid + 1;
}else if(arr[mid] > num) {
//如果要查找的值小于中间位置的值
//说明要查找的值在左边部分
right = mid - 1;
}else {
//找到了该元素
return mid;
}
}
return -1;
}
}
但是有可能要查找的元素有多个。这时就需要在找到一个元素后,不要立即返回,而是扫描其左边和右边的元素,将所有相同元素的下标保存到一个数组中,然后一起返回
public class Demo2 {
public static void main(String[] args) {
int[] arr = {-1, 0, 11, 11, 11, 11, 30};
//进行二分查找的数组必须是有序
Arrays.sort(arr);
List<Integer> result = binarySearch(arr, 11);
if(result.size() == 0) {
System.out.println("未找到该元素");
}else {
for(Integer index : result) {
System.out.println(index);
}
}
}
/**
* 二分查找(可以查找重复元素的下标)
* @param arr 要查找的有序数组
* @param num 要查找的数字
* @return 保存了所有该值元素所在的位置
*/
public static List<Integer> binarySearch(int[] arr, int num) {
int left = 0;
int right = arr.length-1;
int mid;
//用户保存查找值下标
List<Integer> positionList = new ArrayList<>();
while(left <= right) {
mid = (left + right)/2;
//如果要查找的值大于中间位置的值,说明要查找的值在右边部分
if(arr[mid] < num) {
left = mid + 1;
}else if(arr[mid] > num) {
//如果要查找的值小于中间位置的值
//说明要查找的值在左边部分
right = mid - 1;
}else {
//将下标存入到集合中
positionList.add(mid);
//用于遍历mid左边的相同元素
int leftIndex = mid - 1;
while(leftIndex > 0 && arr[leftIndex] == num) {
positionList.add(leftIndex);
leftIndex--;
}
int rightIndex = mid + 1;
while(rightIndex < right && arr[rightIndex] == num) {
positionList.add(rightIndex);
rightIndex++;
}
return positionList;
}
}
return positionList;
}
}
3、插值查找
在二分查找中,如果我们 要找的元素位于数组的最前端或者最后段,这时的查找效率是很低的。所以在二分查找至上,引入了插值查找,也是一种基于有序数组的查找方式
插值查找与二分查找的区别是:插值查找使用了一种自适应算法,用这种算法来计算mid。
mid的值在两种查找算法中的求法:
-
二分查找:mid = (left + right)/2
-
插值查找:
mid = left + (right - left) * (num - arr[left]) / (arr[right] - arr[left])
- 其中num为要查找的那个值
public class Demo3 {
public static void main(String[] args) {
int[] arr = {-1, -1, 0, 11, 11, 11, 11, 30};
//进行二分查找的数组必须是有序
Arrays.sort(arr);
List<Integer> result = insertSearch(arr, 30);
if(result.size() == 0) {
System.out.println("未找到该元素");
}else {
for(Integer index : result) {
System.out.println(index);
}
}
}
/**
* 插值查找查找(可以查找重复元素的下标)
* @param arr 要查找的有序数组
* @param num 要查找的数字
* @return 保存了所有该值元素所在的位置
*/
public static List<Integer> insertSearch(int[] arr, int num) {
List<Integer> positionList = new ArrayList<>();
int left = 0;
int right = arr.length - 1;
int mid;
while(left<=right) {
//插值查找的自适应算法
mid = left+(right-left)*(num-arr[left])/(arr[right]-arr[left]);
if(arr[mid] > num) {
right = mid - 1;
}else if(arr[mid] < num) {
left = mid + 1;
}else {
//找到了该元素的位置
positionList.add(mid);
}
//继续查找mid附近值相同的元素
int leftIndex = mid - 1;
while(leftIndex >=0 && arr[leftIndex] == num) {
positionList.add(leftIndex);
leftIndex++;
}
int rightIndex = mid + 1;
while (rightIndex <= right && arr[rightIndex] == num) {
positionList.add(rightIndex);
rightIndex++;
}
return positionList;
}
return positionList;
}
}
七、哈希表
1、基本介绍
散列表(Hash table,也叫哈希表),是根据关键码值(Key value)而直接进行访问的数据结构。也就是说,它通过把关键码值映射到表中一个位置来访问记录,以加快查找的速度。这个映射函数叫做散列函数,存放记录的数组叫做散列表。
哈希表是一种将数组与链表相结合的数据结构
public class Demo5 {
public static void main(String[] args) {
//创建学生
Student student1 = new Student(1, "Nyima");
Student student2 = new Student(2, "Lulu");
Student student6 = new Student(6, "WenWen");
HashTab hashTab = new HashTab(5);
hashTab.add(student1);
hashTab.add(student2);
hashTab.add(student6);
hashTab.traverse();
//通过id查找学生信息
hashTab.findStuById(6);
}
}
class Student {
int id;
String name;
Student next;
public Student(int id, String name) {
this.id = id;
this.name = name;
}
@Override
public String toString() {
return "Student{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
}
class LinkedList {
private Student head = new Student(-1, "");
/**
* 插入学生信息
* @param student 插入学生的信息
*/
public void add(Student student) {
if(head.next == null) {
head.next = student;
return;
}
Student temp = head.next;
while(temp.next != null) {
temp = temp.next;
}
temp.next = student;
}
/**
* 遍历链表
*/
public void traverse() {
if(head.next == null) {
System.out.println("链表为空");
return;
}
Student temp = head;
while(temp.next != null) {
temp = temp.next;
System.out.print(temp + " ");
}
//换行
System.out.println();
}
/**
* 通过id查找学生信息
* @param id 学生id
*/
public void findStuById(int id) {
if(head.next == null) {
System.out.println("链表为空");
return;
}
Student temp = head;
while(temp.next != null) {
temp = temp.next;
if(temp.id == id) {
//找到学生,打印学生信息
System.out.println("该学生信息:" + temp);
return;
}
}
System.out.println("未找到该学生信息");
}
}
class HashTab {
private LinkedList[] linkedLists;
private final int size;
public HashTab(int size) {
this.size = size;
//初始化散列表
linkedLists = new LinkedList[size];
//初始化每个链表,不然会抛出空指针异常
for(int i=0; i<this.size; i++) {
//对每个链表进行初始化操作
linkedLists[i] = new LinkedList();
}
}
public void add(Student student) {
int hashId = getHash(student.id);
linkedLists[hashId].add(student);
}
public void traverse() {
for(int i=0 ; i<size; i++) {
linkedLists[i].traverse();
}
}
public void findStuById(int id) {
int hashId = getHash(id);
linkedLists[hashId].findStuById(id);
}
/**
* 散列函数,获得散列值
* @param id 学生的id
* @return 对应的散列值
*/
private int getHash(int id) {
return id % size;
}
}
八、树结构
1、二叉树
为什么需要树
- 数组的查找效率高,但是插入效率低。
- 链表的插入效率高,查找效率低。
需要一种数据结构来平衡查找与插入效率,使得查找速度和插入速度都能得到提升,因此有了树这种数据结构。
树的基本概念
二叉树的基本概念
每个节点最多只能有两个子节点的一种形式称为二叉树
满二叉树
如果该二叉树的所有叶子节点都在最后一层,并且结点总数= 2n -1 , n为层数,则我们称为满二叉树。
完全二叉树
如果该二叉树的所有叶子节点都在最后一层或者倒数第二层,而且最后一层的叶子节点在左边连续,倒数第二层的叶子节点在右边连续,我们称为完全二叉树
二叉树的遍历
前序遍历
先遍历父节点,再遍历左子节点,最后遍历右子节点
中序遍历
先遍历左子节点,再遍历父节点,最后遍历右子节点
后序遍历
先遍历左子节点,再遍历右子节点,最后遍历父节点
可以看出,前中后的区别在于父节点遍历的时机
示意图
前序遍历结果:1、2、5、6、3
中序遍历结果:5、2、6、1、3
后序遍历结果:5、6、2、3、1
实际代码
此代码使用手动的方式创建二叉树,使用递归的方式遍历二叉树
public class Demo1 {
public static void main(String[] args) {
//创建二叉树
BinaryTree binaryTree = new BinaryTree();
//手动创建节点,并放入二叉树中
StuNode stu1 = new StuNode(1, "A");
StuNode stu2 = new StuNode(2, "B");
StuNode stu3 = new StuNode(3, "C");
StuNode stu4 = new StuNode(4, "D");
stu1.setLeft(stu2);
stu1.setRight(stu3);
stu3.setRight(stu4);
binaryTree.setRoot(stu1);
//遍历二叉树
binaryTree.preTraverse();
binaryTree.midTraverse();
binaryTree.lastTraverse();
}
}
class BinaryTree {
/**
* 根节点
*/
private StuNode root;
public void setRoot(StuNode root) {
this.root = root;
}
public void preTraverse() {
if(root != null) {
System.out.println("前序遍历");
root.preTraverse();
System.out.println();
}else {
System.out.println("二叉树为空!");
}
}
public void midTraverse() {
if(root != null) {
System.out.println("中序遍历");
root.midTraverse();
System.out.println();
}else {
System.out.println("二叉树为空!");
} }
public void lastTraverse() {
if(root != null) {
System.out.println("后序遍历");
root.lastTraverse();
