极客时间已完结课程限时免费阅读

28 | 堆和堆排序:为什么说堆排序没有快速排序快?

28 | 堆和堆排序:为什么说堆排序没有快速排序快?-极客时间

28 | 堆和堆排序:为什么说堆排序没有快速排序快?

讲述:冯永吉

时长15:58大小14.59M

我们今天讲另外一种特殊的树,“堆”()。堆这种数据结构的应用场景非常多,最经典的莫过于堆排序了。堆排序是一种原地的、时间复杂度为 的排序算法。
前面我们学过快速排序,平均情况下,它的时间复杂度为 。尽管这两种排序算法的时间复杂度都是 ,甚至堆排序比快速排序的时间复杂度还要稳定,但是,在实际的软件开发中,快速排序的性能要比堆排序好,这是为什么呢?
现在,你可能还无法回答,甚至对问题本身还有点疑惑。没关系,带着这个问题,我们来学习今天的内容。等你学完之后,或许就能回答出来了。

如何理解“堆”?

前面我们提到,堆是一种特殊的树。我们现在就来看看,什么样的树才是堆。我罗列了两点要求,只要满足这两点,它就是一个堆。
堆是一个完全二叉树;
堆中每一个节点的值都必须大于等于(或小于等于)其子树中每个节点的值。
我分别解释一下这两点。
第一点,堆必须是一个完全二叉树。还记得我们之前讲的完全二叉树的定义吗?完全二叉树要求,除了最后一层,其他层的节点个数都是满的,最后一层的节点都靠左排列。
第二点,堆中的每个节点的值必须大于等于(或者小于等于)其子树中每个节点的值。实际上,我们还可以换一种说法,堆中每个节点的值都大于等于(或者小于等于)其左右子节点的值。这两种表述是等价的。
对于每个节点的值都大于等于子树中每个节点值的堆,我们叫做“大顶堆”。对于每个节点的值都小于等于子树中每个节点值的堆,我们叫做“小顶堆”。
定义解释清楚了,你来看看,下面这几个二叉树是不是堆?
其中第 个和第 个是大顶堆,第 个是小顶堆,第 个不是堆。除此之外,从图中还可以看出来,对于同一组数据,我们可以构建多种不同形态的堆。

如何实现一个堆?

要实现一个堆,我们先要知道,堆都支持哪些操作以及如何存储一个堆
我之前讲过,完全二叉树比较适合用数组来存储。用数组来存储完全二叉树是非常节省存储空间的。因为我们不需要存储左右子节点的指针,单纯地通过数组的下标,就可以找到一个节点的左右子节点和父节点。
我画了一个用数组存储堆的例子,你可以先看下。
从图中我们可以看到,数组中下标为 的节点的左子节点,就是下标为 的节点,右子节点就是下标为 的节点,父节点就是下标为 的节点。
知道了如何存储一个堆,那我们再来看看,堆上的操作有哪些呢?我罗列了几个非常核心的操作,分别是往堆中插入一个元素和删除堆顶元素。(如果没有特殊说明,我下面都是拿大顶堆来讲解)。

1. 往堆中插入一个元素

往堆中插入一个元素后,我们需要继续满足堆的两个特性。
如果我们把新插入的元素放到堆的最后,你可以看我画的这个图,是不是不符合堆的特性了?于是,我们就需要进行调整,让其重新满足堆的特性,这个过程我们起了一个名字,就叫做堆化(heapify)。
堆化实际上有两种,从下往上和从上往下。这里我先讲从下往上的堆化方法。
堆化非常简单,就是顺着节点所在的路径,向上或者向下,对比,然后交换。
我这里画了一张堆化的过程分解图。我们可以让新插入的节点与父节点对比大小。如果不满足子节点小于等于父节点的大小关系,我们就互换两个节点。一直重复这个过程,直到父子节点之间满足刚说的那种大小关系。
我将上面讲的往堆中插入数据的过程,翻译成了代码,你可以结合着一块看。
public class Heap {
private int[] a; // 数组,从下标1开始存储数据
private int n; // 堆可以存储的最大数据个数
private int count; // 堆中已经存储的数据个数
public Heap(int capacity) {
a = new int[capacity + 1];
n = capacity;
count = 0;
}
public void insert(int data) {
if (count >= n) return; // 堆满了
++count;
a[count] = data;
int i = count;
while (i/2 > 0 && a[i] > a[i/2]) { // 自下往上堆化
swap(a, i, i/2); // swap()函数作用:交换下标为i和i/2的两个元素
i = i/2;
}
}
}

