学习数据结构(11)二叉树(堆)下

news/2025/2/24 0:22:39

1.堆的概念

如果有⼀个集合 K = {k0,k1,k2,...,k(n-1)} ,把它的所有元素按完全二叉树的形式存储在一个一维数组中,并满足:K(i)<=2*i+1且K(i)<=2*i+2(K(i)>=2*i+1且K(i)>=2*i+2),i=0,1,2... ,则称为小堆(或大堆),将根结点最大的堆叫做最大堆或大根堆,根结点最小的堆叫做最小堆或小根堆

例:有一组数据:10,65,70,30,15,25

                                

2.堆的实现

(1)初始化堆

(2)堆的销毁

(3)交换

(4)堆的插入

 (5)向上调整

为了构建小堆或大堆,在插入数据时,可以将插入的数据看作孩子,在满足双亲的下标>=0(孩子的下标大于0)将孩子与双亲作对比,向上调整数据

图例:

向上调整算法的时间复杂度:(为了简化使用满二叉树来证明)

则每层节点需要移动的次数为:每层结点的个数*向上移动的次数,节点总共需要移动的次数为:所有层节点需要移动的次数之和

T(h)=2^1*1+2^2*2+2^3*3+...+2^(h-2)*(h-2)+2^(h-1)*(h-1)                       ①

2*T(h)=2^2*1+2^3*2+2^4*3+...+2^(h-1)*(h-2)+2^(h)*(h-1)                       ②

①-②:-T(h)=2^1+2^2+2^3+...+2^(h-2)+2^(h-1)-2^h*(h-1)                                                                                    =2^h-2-2^h*(h-1)                                                                                                                                =2^h(2-h)-2

T(h)=2^h(h-2)+2,根据二叉树的性质:n=2^h-1,h=log2(n+1)

得F(n)=(n+1)(log2(n+1)-2)+2,故向上调整算法的时间复杂度为:O(n*log2(n))

(6)打印堆

(7)判空

 (8)堆的删除

删除堆顶数据就是将数组开头的元素和数组末尾的元素交换,将堆中size的值减一,此时堆中的结构可能被改变,不再是大堆(小堆),需要将堆顶元素向下调整

(9)向下调整

以此时的堆顶元素为双亲,在满足孩子的下标小于堆元素个数的情况下,与两个孩子作对比(如果没有右孩子,则只和左孩子做对比),不断向下调整数据

图例:

向下调整算法的时间复杂度:(为了简化使用满二叉树来证明)

则每层节点需要移动的次数为:每层结点的个数*向下移动的次数,节点总共需要移动的次数为:所有层节点需要移动的次数之和

T(h)=2^0*(h-1)+2^1*(h-2)+2^2*(h-3)+...+2^(h-3)*2+2^(h-2)*1                       ①

2*T(h)=2^1*(h-1)+2^2*(h-2)+2^3*(h-3)+...+2^(h-2)*2+2^(h-1)*1                    ②

②-①:T(h)=2^1+2^2+2^3+...+2^(h-2)+2^(h-1)+1-h                                                                                             =2^h-1-h

根据二叉树的性质:n=2^h-1,h=log2(n+1) 

T(n)=n-log2(n+1),故向下调整算法的时间复杂度为O(n)                        

(10)取堆顶元素

3.堆排序

(1)在数据结构堆中实现排序

创建数据结构堆,将数组中的元素一一插入堆中,在堆不为空的情况下,循环取堆顶放入数组中,再删除堆顶,每次取出的堆顶都是堆中的最大值或最小值,由此实现升序或降序排列

(2)利用堆的思想在数组中实现排序

通过向上调整或向下调整将数组排列成堆的结构(若要排升序,则建大堆,排降序,则建小堆),将数组开头的元素和末尾的元素交换,将此时数组开头的元素看作双亲,向下调整

堆排序算法的时间复杂度为:O(nlog2(n)),效率高于冒泡排序


http://www.niftyadmin.cn/n/5863880.html

相关文章

Python爬虫实战:获取六图网漫画图

注意:以下内容仅供技术研究,请遵守目标网站的robots.txt规定,控制请求频率避免对目标服务器造成过大压力! 一、引言 Python 作为一种广泛应用于数据处理和网络爬虫领域的编程语言,拥有丰富的库和框架。其中,Scrapy 框架以其高效、灵活、可扩展等特点,成为构建爬虫程序的…

STM32的HAL库开发---单通道ADC过采样实验

一、如何用过采样和求均值的方式提高ADC的分辨率&#xff1f; &#xff08;1&#xff09;如何确定过采样率 根据要增加的分辨率位数计算过采样频率方程&#xff1a; 假如ADC原来的分辨率是12位的&#xff0c;如果想提高为13位的&#xff0c;那么过采样频率就是原来采样频率的…

一文讲解Redis中的集群数据分区相关问题

在 Redis 集群中&#xff0c;数据分区是通过将数据分散到不同的节点来实现的&#xff0c;常见的数据分区规则有三种&#xff1a;节点取余分区、一致性哈希分区、虚拟槽分区。 说说节点取余分区 节点取余分区是一种简单的分区策略&#xff0c;其中数据项通过对某个值&#xff0…

深度学习之自然语言处理CBOW预测及模型的保存

自然语言处理CBOW预测及模型的保存 目录 自然语言处理CBOW预测及模型的保存1 自然语言处理1.1 概念1.2 词向量1.2.1 one-hot编码1.2.2 词嵌入1.2.3 常见的词嵌入模型 2 CBOW预测模型搭建2.1 数据及模型确定2.1.1 数据2.1.2 CBOW模型2.1.3 词嵌入降维 2.2 数据预处理2.3 模型搭建…

《CentOS 7 镜像源失效终极解决方案(2024年更新)》——生命周期终止后的镜像修复与替代方案

错误信息提示&#xff1a; yum install -y yum-utils \ > device-mapper-persistent-data \ > lvm2 --skip-broken 已加载插件&#xff1a;fastestmirror, langpacks Loading mirror speeds from cached hostfile Could not retrieve mirrorlist http://mirrorlist.cento…

GIS地图、轨道交通与智能驾驶UI设计:未来交通的智能化探索

随着科技的飞速发展&#xff0c;我们正迎来一个高度智能化的未来。在这个时代背景下&#xff0c;GIS&#xff08;地理信息系统&#xff09;、轨道交通以及智能驾驶UI设计正逐步成为推动交通行业变革的重要力量。本文将深入探讨这三者之间的内在联系及其在未来交通系统中的应用前…

idea添加web工程

1.idea添加web工程 web工程表示里面既可以写java代码也可以放置页面资源 创建一个项目点击项目&#xff0c;右键——>添加框架支持——>web 1.1 web工程部署到本地的tomcat服务器中 添加配置——>tomcat server[本地]部署启动服务器 localhost本地服务器的地址 80…

【用deepseek和chatgpt做算法竞赛】——还得DeepSeek来 -Minimum Cost Trees_5

往期 【用deepseek和chatgpt做算法竞赛】——华为算法精英实战营第十九期-Minimum Cost Trees_0&#xff1a;介绍了题目和背景【用deepseek和chatgpt做算法竞赛】——华为算法精英实战营第十九期-Minimum Cost Trees_1&#xff1a;题目输入的格式说明&#xff0c;选择了邻接表…