System.out.println();
}else {
System.out.println("二叉树为空!");
} }
}
/**
* 二叉树中的一个节点
* 保存了学生信息和左右孩子信息
*/
class StuNode {
int id;
String name;
StuNode left;
StuNode right;
public StuNode(int id, String name) {
this.id = id;
this.name = name;
}
public int getId() {
return id;
}
public void setId(int id) {
this.id = id;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public StuNode getLeft() {
return left;
}
public void setLeft(StuNode left) {
this.left = left;
}
public StuNode getRight() {
return right;
}
public void setRight(StuNode right) {
this.right = right;
}
@Override
public String toString() {
return "StuNode{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
/**
* 前序遍历
*/
public void preTraverse() {
//父节点的位置
System.out.println(this);
if(left != null) {
left.preTraverse();
}
if(right != null) {
right.preTraverse();
}
}
/**
* 中序遍历
*/
public void midTraverse() {
if(left != null) {
left.midTraverse();
}
//父节点的位置
System.out.println(this);
if(right != null) {
right.midTraverse();
}
}
public void lastTraverse() {
if(left != null) {
left.lastTraverse();
}
if(right != null) {
right.lastTraverse();
}
//父节点的位置
System.out.println(this);
}
}
运行结果
前序遍历
StuNode{id=1, name='A'}
StuNode{id=2, name='B'}
StuNode{id=3, name='C'}
StuNode{id=4, name='D'}
中序遍历
StuNode{id=2, name='B'}
StuNode{id=1, name='A'}
StuNode{id=3, name='C'}
StuNode{id=4, name='D'}
后序遍历
StuNode{id=2, name='B'}
StuNode{id=4, name='D'}
StuNode{id=3, name='C'}
StuNode{id=1, name='A'}
迭代实现
使用迭代对二叉树进行遍历与递归类似,不过需要自己维护一个栈用于存放节点
public class Demo5 {
public static void main(String[] args) {
TreeNode node1 = new TreeNode(1);
TreeNode node2 = new TreeNode(2);
TreeNode node3 = new TreeNode(3);
node1.left = node2;
node1.right = node3;
List<Integer> integers = preTraverse(node1);
System.out.println("前序遍历结果");
for (Integer integer : integers) {
System.out.print(integer);
System.out.print(" ");
}
System.out.println();
List<Integer> integers2 = midTraverse(node1);
System.out.println("中遍历结果");
for (Integer integer : integers2) {
System.out.print(integer);
System.out.print(" ");
}
System.out.println();
List<Integer> integers3 = lastTraverse(node1);
System.out.println("后遍历结果");
for (Integer integer : integers3) {
System.out.print(integer);
System.out.print(" ");
}
System.out.println();
}
/**
* 使用迭代法对二叉树进行前序遍历
* @param root 二叉树根节点
* @return 遍历后的集合
*/
public static List<Integer> preTraverse(TreeNode root) {
// 用于存放结果的集合
List<Integer> result = new ArrayList<>();
if (root == null) {
return result;
}
// 栈,用于存放遍历的节点
Stack<TreeNode> stack = new Stack<>();
stack.push(root);
// 遍历二叉树
while (!stack.isEmpty()) {
// 栈顶元素出栈,并放入集合中
root = stack.pop();
result.add(root.val);
// 先遍历右子树,将其压栈
if (root.right != null) {
stack.push(root.right);
}
// 遍历左子树,压栈
if (root.left != null) {
stack.push(root.left);
}
}
return result;
}
/**
* 使用迭代法对二叉树进行中序遍历
* @param root 二叉树根节点
* @return 中序遍历结果集合
*/
public static List<Integer> midTraverse(TreeNode root) {
List<Integer> result = new ArrayList<>();
if (root == null) {
return result;
}
Stack<TreeNode> stack = new Stack<>();
while (root != null || !stack.isEmpty()) {
// 节点压栈,并遍历其左子树
while (root != null) {
stack.push(root);
root = root.left;
}
// 栈顶元素出栈,放入结果集合
root = stack.pop();
result.add(root.val);
// 遍历该节点的右子树
root = root.right;
}
return result;
}
/**
* 使用迭代法的后序遍历
* @param root 二叉树根节点
* @return 后序遍历集合
*/
public static List<Integer> lastTraverse(TreeNode root) {
List<Integer> result = new ArrayList<>();
if (root == null) {
return result;
}
Stack<TreeNode> stack = new Stack<>();
// 保存放入集合的右子树,避免重复放入
TreeNode pre = null;
while (root != null || !stack.isEmpty()) {
while (root != null) {
stack.push(root);
root = root.left;
}
// 获取栈顶元素
root = stack.pop();
// 如果该元素没有右子树,或者右子树已近被遍历过了,就放入集合
if (root.right == null || root.right == pre) {
result.add(root.val);
pre = root;
root = null;
} else {
// 否则就继续遍历该节点的右子树
stack.push(root);
root = root.right;
}
}
return result;
}
}
运行结果
前序遍历结果
1 2 3
中遍历结果
2 1 3
后遍历结果
2 3 1
二叉树的查找
前、中、后序查找的思路与遍历相似,当找到对应的元素时,直接返回即可。
实现代码
public class Demo2 {
public static void main(String[] args) {
//创建根节点
BinarySearchTree tree = new BinarySearchTree();
//手动创建节点
Student student1 = new Student(1, "A");
Student student2 = new Student(2, "B");
Student student3 = new Student(3, "C");
Student student4 = new Student(4, "D");
Student student5 = new Student(5, "E");
student1.setLeft(student2);
student1.setRight(student3);
student2.setLeft(student4);
student3.setRight(student5);
//指定根节点
tree.setRoot(student1);
//查找
tree.preSearch(3);
tree.midSearch(4);
tree.lastSearch(7);
}
}
class BinarySearchTree {
private Student root;
public void setRoot(Student root) {
this.root = root;
}
public void preSearch(int id) {
System.out.println("前序查找");
if(root == null) {
System.out.println("树为空!");
return;
}
Student result = root.preSearch(id);
if(result == null) {
System.out.println("未找到该元素");
System.out.println();
return;
}
System.out.println(result);
System.out.println();
}
public void midSearch(int id) {
System.out.println("中序查找");
if(root == null) {
System.out.println("树为空!");
return;
}
Student result = root.midSearch(id);
if(result == null) {
System.out.println("未找到该元素");
System.out.println();
return;
}
System.out.println(result);
System.out.println();
}
public void lastSearch(int id) {
System.out.println("后序查找");
if(root == null) {
System.out.println("树为空!");
return;
}
Student result = root.lastSearch(id);
if(result == null) {
System.out.println("未找到该元素");
System.out.println();
return;
}
System.out.println(result);
System.out.println();
}
}
class Student {
int id;
String name;
Student left;
Student right;
public Student(int id, String name) {
this.id = id;
this.name = name;
}
public int getId() {
return id;
}
public void setId(int id) {
this.id = id;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public Student getLeft() {
return left;
}
public void setLeft(Student left) {
this.left = left;
}
public Student getRight() {
return right;
}
public void setRight(Student right) {
this.right = right;
}
@Override
public String toString() {
return "Student{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
/**
* 前序查找
* @param id 要查找的学生id
* @return 查找到的学生
*/
public Student preSearch(int id) {
//如果找到了,就返回
if(this.id == id) {
return this;
}
//在左子树中查找,如果找到了就返回
Student student = null;
if(left != null) {
student = left.preSearch(id);
}
if(student != null) {
return student;
}
//在右子树中查找,无论是否找到,都需要返回
if(right != null) {
student = right.preSearch(id);