2. 删除堆顶元素

从堆的定义的第二条中,任何节点的值都大于等于(或小于等于)子树节点的值,我们可以发现,堆顶元素存储的就是堆中数据的最大值或者最小值。
假设我们构造的是大顶堆,堆顶元素就是最大的元素。当我们删除堆顶元素之后,就需要把第二大的元素放到堆顶,那第二大元素肯定会出现在左右子节点中。然后我们再迭代地删除第二大节点,以此类推,直到叶子节点被删除。
这里我也画了一个分解图。不过这种方法有点问题,就是最后堆化出来的堆并不满足完全二叉树的特性。
实际上,我们稍微改变一下思路,就可以解决这个问题。你看我画的下面这幅图。我们把最后一个节点放到堆顶,然后利用同样的父子节点对比方法。对于不满足父子节点大小关系的,互换两个节点,并且重复进行这个过程,直到父子节点之间满足大小关系为止。这就是从上往下的堆化方法
因为我们移除的是数组中的最后一个元素,而在堆化的过程中,都是交换操作,不会出现数组中的“空洞”,所以这种方法堆化之后的结果,肯定满足完全二叉树的特性。
我把上面的删除过程同样也翻译成了代码,贴在这里,你可以结合着看。
public void removeMax() {
if (count == 0) return -1; // 堆中没有数据
a[1] = a[count];
--count;
heapify(a, count, 1);
}
private void heapify(int[] a, int n, int i) { // 自上往下堆化
while (true) {
int maxPos = i;
if (i*2 <= n && a[i] < a[i*2]) maxPos = i*2;
if (i*2+1 <= n && a[maxPos] < a[i*2+1]) maxPos = i*2+1;
if (maxPos == i) break;
swap(a, i, maxPos);
i = maxPos;
}
}
我们知道,一个包含 个节点的完全二叉树,树的高度不会超过 。堆化的过程是顺着节点所在路径比较交换的,所以堆化的时间复杂度跟树的高度成正比,也就是 。插入数据和删除堆顶元素的主要逻辑就是堆化,所以,往堆中插入一个元素和删除堆顶元素的时间复杂度都是

如何基于堆实现排序?

前面我们讲过好几种排序算法,我们再来回忆一下,有时间复杂度是 的冒泡排序、插入排序、选择排序,有时间复杂度是 的归并排序、快速排序,还有线性排序。
这里我们借助于堆这种数据结构实现的排序算法,就叫做堆排序。这种排序方法的时间复杂度非常稳定,是 ,并且它还是原地排序算法。如此优秀,它是怎么做到的呢?
我们可以把堆排序的过程大致分解成两个大的步骤,建堆排序