}
return student;
}
/**
* 中序查找
* @param id 要查找的学生id
* @return 查找到的学生
*/
public Student midSearch(int id) {
Student student = null;
if(left != null) {
student = left.midSearch(id);
}
if(student != null) {
return student;
}
//找到了就返回
if(this.id == id) {
return this;
}
if(right != null) {
student = right.midSearch(id);
}
return student;
}
/**
* 后序查找
* @param id 要查找的学生id
* @return 查找到的学生
*/
public Student lastSearch(int id) {
Student student = null;
if(left != null) {
student = left.lastSearch(id);
}
if(student !=null) {
return student;
}
if(right != null) {
student = right.lastSearch(id);
}
if(this.id == id) {
return this;
}
return student;
}
}
运行结果
前序查找
Student{id=3, name='C'}
中序查找
Student{id=4, name='D'}
后序查找
未找到该元素
二叉树的删除
删除要求
- 如果删除的是叶子节点,则直接删除即可
- 如果删除的是非叶子节点,则删除该子树
删除思路
- 因为我们的二叉树是单向的,所以我们是判断当前结点的子结点是否需要删除结点,而不能去判断当前这个结点是不是需要删除结点
- 如果当前结点的左子结点不为空,并且左子结点就是要删除结点,就将 this.left = null; 并且就返回 (结束递归删除)
- 如果当前结点的右子结点不为空,并且右子结点就是要删除结点,就将 this.right= null ;并且就返回 (结束递归删除)
- 如果第2和第3步没有删除结点,那么我们就需要向左子树进行递归删除
- 如果 4步也没有删除结点,则应当向右子树进行递归删除
实现代码
public class Demo3 {
public static void main(String[] args) {
//创建根节点
BinaryDeleteTree deleteTree = new BinaryDeleteTree();
//手动创建节点
StudentNode student1 = new StudentNode(1, "A");
StudentNode student2 = new StudentNode(2, "B");
StudentNode student3 = new StudentNode(3, "C");
StudentNode student4 = new StudentNode(4, "D");
StudentNode student5 = new StudentNode(5, "E");
student1.setLeft(student2);
student1.setRight(student3);
student2.setLeft(student4);
student3.setRight(student5);
//指定根节点
deleteTree.setRoot(student1);
//删除节点
deleteTree.deleteNode(3);
}
}
class BinaryDeleteTree {
StudentNode root;
public void setRoot(StudentNode root) {
this.root = root;
}
/**
* 删除节点
* @param id 删除节点的id
*/
public void deleteNode(int id) {
System.out.println("删除节点");
if(root.id == id) {
root = null;
System.out.println("根节点被删除");
return;
}
//调用删除方法
root.deleteNode(id);
}
}
class StudentNode {
int id;
String name;
StudentNode left;
StudentNode right;
public StudentNode(int id, String name) {
this.id = id;
this.name = name;
}
public int getId() {
return id;
}
public void setId(int id) {
this.id = id;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public StudentNode getLeft() {
return left;
}
public void setLeft(StudentNode left) {
this.left = left;
}
public StudentNode getRight() {
return right;
}
public void setRight(StudentNode right) {
this.right = right;
}
@Override
public String toString() {
return "StudentNode{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
/**
* 删除节点
* @param id 删除节点的id
*/
public void deleteNode(int id) {
//如果左子树不为空且是要查找的节点,就删除
if(left != null && left.id == id) {
left = null;
System.out.println("删除成功");
return;
}
//如果右子树不为空且是要查找的节点,就删除
if(right != null && right.id == id) {
right = null;
System.out.println("删除成功");
return;
}
//左递归,继续查找
if(left != null) {
left.deleteNode(id);
}
//右递归,继续查找
if(right != null) {
right.deleteNode(id);
}
}
}
顺序存储二叉树
基本说明
从数据存储来看,数组存储方式和树的存储方式可以相互转换,即数组可以转换成树,树也可以转换成数组
特点
-
顺序二叉树通常只考虑完全二叉树
-
第 n个元素的左子节点为 2 × n + 1
-
第 n个元素的右子节点为 2 × n + 2
-
第 n个元素的
父
节点为
(n-1) ÷2
- 其中n 表示二叉树中的第几个元素(从0开始编号)
遍历过程和二叉树的遍历类似,只不过递归的条件有所不同
实现代码
public class Demo4 {
public static void main(String[] args) {
int[] arr = {1, 2, 3, 4, 5, 6, 7};
ArrBinaryTree arrBinaryTree = new ArrBinaryTree(arr);
//前序遍历
System.out.println("数组前序遍历");
arrBinaryTree.preTraverse();
System.out.println();
//中序遍历
System.out.println("数组中序遍历");
arrBinaryTree.midTraverse();
System.out.println();
//后序遍历
System.out.println("数组后序遍历");
arrBinaryTree.lastTraverse();
System.out.println();
}
}
class ArrBinaryTree {
int[] arr;
final int STEP = 2;
public ArrBinaryTree(int[] arr) {
this.arr = arr;
}
/**
* 数组的前序遍历
*/
public void preTraverse() {
preTraverse(0);
}
/**
* 数组的前序遍历
* @param index 遍历到的数组元素下标
*/
private void preTraverse(int index) {
if(arr == null || arr.length == 0) {
System.out.println("数组为空!");
return;
}
System.out.print(arr[index] + " ");
//向左递归
if((index * STEP) + 1 < arr.length) {
preTraverse((index * STEP) + 1);
}
//向右递归
if((index * STEP) + 2 < arr.length) {
preTraverse((index * STEP) + 2);
}
}
public void midTraverse() {
midTraverse(0);
}
private void midTraverse(int index) {
if(arr == null || arr.length == 0) {
System.out.println("数组为空!");
}
//左递归
if((index * STEP) + 1 < arr.length) {
midTraverse((index * STEP) + 1);
}
System.out.print(arr[index] + " ");
//右递归
if((index * STEP) + 2 < arr.length) {
midTraverse((index * STEP) + 2);
}
}
public void lastTraverse() {
lastTraverse(0);
}
private void lastTraverse(int index) {
if(arr == null || arr.length == 0) {
System.out.println("数组为空!");
}
//左递归
if((index * STEP) + 1 < arr.length) {
lastTraverse((index * STEP) + 1);
}
//右递归
if((index * STEP) + 2 < arr.length) {
lastTraverse((index * STEP) + 2);
}
System.out.print(arr[index] + " ");
}
}
运行结果
数组前序遍历
1 2 4 5 3 6 7
数组中序遍历
4 2 5 1 6 3 7
数组后序遍历
4 5 2 6 7 3 1
线索化二叉树
基本概念
因为一般的二叉树,叶子节点的左右指针都为空,这样就会造成空间的浪费。为了减少浪费,便有了线索化二叉树
- n个结点的二叉链表中含有 n+1 【公式 2n-(n-1)=n+1】个空指针域。利用二叉链表中的空指针域,存放指向该结点在某种遍历次序下的前驱和后继结点的指针
- 这种加上了线索的二叉链表称为线索链表,相应的二叉树称为线索二叉树
- 根据线索性质的不同,线索二叉树可分为前序线索二叉树、中序线索二叉树和后序线索二叉树三种
- 如果一个节点已经有了左右孩子,那么该节点就不能被线索化了,所以线索化二叉树后,节点的left和right有如下两种情况
- left可能指向的是左孩子,也可能指向的是前驱节点
- right可能指向的是右孩子,也可能指向的是后继节点
图解
中序线索化前
中序线索化后
实现代码
线索化思路
- 每个节点需要用两个变量来表示左右指针的类型(保存左右子树,还是前驱后继)
- 需要用两个变量来表示当前节点和当前节点的前驱节点
- 通过将当前节点的左指针指向前驱节点,来实现前驱节点的绑定
- 通过将前驱节点的右指针指向当前节点,来实现后继节点的绑定
遍历方式
- 各个节点可以通过线性的方式遍历,无需使用递归的方式遍历
- 首先有一个外循环,代替递归操作,循环条件的暂存节点不为空
- 第一个内循环用于找到第一个元素,然后打印
- 第二个循环用于找到节点的后继元素
- 最后将暂存节点令为右孩子
public class Demo1 {
public static void main(String[] args) {
//初始化节点
Student student1 = new Student(1, "1");
Student student2 = new Student(2, "3");
Student student3 = new Student(3, "6");
Student student4 = new Student(4, "8");
Student student5 = new Student(5, "10");
Student student6 = new Student(6, "14");
//手动创建二叉树
ThreadedBinaryTree tree = new ThreadedBinaryTree();
student1.setLeft(student2);
student1.setRight(student3);
student2.setLeft(student4);
student2.setRight(student5);
student3.setLeft(student6);
tree.setRoot(student1);
tree.midThreaded();
//得到第五个节点的前驱节点和后继节点
System.out.println("第五个节点的前驱节点和后继节点");
System.out.println(student5.getLeft());
System.out.println(student5.getRight());
//遍历线索化二叉树
System.out.println("遍历线索化二叉树");
tree.midThreadedTraverse();
}
}
class ThreadedBinaryTree {
private Student root;
/**
* 指向当前节点的前一个节点
*/
private Student pre;
public void setRoot(Student root) {
this.root = root;
}
/**
* 中序线索化
* @param node 当前节点
*/
private void midThreaded(Student node) {
if(node == null) {
return;
}
//左线索化
midThreaded(node.getLeft());
//线索化当前节点
//如果当前节点的左指针为空,就指向前驱节点,并改变左指针类型
if(node.getLeft() == null) {
node.setLeft(pre);
node.setLeftType(1);
}
//通过前驱节点来将右指针的值令为后继节点
if(pre != null && pre.getRight() == null) {
pre.setRight(node);
pre.setRightType(1);
}
//处理一个节点后,让当前节点变为下一个节点的前驱节点
pre = node;
//右线索化
midThreaded(node.getRight());
}
public void midThreaded() {
midThreaded(root);
}
/**
* 遍历线索化后的二叉树
*/
public void midThreadedTraverse() {
//暂存遍历到的节点
Student tempNode = root;
//非递归的方法遍历,如果tempNode不为空就一直循环
while(tempNode != null) {
//一直访问二叉树的左子树,直到某个节点的左子树指向前驱节点
while(tempNode.getLeftType() != 1) {
tempNode = tempNode.getLeft();
}
//找到了第一个节点
System.out.println(tempNode);
//再访问该节点的右子树,看是否保存了后继节点
//如果是,则打印该节点的后继节点信息
while(tempNode.getRightType() == 1) {
tempNode = tempNode.getRight();
System.out.println(tempNode);
}
tempNode = tempNode.getRight();
}
}
}
class Student {
private int id;
private String name;
private Student left;
private Student right;
/**
* 左、右指针的类型,0-->指向的是左右孩子,1-->指向的是前驱、后续节点
*/
private int leftType = 0;
private int rightType = 0;
public Student(int id, String name) {
this.id = id;
this.name = name;
}
public int getId() {
return id;
}
public void setId(int id) {
this.id = id;
}
public String getName() {
return name;
}
public void setName(String name) {
this.name = name;
}
public Student getLeft() {
return left;
}
public void setLeft(Student left) {
this.left = left;
}
public Student getRight() {
return right;
}
public void setRight(Student right) {
this.right = right;
}
public int getLeftType() {
return leftType;
}
public void setLeftType(int leftType) {
this.leftType = leftType;
}
public int getRightType() {
return rightType;
}
public void setRightType(int rightType) {
this.rightType = rightType;
}
@Override
public String toString() {
return "Student{" +
"id=" + id +
", name='" + name + '\'' +
'}';
}
}
运行结果
第五个节点的前驱节点和后继节点
Student{id=2, name='3'}
Student{id=1, name='1'}
遍历线索化二叉树
Student{id=4, name='8'}
Student{id=2, name='3'}
Student{id=5, name='10'}
Student{id=1, name='1'}
Student{id=6, name='14'}
Student{id=3, name='6'}
2、树的应用
堆排序
哈夫曼树
基本介绍
- 给定 n个权值作为 n个叶子结点,构造一棵二叉树,若该树的带权路径长度(wpl)达到最小,称这样的二叉树为最优二叉树,也称为哈夫曼树(Huffman Tree)
- 哈夫曼树是带权路径长度最短的树,权值较大的结点离根较近
重要概念
-
路径和路径长度:在一棵树中,从一个结点往下可以达到的孩子或孙子结点之间的通路,称为路径。通路中分支的数目称为路径长度。若规定根结点的层数为1,则从根结点到第L层结点的路径长度为 L-1
-
结点的权及带权路径长度
:若将树中结点赋给一个有着某种含义的数值,则这个数值称为该
结点的权
。
- 结点的带权路径长度为:从根结点到该结点之间的路径长度与该结点的权的乘积(W×L)
-
树的带权路径长度:树的带权路径长度规定为所有叶子结点的带权路径长度之和(W1×L1+W2×L2…),记为WPL(weighted pathlength) ,权值越大的结点离根结点越近的二叉树才是最优二叉树。
-
WPL最小的就是哈夫曼树
创建思路及图解
创建思路
- 从小到大进行排序, 将每一个数据,每个数据都是一个节点 , 每个节点可以看成是一颗最简单的二叉树
- 取出根节点权值最小的两颗二叉树
- 组成一颗新的二叉树, 该新的二叉树的根节点的权值是前面两颗二叉树根节点权值的和
- 再将这颗新的二叉树,以根节点的权值大小 再次排序,不断重复 1-2-3-4 的步骤,直到数列中,所有的数据都被处理,就得到一颗赫夫曼树
图解
以{3, 6, 7, 1, 8, 29, 13}为例
首先排序:{1, 3, 6, 7, 8, 13, 29}
[]
[]
[]
[]
[]
[]
实现代码
public class Demo1 {
public static void main(String[] args) {
int[] arr = {3, 6, 7, 1, 8, 29, 13};
HuffmanTree huffmanTree = new HuffmanTree();
Node root = huffmanTree.createHuffmanTree(arr);
root.preTraverse();
}
}
class HuffmanTree {
public Node createHuffmanTree(int[] arr) {
//创建数组用于存放Node
ArrayList<Node> nodes = new ArrayList<>(arr.length);
for(int value : arr) {
nodes.add(new Node(value));
}
//对集合中的元素进行排序
Collections.sort(nodes);
while(nodes.size() > 1) {
//左右子树在集合中对应的下标
int leftIndex = 0;
int rightIndex = 1;
//取出最小的两个节点
Node leftNode = nodes.get(leftIndex);
Node rightNode = nodes.get(rightIndex);
//创建父节点,并创建左右子树
Node parent = new Node(leftNode.value + rightNode.value);
parent.left = leftNode;
parent.right = rightNode;
//从集合中移除两个最小的节点,并将父节点放入集合中
nodes.add(parent);
nodes.remove(leftNode);
nodes.remove(rightNode);
//再次比较
Collections.sort(nodes);
}
//返回根节点
return nodes.get(0);
}
}
class Node implements Comparable<Node> {
int value;
Node left;
Node right;
public Node(int value) {
this.value = value;
}
@Override
public String toString() {
return "Node{" +
"value=" + value +
'}';
}
/**
* 重写比较函数,用于排序
*/
@Override
public int compareTo(Node o) {
return value - o.value;
}
public void preTraverse() {
System.out.print(this.value + " ");
if (this.left != null) {
this.left.preTraverse();
}
if (this.right != null) {
this.right.preTraverse();
}
}
}
运行结果
前序遍历哈夫曼树
67 29 38 15 7 8 23 10 4 1 3 6 13
哈夫曼编码
原理及图解
前缀编码:任何一个字符的编码,都不会是其它的字符的前缀
- 统计需编码的字符串中,各个字符出现的次数:如helloworld
- h:1 e:1 w:1 r:1 d:1 o:2 l:3
- 将字符出现的次数作为权值,构建哈弗曼树。如下图
[]
- 根据哈弗曼树进行编码,向左的路径为0,向右的路径为1
- 字符编码结果为:h:000 e:001 w:100 d:1010 r:1011 l:11 o:01
- 字符串编码结果为:000001111101100011011111010
实现代码
此处代码只实现了哈弗曼树的创建与每个字符的编码
public class Demo2 {
public static void main(String[] args) {
String str = "helloworld";
//哈夫曼编码
HuffmanCode huffmanCode = new HuffmanCode();
ArrayList<Code> list = huffmanCode.getList(str);
//构建哈弗曼树
Code root = huffmanCode.createHuffmanTree(list);
System.out.println("前序遍历哈弗曼树");
root.preTraverse();
//进行哈弗曼编码
Map<Byte, String> codeMap = root.getCodeMap();
System.out.println("哈弗曼编码");
System.out.println(codeMap);
}
}
class HuffmanCode {
public ArrayList<Code> getList(String codes) {
//得到字符串对应的字节数组
byte[] byteCodes = codes.getBytes();
//创建哈希表,用于存放数据及其权值(出现次数)
Map<Byte, Integer> dataAndWight = new HashMap<>();
for(byte b : byteCodes) {
Integer wight = dataAndWight.get(b);
//如果还没有该数据,就创建并让其权值为1
if(dataAndWight.get(b) == null) {
dataAndWight.put(b, 1);
}else {
//如果已经有了该数据,就让其权值加一
dataAndWight.put(b, wight+1);
}
}
//创建List,用于返回
ArrayList<Code> list = new ArrayList<>();
//遍历哈希表,放入List集合中
for(Map.Entry<Byte, Integer> entry : dataAndWight.entrySet()) {
list.add(new Code(entry.getKey(), entry.getValue()));
}
return list;
}
public Code createHuffmanTree(ArrayList<Code> lists) {
int leftIndex = 0;
int rightIndex = 1;
//根据权值进行排序
Collections.sort(lists);
while (lists.size() > 1) {
Code leftCode = lists.get(leftIndex);
Code rightCode = lists.get(rightIndex);
Code parent = new Code(null,leftCode.weight + rightCode.weight);
parent.left = leftCode;
parent.right = rightCode;
lists.add(parent);
lists.remove(leftCode);
lists.remove(rightCode);
//再次排序
Collections.sort(lists);
}
return lists.get(0);
}
}
class Code implements Comparable<Code> {
Byte data;
int weight;
Code left;
Code right;
private Map<Byte, String> codeMap = new HashMap<>();
public Code(Byte data, int weight) {
this.data = data;
this.weight = weight;
}
@Override
public String toString() {
return "Code{" +
"data=" + data +
", weight=" + weight +
'}';
}
public void preTraverse() {