1. 建堆

我们首先将数组原地建成一个堆。所谓“原地”就是,不借助另一个数组,就在原数组上操作。建堆的过程,有两种思路。
第一种是借助我们前面讲的,在堆中插入一个元素的思路。尽管数组中包含 个数据,但是我们可以假设,起初堆中只包含一个数据,就是下标为 的数据。然后,我们调用前面讲的插入操作,将下标从 的数据依次插入到堆中。这样我们就将包含 个数据的数组,组织成了堆。
第二种实现思路,跟第一种截然相反,也是我这里要详细讲的。第一种建堆思路的处理过程是从前往后处理数组数据,并且每个数据插入堆中时,都是从下往上堆化。而第二种实现思路,是从后往前处理数组,并且每个数据都是从上往下堆化。
我举了一个例子,并且画了一个第二种实现思路的建堆分解步骤图,你可以看下。因为叶子节点往下堆化只能自己跟自己比较,所以我们直接从最后一个非叶子节点开始,依次堆化就行了。
对于程序员来说,看代码可能更好理解一些,所以,我将第二种实现思路翻译成了代码,你可以看下。
private static void buildHeap(int[] a, int n) {
for (int i = n/2; i >= 1; --i) {
heapify(a, n, i);
}
}
private static void heapify(int[] a, int n, int i) {
while (true) {
int maxPos = i;
if (i*2 <= n && a[i] < a[i*2]) maxPos = i*2;
if (i*2+1 <= n && a[maxPos] < a[i*2+1]) maxPos = i*2+1;
if (maxPos == i) break;
swap(a, i, maxPos);
i = maxPos;
}
}
你可能已经发现了,在这段代码中,我们对下标从 开始到 的数据进行堆化,下标是 的节点是叶子节点,我们不需要堆化。实际上,对于完全二叉树来说,下标从 的节点都是叶子节点。
现在,我们来看,建堆操作的时间复杂度是多少呢?
每个节点堆化的时间复杂度是 ,那 个节点堆化的总时间复杂度是不是就是 呢?这个答案虽然也没错,但是这个值还是不够精确。实际上,堆排序的建堆过程的时间复杂度是 。我带你推导一下。
因为叶子节点不需要堆化,所以需要堆化的节点从倒数第二层开始。每个节点堆化的过程中,需要比较和交换的节点个数,跟这个节点的高度 成正比。
我把每一层的节点个数和对应的高度画了出来,你可以看看。我们只需要将每个节点的高度求和,得出的就是建堆的时间复杂度。
我们将每个非叶子节点的高度求和,就是下面这个公式:
这个公式的求解稍微有点技巧,不过我们高中应该都学过:把公式左右都乘以 ,就得到另一个公式 。我们将 错位对齐,并且用 减去 ,可以得到
的中间部分是一个等比数列,所以最后可以用等比数列的求和公式来计算,最终的结果就是下面图中画的这个样子。
因为 ,代入公式 ,就能得到 ,所以,建堆的时间复杂度就是

2. 排序

建堆结束之后,数组中的数据已经是按照大顶堆的特性来组织的。数组中的第一个元素就是堆顶,也就是最大的元素。我们把它跟最后一个元素交换,那最大元素就放到了下标为 的位置。
这个过程有点类似上面讲的“删除堆顶元素”的操作,当堆顶元素移除之后,我们把下标为 的元素放到堆顶,然后再通过堆化的方法,将剩下的 个元素重新构建成堆。堆化完成之后,我们再取堆顶的元素,放到下标是 的位置,一直重复这个过程,直到最后堆中只剩下标为 的一个元素,排序工作就完成了。
堆排序的过程,我也翻译成了代码。结合着代码看,你理解起来应该会更加容易。
// n表示数据的个数,数组a中的数据从下标1到n的位置。
public static void sort(int[] a, int n) {
buildHeap(a, n);
int k = n;
while (k > 1) {
swap(a, 1, k);
--k;
heapify(a, k, 1);
}
}
现在,我们再来分析一下堆排序的时间复杂度、空间复杂度以及稳定性。
整个堆排序的过程,都只需要极个别临时存储空间,所以堆排序是原地排序算法。堆排序包括建堆和排序两个操作,建堆过程的时间复杂度是 ,排序过程的时间复杂度是 ,所以,堆排序整体的时间复杂度是
堆排序不是稳定的排序算法,因为在排序的过程,存在将堆的最后一个节点跟堆顶节点互换的操作,所以就有可能改变值相同数据的原始相对顺序。
今天的内容到此就讲完了。我这里要稍微解释一下,在前面的讲解以及代码中,我都假设,堆中的数据是从数组下标为 1 的位置开始存储。那如果从 开始存储,实际上处理思路是没有任何变化的,唯一变化的,可能就是,代码实现的时候,计算子节点和父节点的下标的公式改变了。
如果节点的下标是 ,那左子节点的下标就是 ,右子节点的下标就是 ,父节点的下标就是