System.out.println(this);
if(left != null) {
left.preTraverse();
}
if(right != null) {
right.preTraverse();
}
}
public Map<Byte, String> getCodeMap() {
return getCode(this, "", new StringBuilder());
}
/**
* 对哈弗曼树中的叶子节点进行编码
* @param node 根节点
* @param code 左子树为0,右子树为1
* @param stringBuilder 用于拼接的字符串
* @return
*/
private Map<Byte, String> getCode(Code node, String code, StringBuilder stringBuilder) {
//新建拼接路径
StringBuilder appendCode = new StringBuilder(stringBuilder);
appendCode.append(code);
if(node != null) {
//如果是非叶子结点,就继续向下遍历
if(node.data == null) {
getCode(node.left, "0", appendCode);
getCode(node.right, "1", appendCode);
}else {
//如果是叶子节点,就将哈弗曼编码放入哈希表中
codeMap.put(node.data, appendCode.toString());
}
}
return codeMap;
}
@Override
public int compareTo(Code o) {
return weight - o.weight;
}
}
运行结果
前序遍历哈弗曼树
Code{data=null, weight=10}
Code{data=null, weight=4}
Code{data=null, weight=2}
Code{data=114, weight=1}
Code{data=100, weight=1}
Code{data=null, weight=2}
Code{data=101, weight=1}
Code{data=119, weight=1}
Code{data=null, weight=6}
Code{data=108, weight=3}
Code{data=null, weight=3}
Code{data=104, weight=1}
Code{data=111, weight=2}
每个字符对应的哈弗曼编码
{114=000, 100=001, 101=010, 119=011, 104=110, 108=10, 111=111}
二叉排序树
基本介绍
二叉排序树:BST: (Binary Sort(Search) Tree), 对于二叉排序树的任何一个非叶子节点,要求左子节点的值比当前节点的值小,右子节点的值比当前节点的值大
- 特别说明:如果有相同的值,可以将该节点放在左子节点或右子节点
比如针对前面的数据 (7, 3, 10, 12, 5, 1, 9) ,对应的二叉排序树为:
[]
操作思路
添加
- 根据插入节点的值来寻找其应该插入的位置
- 新插入的节点都是叶子节点
删除
删除叶子节点(如删除值为2节点)
- 找到待删除的节点
- 找到待删除节点的父节点
- 判断待删除节点是其父节点的左孩子还是右孩子,然后让其令为空
删除只有一颗子树的节点(如删除值为1的节点)
- 找到待删除的节点
- 找到待删除的节点的父节点
- 判断待删除节点是其父节点的左孩子还是右孩子
- 判断待删除节点的子树是其左孩子还是右孩子
- 让父节点指向待删除节点的子树指向待删除节点的子树
删除有两颗子树的节点(如删除值为3的节点)
- 找到待删除的节点
- 找到待删除的节点的父节点
- 判断待删除节点是其父节点的左孩子还是右孩子
- 顺着待删除节点的右子树,找到一个值最小的节点(该值的大小最接近待删除节点的值)
- 让父节点指向待删除节点的子树指向上一步找到的最小的节点
删除根节点(如删除值为7的节点)
- 删除根结点的方法和删除有两个子树的方法相似
- 找到一个接近根节点值的节点
- 删除该节点,将该节点的值赋值给根节点即可
实现代码
public class Demo1 {
public static void main(String[] args) {
int[] arr = {7, 3, 10, 12, 5, 1, 9, 2};
//创建二叉排序树
BinarySortTree binarySortTree = new BinarySortTree();
for (int i = 0; i < arr.length; i++) {
binarySortTree.addNode(new Node(arr[i]));
}
//前序遍历
System.out.println("前序遍历二叉排序树");
binarySortTree.preTraverse();
System.out.println();
//删除值为5、1、3、10、7的节点
binarySortTree.deleteNode(2);
binarySortTree.deleteNode(1);
binarySortTree.deleteNode(10);
binarySortTree.deleteNode(7);
System.out.println("前序遍历二叉排序树");
binarySortTree.preTraverse();
}
}
class BinarySortTree {
private Node root;
public void addNode(Node node) {
//如果根节点为空,就直接将该节点作为根节点
if (root == null) {
root = node;
return;
}
//否则就插入该节点到对应的位置
root.add(node);
}
public void preTraverse() {
if(root == null) {
System.out.println("二叉树为空");
} else {
root.preTraverse();
}
}
public Node getTargetNode(int targetValue) {
if (root == null) {
System.out.println("请先创建二叉树");
return null;
} else {
return root.getTargetNode(targetValue);
}
}
public Node getParentNode(int targetValue) {
if (root == null) {
System.out.println("请先创建二叉树");
return null;
} else {
return root.getParentNode(targetValue);
}
}
/**
* 删除节点
*
* @param targetValue 待删除节点的值
*/
public void deleteNode(int targetValue) {
if (root == null) {
System.out.println("请先创建二叉树");
return;
}
//找到待删除结点
Node targetNode = getTargetNode(targetValue);
if (targetNode == null) {
System.out.println("未找到该节点,删除失败");
return;
}
//如果只有一个根节点,就删除根节点
if(root.left == null && root.right == null) {
root = null;
System.out.println("删除成功");
return;
}
//得到其父节点
Node parentNode = getParentNode(targetValue);
//如果父节点为空(待删除节点为根节点)
if(parentNode == null) {
int minValue = getMinValue(targetNode.right);
deleteNode(minValue);
//根节点的值令为最接近的值
targetNode.value = minValue;
return;
}
//如果待删除节点为叶子节点
if (targetNode.left == null && targetNode.right == null) {
if (parentNode.left != null && parentNode.left == targetNode) {
//删除左子树
parentNode.left = null;
System.out.println("删除成功");
} else if (parentNode.right != null && parentNode.right == targetNode) {
//删除右子树
parentNode.right = null;
System.out.println("删除成功");
}
} else if (targetNode.left != null && targetNode.right != null) {
//待删除节点有左右子树
//得到并删除待删除节点右子树中值最小的节点
int minValue = getMinValue(targetNode.right);
deleteNode(minValue);
//将值最小的节点的值作为新的目标节点
targetNode.value = minValue;
} else {
//待删除节点只有左子树
if(targetNode.left != null) {
if(parentNode.left != null && parentNode.left == targetNode) {
parentNode.left = targetNode.left;
} else if (parentNode.right != null && parentNode.right == targetNode) {
parentNode.right = targetNode.left;
}
} else {
//待删除节点只有右子树
if(parentNode.left != null && parentNode.left == targetNode) {
parentNode.left = targetNode.right;
} else if (parentNode.right != null && parentNode.right == targetNode) {
parentNode.right = targetNode.right;
}
}
}
}
/**
* 找到以node为根节点的二叉树的最小节点的值
* @param node 作为根节点的节点
* @return 值最小的节点的值
*/
public int getMinValue(Node node) {
while(node.left != null) {
node = node.left;
}
//返回值最小的节点
return node.value;
}
}
class Node {
int value;
Node left;
Node right;
public Node(int value) {
this.value = value;
}
@Override
public String toString() {
return "Node{" +
"value=" + value +
'}';
}
/**
* 添加节点到二叉排序树的对应位置
*
* @param node 待插入的节点
*/
public void add(Node node) {
if (node == null) {
return;
}
//如果该节点的值大待插入节点的值
if (value > node.value) {
//如果该节点的左子树为空,就直接插入
if (left == null) {
left = node;
} else {
left.add(node);
}
} else {
if (right == null) {
right = node;
} else {
right.add(node);
}
}
}
/**
* 前序遍历
*/
public void preTraverse() {
System.out.println(this);
if (left != null) {
left.preTraverse();
}
if (right != null) {
right.preTraverse();
}
}
/**
* 得到目标节点
*
* @param targetValue 目标节点的值
* @return 目标节点
*/
public Node getTargetNode(int targetValue) {
//如果当前节点就是目标节点,就返回
if (value == targetValue) {
return this;
}
//如果当前节点的值大于目标节点,就向左查找,反之向右查找
if (value > targetValue) {
if (left == null) {
return null;
} else {
return left.getTargetNode(targetValue);
}
} else {
if (right == null) {
return null;
} else {
return right.getTargetNode(targetValue);
}
}
}
/**
* 得到目标节点的父节点
*
* @param targetValue 目标节点的值
* @return 目标节点的父节点
*/
public Node getParentNode(int targetValue) {
//如果左右子树是目标节点,就返回该节点,否则继续向下查找
if (left != null && left.value == targetValue) {
return this;
} else if (right != null && right.value == targetValue) {
return this;
} else {
if (left != null && value > targetValue) {
return left.getParentNode(targetValue);
}
if (right != null && value <= targetValue) {
return right.getParentNode(targetValue);
} else {
//没有父节点(根节点)
return null;
}
}
}
}
运行结果
前序遍历二叉排序树
Node{value=7}
Node{value=3}
Node{value=1}
Node{value=2}
Node{value=5}
Node{value=10}
Node{value=9}
Node{value=12}
删除成功
删除成功
删除成功
删除成功
前序遍历二叉排序树
Node{value=9}
Node{value=3}
Node{value=5}
Node{value=12}
平衡二叉树
基本介绍
为什么需要平衡二叉树
- 如果由数组{1, 2, 3, 4}来构建一颗二叉排序树,得到的二叉树不仅没有体现其特点,反而还退化成了链表
简介
- 平衡二叉树也叫平衡二叉搜索树(Self-balancing binary search tree)又被称为AVL树,可以保证查询效率较高
- 具有以下特点:
- 它是一棵空树或它的左右两个子树的高度差的绝对值不超过 1,并且左右两个子树都是一棵平衡二叉树
- 平衡二叉树的常用实现方法有红黑树、AVL、替罪羊树、Treap、伸展树等
- 下图所示的二叉树就是平衡二叉树
应用案例——左旋转
将由数列 {4,3,6,5,7,8}构建的二叉排序树,修改为一颗平衡二叉树
此处右子树的高度高于左子树,且差值大于1,所以需要进行左旋转,来降低右子树的高度
[]
步骤
- 创建一个新节点,值为当前节点的值(4)
[]
- 让新节点的左子树指向当前节点的左子树
[]
- 让新节点的右子树指向当前节点的右子树的左子树
-
将当前节点的值改为其右子树的值
[]
-
将当前节点的右子树变为其右子树的右子树
[]
- 让当前节点的左子树指向新节点
[]
整理后结果
[]
当一颗二叉排序树的左子树高度大于右子树高度,且差值大于1时,需要进行右旋转,来降低左子树的高度
步骤
- 创建一个新节点,其值为当前节点的值
- 将新节点的右子树指向当前节点的右子树
- 将新节点的左子树指向当前节点的左子树的右子树
- 将当前节点的值改为其左子树的值
- 将当前节点的左子树指向其左子树的左子树
- 将当前节点的右子树指向新节点
应用案例——双旋转
某些时候,只进行左旋转或者右旋转,并不能将二叉排序树变为平衡二叉树。这时就需要进行双旋转,即同时进行左旋转和右旋转
- 进行左旋转时,如果当前节点右子树的左子树高于其右子树,需要先进行左旋转
[]
- 进行右旋转时,如果当前节点左子树的右子树高于其左子树,需要先进性右旋转
[]
实现代码
public class Demo1 {
public static void main(String[] args) {
int[] arr = {10, 7, 11, 5, 8, 9};
AVLTree tree = new AVLTree();
for (int value : arr) {
tree.addNode(new Node(value));
}
System.out.println("左右子树高度差值为 " + tree.getDifference());
System.out.println("前序遍历");
tree.preTraverse();
}
}
class AVLTree {
private Node root;
public void addNode(Node node) {
//如果根节点为空,就直接将该节点作为根节点
if (root == null) {
root = node;
return;
}
//否则就插入该节点到对应的位置
root.add(node);
}
public void preTraverse() {
if(root == null) {
System.out.println("二叉树为空");
} else {
root.preTraverse();
}
}
/**
* 找到以node为根节点的二叉树的最小节点的值
* @param node 作为根节点的节点
* @return 值最小的节点的值
*/
public int getMinValue(Node node) {
while(node.left != null) {
node = node.left;
}
//返回值最小的节点
return node.value;
}
public int getDifference() {
int leftHeight = root.getLeftHeight();
int rightHeight = root.getRightHeight();
//返回左右子树高度差值
return Math.abs(leftHeight - rightHeight);
}
}
class Node {
int value;
Node left;
Node right;
public Node(int value) {
this.value = value;
}
@Override
public String toString() {
return "Node{" +
"value=" + value +
'}';
}
/**
* 添加节点到二叉排序树的对应位置
*
* @param node 待插入的节点
*/
public void add(Node node) {
if (node == null) {
return;
}
//如果该节点的值大待插入节点的值
if (value > node.value) {
//如果该节点的左子树为空,就直接插入
if (left == null) {
left = node;
} else {
left.add(node);
}
} else {
if (right == null) {
right = node;
} else {
right.add(node);
}
}
//如果右子树高度与左子树高度差值大于一,就进行左旋转
if(getRightHeight() - getLeftHeight() > 1) {
//如果当前节点右子树的左子树高度高于右子树,其右子树先进行右旋转
if(right.getLeftHeight() > right.getRightHeight()) {
right.rightRotate();
}
leftRotate();
}
//如果左子树高度与右子树的高度差值大于一,就进行右旋转
if(getLeftHeight() - getRightHeight() > 1) {
//如果当前节点左子树的右子树高度高于左子树,其左子树先进行左旋转
if(left.getRightHeight() > left.getLeftHeight()) {
left.leftRotate();
}
rightRotate();
}
}
/**
* 前序遍历
*/
public void preTraverse() {
System.out.println(this);
if (left != null) {
left.preTraverse();
}
if (right != null) {
right.preTraverse();
}
}
/**
* 获得该节点为根节点的树的高度
*
* @return 高度
*/
public int getHeight() {
return Math.max(left == null ? 0 : left.getHeight(), right == null ? 0 : right.getHeight()) + 1;
}
public int getLeftHeight() {
if(left == null) {
return 0;
} else {
return left.getHeight();
}
}
public int getRightHeight() {
if(right == null) {
return 0;
} else {
return right.getHeight();
}
}
/**
* 对二叉排序树进行左旋转(右子树高度较高)
*/
public void leftRotate() {
//创建新节点
Node newNode = new Node(value);
//新节点的左子树指向当前节点的左子树
newNode.left = left;
//新节点的右子树指向当前节点的右子树的左子树
newNode.right = right.left;
//当前节点的值变为其右子树的值
value = right.value;
//当前节点的右子树指向其右子树的右子树
right = right.right;
//当前节点的左子树指向新节点
left = newNode;
}
/**
* 对二叉树进行右旋转(左子树高度较高)
*/
public void rightRotate() {
//创建新节点,值为当前节点的值
Node newNode = new Node(value);
//新节点的右子树为当前节点的右子树
newNode.right = right;
//新节点的左子树为当前节点的左子树的右子树
newNode.left = left.right;
//当前节点的值为其左子树的值
value = left.value;
//当前节点的左子树为其左子树的左子树
left = left.left;
//当前节点的右子树为新节点
right = newNode;
}
}
运行结果
左右子树高度差值为 0
前序遍历
Node{value=8}
Node{value=7}
Node{value=5}
Node{value=10}
Node{value=9}
Node{value=11}
3、多叉树
基本介绍
在二叉树中,每个节点最多有一个数据项和两个子节点。如果允许每个节点可以有更多的数据项和更多的子节点,就是多叉树(multiway tree)
多叉树通过重新组织节点,减少树的高度,能对二叉树进行优化
2-3树
2-3树是最简单的B树结构,具有以下特点
- 2-3树的所有叶子节点都在同一层(只要是 B树都满足这个条件)
- 有两个子节点的节点叫二节点,二节点要么没有子节点,要么有两个子节点
- 有三个子节点的节点叫三节点,三节点要么没有子节点,要么有三个子节点
- 2-3树是由二节点和三节点构成的树(2和3)
2-3树插入规则
- 2-3树的所有叶子节点都在同一层.(只要是 B树都满足这个条件)
- 有两个子节点的节点叫二节点,二节点要么没有子节点,要么有两个子节点
- 有三个子节点的节点叫三节点,三节点要么没有子节点,要么有三个子节点
- 当按照规则插入一个数到某个节点时,不能满足上面三个要求,就需要拆,先向上拆,如果上层满,则拆本层,拆后仍然需要满足上面 3个条件
- 对于三节点的子树的值大小仍然遵守(BST 二叉排序树)的规则
- 左边的子树值小于父节点的值
- 中间的子树值在父节点的值之间
- 右边子树的值大于父节点的值
B树、B+和B*树
B树
- B树的阶:节点的最多子节点个数。比如 2-3树的阶是3,2-3-4树的阶是4
- B树的搜索,从根结点开始,对结点内的关键字(有序)序列进行二分查找,如果命中则结束,否则进入查询关键字所属范围的儿子结点;重复,直到所对应的儿子指针为空,或已经是叶子结点
- 关键字集合分布在整颗树中, 即叶子节点和非叶子节点都存放数据
- 搜索有可能在非叶子结点结束
- 其搜索性能等价于在关键字全集内做一次二分查找
B+树
- B+树是B树的变体,也是一种多路搜索树
- B+树的搜索与 B树也基本相同,区别是 B+树只有达到叶子结点才命中(B树可以在非叶子结点命中),其性能也等价于在关键字全集做一次二分查找
- 所有关键字都出现在叶子结点的链表中(即数据只能在叶子节点【也叫稠密索引】),且链表中的关键字(数据)恰好是有序的
- 不可能在非叶子结点命中
- 非叶子结点相当于是叶子结点的索引(稀疏索引),叶子结点相当于是存储(关键字)数据的数据层
- 更适合文件索引系统
- B树和 B+树各有自己的应用场景,不能说 B+树完全比 B树好,反之亦然
B*树
- B*树是 B+树的变体,在 B+树的非根和非叶子结点再增加指向兄弟的指针
- B*树定义了非叶子结点关键字个数至少为(2/3)M,即块的最低使用率为 2/3,而B+树的块的最低使用率为的1/2
- 从第 1个特点我们可以看出,B*树分配新结点的概率比B+树要低,空间使用率更高
九、图结构
1、基本介绍
定义
- 当我们需要表示多对多的关系时,我们就需要图
- 图是一种数据结构,其中结点可以具有零个或多个相邻元素。两个结点之间的连接称为边。结点也可以称为顶点
表示方法
邻接矩阵
- 邻接矩阵是表示图形中顶点之间相邻关系的矩阵,对于n个顶点的图而言,矩阵是的row和 col表示的是1…n个点
如上图的邻接矩阵就是
0 1 0 0 1
1 0 1 1 0
0 1 0 0 0
0 1 0 0 1
1 0 0 1 0
其中0表示没有连接,1表示有连接
邻接表
-
邻接矩阵需要为每个顶点都分配 n个边的空间,其实有很多边都是不存在,会造成空间的一定损失
-
邻接表的实现只关心存在的边,不关心不存在的边。因此没有空间浪费,
邻接表由数组+链表组成
- 数组的索引代表顶点
- 链表中元素的值代表与该顶点相连的顶点的值
如上图的进阶表就是
2、图的创建
邻接矩阵创建图
public class Demo2 {
public static void main(String[] args) {
int sum = 5;
String[] vertex = {"A", "B", "C", "D", "E"};
Graph graph = new Graph(sum);
//指明图的顶点
for(String top : vertex) {
graph.insertVertex(top);
}
//指明相连的顶点
graph.insertEdge(0, 1, 1);
graph.insertEdge(0, 2, 1);
graph.insertEdge(1, 2, 1);
graph.insertEdge(1, 3, 1);
graph.insertEdge(1, 4, 1);
//显示邻接矩阵
System.out.println("邻接矩阵");
graph.showGraph();
}
}
class Graph {
ArrayList<String> vertexList;
int[][] edges;
int numOfEdges;
public Graph(int sum) {
//根据顶点总数进行初始化
vertexList = new ArrayList<>(sum);
edges = new int[sum][sum];
numOfEdges = 0;
}
public void insertVertex(String vertex) {
vertexList.add(vertex);
}
public void insertEdge(int vertex1, int vertex2, int weight) {