解答开篇

现在我们来看开篇的问题,在实际开发中,为什么快速排序要比堆排序性能好?
我觉得主要有两方面的原因。
第一点,堆排序数据访问的方式没有快速排序友好。
对于快速排序来说,数据是顺序访问的。而对于堆排序来说,数据是跳着访问的。 比如,堆排序中,最重要的一个操作就是数据的堆化。比如下面这个例子,对堆顶节点进行堆化,会依次访问数组下标是 的元素,而不是像快速排序那样,局部顺序访问,所以,这样对 CPU 缓存是不友好的。
第二点,对于同样的数据,在排序过程中,堆排序算法的数据交换次数要多于快速排序。
我们在讲排序的时候,提过两个概念,有序度和逆序度。对于基于比较的排序算法来说,整个排序过程就是由两个基本的操作组成的,比较和交换(或移动)。快速排序数据交换的次数不会比逆序度多。
但是堆排序的第一步是建堆,建堆的过程会打乱数据原有的相对先后顺序,导致原数据的有序度降低。比如,对于一组已经有序的数据来说,经过建堆之后,数据反而变得更无序了。
对于第二点,你可以自己做个试验看下。我们用一个记录交换次数的变量,在代码中,每次交换的时候,我们就对这个变量加一,排序完成之后,这个变量的值就是总的数据交换次数。这样你就能很直观地理解我刚刚说的,堆排序比快速排序交换次数多。

内容小结

今天我们讲了堆这种数据结构。堆是一种完全二叉树。它最大的特性是:每个节点的值都大于等于(或小于等于)其子树节点的值。因此,堆被分成了两类,大顶堆和小顶堆。
堆中比较重要的两个操作是插入一个数据和删除堆顶元素。这两个操作都要用到堆化。插入一个数据的时候,我们把新插入的数据放到数组的最后,然后从下往上堆化;删除堆顶数据的时候,我们把数组中的最后一个元素放到堆顶,然后从上往下堆化。这两个操作时间复杂度都是
除此之外,我们还讲了堆的一个经典应用,堆排序。堆排序包含两个过程,建堆和排序。我们将下标从 的节点,依次进行从上到下的堆化操作,然后就可以将数组中的数据组织成堆这种数据结构。接下来,我们迭代地将堆顶的元素放到堆的末尾,并将堆的大小减一,然后再堆化,重复这个过程,直到堆中只剩下一个元素,整个数组中的数据就都有序排列了。

课后思考

在讲堆排序建堆的时候,我说到,对于完全二叉树来说,下标从 的都是叶子节点,这个结论是怎么推导出来的呢?
我们今天讲了堆的一种经典应用,堆排序。关于堆,你还能想到它的其他应用吗?
欢迎留言和我分享,我会第一时间给你反馈。
分享给需要的人,Ta购买本课程,你将得20
生成海报并分享

赞 113

提建议

上一篇
27 | 递归树:如何借助树来求解递归算法的时间复杂度?
下一篇
29 | 堆的应用:如何快速获取到Top 10最热门的搜索关键词?
unpreview
 写留言

精选留言(243)