edges[vertex1][vertex2] = weight;
edges[vertex2][vertex1] = weight;
numOfEdges++;
}
public int getNumOfEdges() {
return numOfEdges;
}
public int getNumOfVertex() {
return vertexList.size();
}
public int getWeight(int vertex1, int vertex2) {
return edges[vertex1][vertex2];
}
public void showGraph() {
for(int[] list : edges) {
System.out.println(Arrays.toString(list));
}
}
}
运行结果
[0, 1, 1, 0, 0]
[1, 0, 1, 1, 1]
[1, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
3、图的遍历
对该图进行深度优先遍历和广度优先遍历
深度优先遍历(DFS)
- 深度优先遍历,从初始访问结点出发,初始访问结点可能有多个邻接结点,深度优先遍历的策略就是首先访问第一个邻接结点,然后再以这个被访问的邻接结点作为初始结点,访问它的第一个邻接结点,可以这样理解:每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。
- 这样的访问策略是优先往纵向挖掘深入
- 深度优先搜索是一个递归的过程
思路
- 访问初始结点v,并标记结点v为已访问
- 查找结点v的第一个邻接结点w
- 若w存在,则继续执行4,如果w不存在,则回到第1步,将从v的下一个结点继续
- 若w未被访问,对w进行深度优先遍历递归(即把w当做另一个v,然后进行步骤123)
- 查找结点v的w邻接结点的下一个邻接结点,转到步骤 3
实现代码
public class Demo2 {
public static void main(String[] args) {
int sum = 5;
String[] vertex = {"A", "B", "C", "D", "E"};
Graph graph = new Graph(sum);
//指明图的顶点
for(String top : vertex) {
graph.insertVertex(top);
}
//指明相连的顶点
graph.insertEdge(0, 1, 1);
graph.insertEdge(0, 2, 1);
graph.insertEdge(0, 3, 1);
graph.insertEdge(1, 2, 1);
graph.insertEdge(1, 4, 1);
//显示邻接矩阵
System.out.println("邻接矩阵");
graph.showGraph();
//深度优先遍历
System.out.println("进行深度优先遍历");
graph.dfs();
}
}
class Graph {
private ArrayList<String> vertexList;
private int[][] edges;
private int numOfEdges;
/**
* 标记是否访问过该顶点,用于遍历
*/
private boolean[] isTraversed;
public Graph(int sum) {
//根据顶点总数进行初始化
vertexList = new ArrayList<>(sum);
edges = new int[sum][sum];
isTraversed = new boolean[sum];
numOfEdges = 0;
}
public void insertVertex(String vertex) {
vertexList.add(vertex);
}
public void insertEdge(int vertex1, int vertex2, int weight) {
edges[vertex1][vertex2] = weight;
edges[vertex2][vertex1] = weight;
numOfEdges++;
}
public void showGraph() {
for(int[] list : edges) {
System.out.println(Arrays.toString(list));
}
}
/**
* 深度优先遍历
* @param vertex 开始顶点下标
*/
private void dfs(int vertex) {
//被访问过了就返回
if(isTraversed[vertex]) {
return;
}
System.out.print(vertexList.get(vertex) + "->");
//标记已被访问
isTraversed[vertex] = true;
//从相邻顶点开始深度优先遍历
for(int nextVertex = vertex+1; nextVertex<vertexList.size(); nextVertex++) {
//如果该顶点存在且未被访问,就向下访问
if(edges[vertex][nextVertex] != 0 && !isTraversed[nextVertex] ) {
dfs(nextVertex);
}
}
}
public void dfs() {
//对未被访问的顶点都进行深度优先遍历
for(int i = 0; i<vertexList.size(); i++) {
if(!isTraversed[i]) {
dfs(i);
}
}
}
}
运行结果
邻接矩阵
[0, 1, 1, 0, 0]
[1, 0, 1, 1, 1]
[1, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
[0, 1, 0, 0, 0]
进行深度优先遍历
A->B->C->E->D->
广度优先遍历(BFS)
- 类似于一个分层搜索的过程,广度优先遍历需要使用一个队列以保持访问过的结点的顺序,以便按这个顺序来访问这些结点的邻接结点
思路
- 访问初始结点 v并标记结点 v为已访问
- 结点v入队列
- 当队列非空时,继续执行,否则算法结束
- 出队列,取得队头结点u
- 查找结点 u的第一个邻接结点 w。
- 若结点 u的邻接结点 w不存在,则转到步骤 3;否则循环执行以下三个步骤:
- 若结点 w尚未被访问,则访问结点 w并标记为已访问
- 结点 w入队列
- 查找结点 u的继 w邻接结点后的下一个邻接结点 w,转到步骤6
实现代码
public class Demo2 {
public static void main(String[] args) {
int sum = 5;
String[] vertex = {"A", "B", "C", "D", "E"};
Graph graph = new Graph(sum);
//指明图的顶点
for(String top : vertex) {
graph.insertVertex(top);
}
//指明相连的顶点
graph.insertEdge(0, 1, 1);
graph.insertEdge(0, 2, 1);
graph.insertEdge(0, 3, 1);
graph.insertEdge(1, 2, 1);
graph.insertEdge(1, 4, 1);
//显示邻接矩阵
System.out.println("邻接矩阵");
graph.showGraph();
//广度优先遍历
System.out.println("进行广度优先遍历");
graph.bfs();
}
}
class Graph {
private ArrayList<String> vertexList;
private int[][] edges;
private int numOfEdges;
/**
* 标记是否访问过该顶点,用于遍历
*/
private boolean[] isTraversed;
/**
* 用于保存访问过的顶点
*/
private Queue<Integer> queue;
public Graph(int sum) {
//根据顶点总数进行初始化
vertexList = new ArrayList<>(sum);
edges = new int[sum][sum];
isTraversed = new boolean[sum];
numOfEdges = 0;
queue = new LinkedList<Integer>();
}
public void insertVertex(String vertex) {
vertexList.add(vertex);
}
public void insertEdge(int vertex1, int vertex2, int weight) {
edges[vertex1][vertex2] = weight;
edges[vertex2][vertex1] = weight;
numOfEdges++;
}
public void showGraph() {
for(int[] list : edges) {
System.out.println(Arrays.toString(list));
}
}
/**
* 广度优先遍历
*
* @param vertex 遍历顶点的下标
*/
private void bfs(int vertex) {
//未被访问,打印顶点信息
if(!isTraversed[vertex]) {
System.out.print(vertexList.get(vertex) + "->");
isTraversed[vertex] = true;
}
//继续访问相邻元素
for(int nextVertex = vertex+1; nextVertex < vertexList.size(); nextVertex++) {
//如果存在且未被访问
if(edges[vertex][nextVertex] != 0 && !isTraversed[nextVertex]) {
//打印顶点信息
System.out.print(vertexList.get(nextVertex) + "->");
//标记为已访问
isTraversed[nextVertex] = true;
//入队
queue.add(nextVertex);
}
}
//相邻元素访问完了(广度优先),再让队列中的元素出队,继续访问
while (!queue.isEmpty()) {
//队首元素出队,继续访问
bfs(queue.remove());
}
}
public void bfs() {
for(int i = 0; i<vertexList.size(); i++) {
//未被访问过,就进行广度优先遍历
if(!isTraversed[i]) {
bfs(i);
}
}
}
}
运行结果
邻接矩阵
[0, 1, 1, 1, 0]
[1, 0, 1, 0, 1]
[1, 1, 0, 0, 0]
[1, 0, 0, 0, 0]
[0, 1, 0, 0, 0]
进行广度优先遍历
A->B->C->D->E->
十、算法
1、分治算法
算法介绍
分治法是一种很重要的算法。字面上的解释是“分而治之”,就是把一个复杂的问题分成两个或更多的相同或相似的子问题,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变换)……
基本步骤
分治法在每一层递归上都有三个步骤:
- 分解:将原问题分解为若干个规模较小,相互独立,与原问题形式相同的子问题
- 解决:若子问题规模较小而容易被解决则直接解,否则递归地解各个子问题
- 合并:将各个子问题的解合并为原问题的解
应用——汉诺塔
思路
A、B、C三个塔
-
如果只有一个盘,直接A->C
-
如果大于等于两个盘,就分成两部分。
最下面的一个盘为一部分,上面的所有盘为一部分
- 将上面部分的盘A->B
- 最下面的盘A->C
- 再将B中的盘B->C
实现代码
public class Demo1 {
public static void main(String[] args) {
hanoiTower(3, 'A', 'B', 'C');
}
/**
* 汉诺塔
*
* @param num 盘的总数
* @param a 第一个塔
* @param b 第二个塔
* @param c 第三个塔
*/
public static void hanoiTower(int num, char a, char b, char c) {
//如果只有一个盘,把这个盘从A移动到C
if(num == 1) {
System.out.println("把第" + num + "个盘从" + a + "->" + c);
return;
}
//如果大于等于两个盘,将上面部分的盘从A借助C移动到B
hanoiTower(num-1, a, c, b);
//把最下面的盘从A移动到C
System.out.println("把第" + num + "个盘从" + a + "->" + c);
//把上面部分的盘从B借助A移动到C
hanoiTower(num-1, b, a, c);
}
}
运行结果
把第1个盘从A->C
把第2个盘从A->B
把第1个盘从C->B
把第3个盘从A->C
把第1个盘从B->A
把第2个盘从B->C
把第1个盘从A->C
博客推荐
在刷leetcode时有幸看到了一位大佬写的关于递归的博客,在此转载贴出。
2、动态规划
算法介绍
- 动态规划(Dynamic Programming)算法的核心思想是:将大问题划分为小问题进行解决,从而一步步获取最优解的处理算法
- 动态规划算法与分治算法类似,其基本思想也是将待求解问题分解成若干个子问题,先求解子问题,然后从这些子问题的解得到原问题的解
- 与分治法不同的是,适合于用动态规划求解的问题,经分解得到子问题往往不是互相独立的。( 即下一个子阶段的求解是建立在上一个子阶段的解的基础上,进行进一步的求解 )
- 动态规划可以通过填表的方式来逐步推进,得到最优解
算法应用——01背包问题
物品 | 重量 | 价值 |
---|---|---|
吉他 | 1 | 1500 |
音响 | 4 | 3000 |
电脑 | 3 | 2000 |
一个背包最多装4kg的东西,求
- 装入物品使得背包的总价值最大,且不超出背包的容量
- 要求装入的物品不能重复(01背包)
解题思路
算法的主要思想,利用动态规划来解决。每次遍历到的第 i个物品,根据 w[i]和 v[i]来确定是否需要将该物品放入背包中。即对于给定的 n个物品,设 v[i]、w[i]分别为第 i个物品的价值和重量,C为背包的容量。再令二维数组