  • Jerry银银
    2018-11-26
    ## 第一题: 使用数组存储表示完全二叉树时,从数组下标为1开始存储数据,数组下标为i的节点,左子节点为2i, 右子节点为2i + 1. 这个结论很重要(可以用数学归纳法证明),将此结论记为『原理1』,以下证明会用到这个原理。 为什么,对于完全二叉树来说,下标从n/2 + 1 到 n的节点都是叶子节点? 使用反证法证明即可: 如果下标为n/2 + 1的节点不是叶子节点,即它存在子节点,按照『原理1』,它的左子节点为:2(n/2 + 1) = n + 2,大家明显可以看出,这个数字已经大于n + 1,超出了实现完全二叉树所用数组的大小(数组下标从1开始记录数据,对于n个节点来说,数组大小是n + 1),左子节点都已经超出了数组容量,更何况右子节点。以此类推,很容易得出:下标大于n/2 + 1的节点肯定都是也叶子节点了,故而得出结论:对于完全二叉树来说,下标从n/2 + 1 到 n的节点都是叶子节点 备注下:用数组存储表示完全二叉树时,也可以从下标为0开始,只是这样做的话,计算左子节点时,会多一次加法运算 -------------------------------------------------------- ## 第二题: 堆的应用除了堆排以外,还有如下一些应用: 1. 从大数量级数据中筛选出top n 条数据; 比如:从几十亿条订单日志中筛选出金额靠前的1000条数据 2. 在一些场景中,会根据不同优先级来处理网络请求,此时也可以用到优先队列(用堆实现的数据结构);比如:网络框架Volley就用了Java中PriorityBlockingQueue,当然它是线程安全的 3. 可以用堆来实现多路归并,从而实现有序,leetcode上也有相关的一题:Merge K Sorted Lists 暂时只能想到以上三种常见的应用场景,其它的,希望老师补充!
    展开
    共 28 条评论
    526
  • Jessie
    2018-12-13
    强烈建议,在进入课程的左侧,做一个目录,这样就不用每次都从最新的滑到最下面了。例如:目前是学到了第35课,已进入课堂,就是35课,假如我想看第一课,就得使劲滑。如果学到100课,那得滑老半天……所以强烈建议给左侧添加一个目录。可以连接到每一节课。!!!
    共 8 条评论
    203
  • WhoAmWe
    2018-11-26
    应用: 1.topK 2.流里面的中值 3.流里面的中位数

    作者回复: 👍

    共 6 条评论
    117
  • 冯选刚
    2018-11-27
    不知道有没有人很容易看懂原理思路,就是不愿意看代码
    共 17 条评论
    83
  • insist
    2018-11-26
    这种数据结构堆和java内存模型中的堆内存有什么关系呢?

    作者回复: 完全没关系的。

    共 3 条评论
    67
  • 猫头鹰爱拿铁
    2018-11-26
    思考题1:堆是完全二叉树,求最后的非叶子节点即是求最大的叶子节点的父节点。最大的叶子节点下标为n,他的父节点为n/2,这是最后一个非叶子节点,所以n/2+1到n都是叶子节点。 思考题2:堆排序的应用-topk问题,例如求数据频率最高的k个数,建立k个数的最小顶堆,然后剩余数据和堆顶比较,如果比堆顶大则替换堆顶并重新调整最小顶堆。
    共 12 条评论
    61
  • 无心拾贝
    2018-11-26
    这TM估计是我唯一看的懂的数据结构与算法吧。 谢谢老师!
    共 2 条评论
    57
  • 1024
    2019-02-26
    思考题1证明 结论:对于完全二叉树来说,下标从(n/2)+1到n都是叶子节点 证明: 假设堆有n个节点 假设满二叉树有h层 则满二叉树的总节点数 2^0+2^1...+2^(h-2)+2^(h-1)=(2^h)-1> n n为h层完全二叉树节点数 堆为完全二叉树,相同高度,完全二叉树总结点数小于满二叉树节点数,即n<(2^h)-1, 即(2^h)>n+1 -----① 完全二叉树1到h-1层节点的数量总和: 2^0+2^1...+2^(h-2)=(2^(h-1))-1=(2^h)/2 -1 -----② 如果数组的第0位也存储数据,由②可知,完全二叉树的第h层开始的节点的下标为i=(2^h)/2 -1,由①,i>((n+1)/2)-1=(n/2)+1 结论1:如果数组的第0位也存储数据,完全二叉树的节点下标至少开始于(n/2)+1 如果数组的第0位不存储数据,则由②可知,完全二叉树的第h层开始的节点的下标为j=(2^h)/2,由①,j>(n+1)/2=(n/2)+2 结论2:如果数组的第0位不存储数据,完全二叉树的节点下标至少开始于(n/2)+2 综上,堆(完全二叉树)的叶子节点的下标范围从(n/2)+1到n-1或从(n/2)+2到n,也即堆的叶子节点下标从(n/2)+1到n 欢迎指正 --不为别的,就为成为更合格的自己
    展开