v[i][j]
表示在前 i个物品中能够装入容量为 j的背包中的最大价值。则我们有下面的结果
//表示填入表的第一行和第一列是 0,主要是为了方便表示物品和容量
(1) v[i][0]=v[0][j]=0;
// 当准备加入新增的商品的重量大于当前背包的容量时,就直接使用上一个单元格的装入策略(装入物品的价值)
(2) 当 w[i]>j 时:v[i][j]=v[i-1][j]
// 当准备加入的新增的商品的容量小于等于当前背包的容量,
// 装入的方式:
(3) 当 j>=w[i]时:v[i][j]=max{v[i-1][j], v[i]+v[i-1][j-w[i]]}
v[i-1][j]:上一个装法的总价值
v[i] : 表示当前商品的价值
v[i-1][j-w[i]] : 装入i-1商品,到剩余空间j-w[i]的总价值
简单来说:
-
装入物品的容量大于背包容量时,直接使用之前装入背包物品的最大价值
-
装入物品容量小于等于背包容量时,比较
- 装入该物品之前,背包物品的最大价值
- 装入该后,该物品的价值+剩余容量能放入物品的最大价值
选取较大者
实现代码
public class Demo2 {
public static void main(String[] args) {
//各个物品的重量
int[] weight = {1, 4, 3};
//各个物品的价值
int[] value = {1500, 3000, 2000};
//背包的最大容量
int maxSize = 4;
//各种方法的价值的最大值,第0行和第0列值为0,方便后续操作
int[][] maxValue = new int[value.length+1][maxSize+1];
//用于表示物品放入背包的方式
int[][] method = new int[value.length+1][maxSize+1];
//依次将物品放入背包
for(int i = 1; i<maxValue.length; i++) {
for(int j = 1; j<maxValue[0].length; j++) {
//如果物品的重量大于背包剩余的容量,就不放入
//i-1是因为下标是从1开始的,减一后才为0
if(weight[i-1] > j) {
maxValue[i][j] = maxValue[i-1][j];
} else {
//背包剩余的容量
int remaining = j - weight[i-1];
//如果放入该物品前的最大价值大于放入该物品后的最大价值,就不放入该物品
if(maxValue[i-1][j] > value[i-1]+maxValue[i-1][remaining]) {
maxValue[i][j] = maxValue[i-1][j];
} else {
maxValue[i][j] = value[i-1]+maxValue[i-1][remaining];
//存入放入方法
method[i][j] = 1;
}
}
}
}
//打印放入背包的最大价值
for(int[] arr : maxValue) {
System.out.println(Arrays.toString(arr));
}
//打印价值最大的放法
//存放方法的二维数组的最大下标,从最后开始搜索存放方法
int i = method.length - 1;
int j = method[0].length - 1;
while(i > 0 && j > 0) {
if(method[i][j] == 1) {
System.out.println("将第" + i + "个物品放入背包");
//背包剩余容量
j -= weight[i-1];
}
i--;
}
}
}
运行结果
[0, 0, 0, 0, 0]
[0, 1500, 1500, 1500, 1500]
[0, 1500, 1500, 1500, 3000]
[0, 1500, 1500, 2000, 3500]
将第3个物品放入背包
将第1个物品放入背包
3、KMP算法
KMP是一个解决模式串在文本串是否出现过,如果出现过,找出最早出现的位置的经典算法
算法应用——字符串匹配
思路及图解
问题:有一个字符串 str1= BBC ABCDAB ABCDABCDABDE,和一个子串 str2=ABCDABD。现在要判断 str1 是否含有 str2, 如果存在,就返回第一次出现的位置, 如果没有,则返回-1
算法步骤
- 首先,用 str1的第一个字符和 str2的第一个字符去比较,不符合,关键词向后移动一位
- 重复第一步,还是不符合,再后移
- 一直重复,直到 Str1有一个字符与 Str2的第一个字符符合为止
- 接着比较字符串和搜索词的下一个字符,还是符合
- 遇到 Str1有一个字符与 Str2对应的字符不符合
重要步骤
-
这时候,想到的是继续遍历 str1的下一个字符,重复第 1步。(其实是很不明智的,因为此时 BCD已经比较过了,没有必要再做重复的工作,一个基本事实是,当空格与D不匹配时,你其实知道前面六个字符是”ABCDAB”
- KMP 算法的想法是:设法利用这个已知信息,不要把”搜索位置”移回已经比较过的位置,继续把它向后移,这样就提高了效率
-
怎么做到把刚刚重复的步骤省略掉?可以对 str2计算出一张部分匹配表,这张表的产生在后面介绍
-
str2的部分匹配表如下
搜索词 A B C D A B D 部分匹配值 0 0 0 0 1 2 0
-
-
已知空格与 D不匹配时,前面六个字符”ABCDAB”是匹配的。查表可知,最后一个匹配字符B对应的部分匹配值为 2,因此按照下面的公式算出向后移动的位数:
- 移动位数 = 已匹配的字符数 - 对应的部分匹配值
- 因为 6 - 2 等于 4,所以将搜索词向后移动 4 位
-
因为空格与C不匹配,搜索词还要继续往后移。这时,已匹配的字符数为 2(”AB”),对应的部分匹配值为0。
所以,移动位数 = 2 - 0,结果为 2,于是将搜索词向后移 2 位
- 因为空格与 A不匹配,继续后移一位
-
逐位比较,直到发现 C与 D不匹配。于是,移动位数 = 6 - 2,继续将搜索词向后移动 4 位
-
逐位比较,直到搜索词的最后一位,发现完全匹配,于是搜索完成。如果还要继续搜索(即找出全部匹配),移动位数 = 7 - 0,再将搜索词向后移动 7 位,这里就不再重复了
部分匹配表的生成
前缀与后缀
- 前缀:ABCD的前缀为[A, AB, ABC]
- 后缀:ABCD的后缀为[BCD, CD, D]
部分匹配值”就是”前缀”和”后缀”的最长的共有元素的长度。以”ABCDABD”为例,
- ”A”的前缀和后缀都为空集,共有元素的长度为 0;
- ”AB”的前缀为[A],后缀为[B],共有元素的长度为 0;
- ”ABC”的前缀为[A, AB],后缀为[BC, C],共有元素的长度 0;
- ”ABCD”的前缀为[A, AB, ABC],后缀为[BCD, CD, D],共有元素的长度为 0;
- ”ABCDA”的前缀为[A, AB, ABC, ABCD],后缀为[BCDA, CDA, DA, A],共有元素为”A”,长度为 1;
- ”ABCDAB”的前缀为[A, AB, ABC, ABCD, ABCDA],后缀为[BCDAB, CDAB, DAB, AB, B],共有元素为”AB”,长度为 2;
- ”ABCDABD”的前缀为[A, AB, ABC, ABCD, ABCDA, ABCDAB],后缀为[BCDABD, CDABD, DABD, ABD, BD,D],共有元素的长度为 0。
实现代码
public class Demo3 {
public static void main(String[] args) {
String str1 = "BBC ABCDAB ABCDABCDABDE";
String str2 = "ABCDABD";
int result = getPosition(str1, str2);
if(result != -1) {
System.out.print("匹配位置是:str1[");
System.out.println(result + "]");
} else {
System.out.println("匹配失败");
}
}
/**
*得到匹配字符串的部分匹配表
*
* @param matchStr 用于匹配的字符串
* @return 部分匹配表
*/
public static int[] getTable(String matchStr) {
//部分匹配值的数组
int[] sectionTable = new int[matchStr.length()];
//匹配字符串的第一个元素没有前缀与后缀,部分匹配值为0
sectionTable[0] = 0;
//i用来指向部分匹配字符串末尾的字符,j用来指向开始的字符
for(int i = 1, j = 0; i<matchStr.length(); i++) {
//当j>0且前缀后缀不匹配时,使用部分匹配表中前一个表项的值
while (j > 0 && matchStr.charAt(j) != matchStr.charAt(i)) {
j = sectionTable[j-1];
}
//如果前缀后缀匹配,j向后移,继续比较
if(matchStr.charAt(j) == matchStr.charAt(i)) {
j++;
}
//存入匹配值
sectionTable[i] = j;
}
return sectionTable;
}
/**
* 通过KMP算法匹配字符串,若匹配成功,返回第一个字符出现的位置
*
* @param str1 用于匹配的字符串
* @param str2 要匹配的字符串
* @return 第一个字符出现的位置,没有则返回-1
*/
public static int getPosition(String str1, String str2) {
//获得str2的部分匹配表
int[] sectionTable = getTable(str2);
for(int i = 0, j = 0; i < str1.length(); i++) {
//两个字符匹配
if(str1.charAt(i) == str2.charAt(j)) {
j++;
if(j == str2.length()) {
//如果匹配完成,返回第一个字符出现位置
return i - str2.length() + 1;
}
} else {
//如果匹配失败了,使用部分匹配表,跳转到str1对应位置
//如果j==0,说明没有字符被被匹配,直接让i指向str1的下一个字符
if(j == 0) {
continue;
}
//跳转步数 = 已经匹配的字符个数 - 部分匹配表对应的值
int position = j - sectionTable[j-1];
i += position;
//因为循环后会+1,所以此处i-1
i--;
//重置j,重新匹配
j = 0;
}
}
return -1;
}
}
运行结果
匹配位置是:str1[15]
4、贪心算法
算法简介
- 贪心算法(贪心算法)是指在对问题进行求解时,在每一步选择中都采取最好或者最优(即最有利)的选择,从而
希望能够导致结果是最好或者最优的算法
- 贪心算法所得到的结果不一定是最优的结果(有时候会是最优解),但是都是相对近似(接近)最优解的结果
算法应用——集合覆盖
假设存在下面需要付费的广播台,以及广播台信号可以覆盖的地区。如何选择最少的广播台,让所有的地区都可以接收到信号
电台 | 覆盖地区个数 | 覆盖地区 |
---|---|---|
K1 | 0 | 北京 上海 天津 |
K2 | 0 | 广州 北京 深圳 |
K3 | 0 | 成都 上海 杭州 |
K4 | 0 | 上海 天津 |
K5 | 0 | 杭州 大连 |
思路及图解
思路
- 遍历所有的广播电台, 找到一个覆盖了最多未覆盖的地区的电台(此电台可能包含一些已覆盖的地区,但没有关系
- 将这个电台加入到一个集合中(比如 ArrayList), 想办法把该电台覆盖的地区在下次比较时去掉。
- 重复第 1步直到覆盖了全部的地区
图解
- 遍历电台的覆盖地区,发现K1覆盖的地区最多,将K1覆盖的地区从地区集合中移除。然后将K1放入电台集合中,并更新覆盖地区个数
- 遍历,发现K2覆盖的地区最多,将K2覆盖的地区从地区集合中移除。然后将K2放入电台集合中,并更新覆盖地区个数
- 遍历,发现K3覆盖的地区最多,将K3覆盖的地区从地区集合中移除。然后将K3放入电台集合中,并更新覆盖地区个数
- 遍历,发现K5覆盖的地区最多,将K5覆盖的地区从地区集合中移除。然后将K5放入电台集合中,并更新覆盖地区个数。所有区域都被覆盖,算法结束
算法应用——钱币找零
假设纸币金额为1元、5元、10元、20元、50元、100元
要凑成123元应该尽可能兑换少的纸币
算法思路
- 尽可能从大面值一直往下减即可
实现代码
public class Demo1 {
public static void main(String[] args) {
splitChange(123);
}
/**
* 拆分零钱
*
* @param money 钱币总金额
*/
public static void splitChange(int money) {
//零钱金额,纸币的种类
int[] prices = {100, 50, 20, 10, 5, 1};
//用于记录每种纸币的数量,下标与prices数组的下标对应
int[] counts = new int[prices.length];
//剩下的金额
int surplus = money;
if(money > 0) {
//如果剩下的金额大于0
while(surplus > 0) {
//从大金额向小金额进行凑数
for(int i = 0; i<prices.length; i++) {
//每张钱币的数量
int count = 0;
//如果该金额的钱币小于总金额,该钱币数量+1
while (surplus - prices[i] >= 0) {
count++;
surplus -= prices[i];
}
counts[i] = count;
}
}
}
//打印结果
System.out.println("凑成" + money +"元");
for(int i = 0; i<prices.length; i++) {
if(counts[i] != 0) {
System.out.println("需要" + prices[i] + "元的纸币" + counts[i] + "张");
}
}
}
}
运行结果
凑成123元
需要100元的纸币1张
需要20元的纸币1张
需要1元的纸币3张Copy