    作者回复: 👍

    共 8 条评论
    33
  • Smallfly
    2018-11-26
    堆应该可以用于实现优先级队列。
    28
  • 鲍勃
    2018-11-30
    linux内核内存中的堆和这个有关系吗?

    作者回复: 没关系 完全是两个东西

    共 2 条评论
    18
  • yaya
    2018-11-26
    最后一个结点的父节点是n/2.这是最后一个非叶子结点所以,叶子结点是n/2+1到n。 优先队列的实现用的就是堆
    13
  • Vinegar.
    2018-11-26
    Java 中的 PriorityQueue 就是基于堆的数据结构的
    13
  • .
    2018-12-14
    "对堆顶节点进行堆化,会依次访问数组下标是 1,2,4,8"。这里图画错了吧,数组下标2 (20)和数组下标3(21)的位置应该是弄反了。如果按原图对堆顶元素堆化的话顺序应该是1,3,6不应该是1,2,4,8

    作者回复: 嗯嗯 多谢指正

    9
  • 李建轰
    2018-11-30
    老师你好~ heapify方法好像有点问题? 假如第一个非叶子节点是5,左叶子节点是7,右叶子节点是6 然后入heapify方法的这段代码 ``` while (true) { int maxPos = i; if (i*2 <= n && a[i] < a[i*2]) maxPos = i*2; if (i*2+1 <= n && a[i] < a[i*2+1]) maxPos = i*2+1 if (maxPos == i) break; swap(a, i, maxPos); i = maxPos; } ``` 就会变成第一个非叶子节点是6,左叶子节点是7,右叶子节点是5,因为swap只会执行一次。 我觉得swap方法在前面两个if里面都得有,并且第二个if必须用if,不能用else if。 斗胆提问,请老师答疑~
    展开
    共 3 条评论
    8
  • 注定非凡
    2020-01-02
    一:如何理解“堆” 1,堆是一个完全二叉树; 完全二叉树要求除了最后一层,其他层的节点都是满的,最后一层的节点都靠左排列。 2,堆中每个节点都必须大于等于(或小于等于)其子树中每个节点的值。 堆中每个节点的值都大于等于(或者小于等于)其左右子节点的值。 3,对于每个节点的值都大于等于子树中每个节点值的堆,叫作“大顶堆”。对于每个节点的值都小于等于子树中每个节点值的堆,叫“小顶堆”。 二:如何实现“堆” 要实现一个堆,要先知道堆都支持哪些操作,已及如何存储一个堆。 1,如何存储一个堆: 完全二叉树比较适合用数组来存储。用数组来存储完全二叉树是非常节省存储空间的。因为不需要存储左右子节点的指针,单纯地通过数组的下标,就可以找到一个节点的左右子节点和父节点。 2,往堆中插入一个元素 往堆中插入一个元素后,需要继续满足堆的两个特性 (1)如果把新插入的元素放到堆的最后,则不符合堆的特性了,于是需要进行调整,让其重新满足堆的特性,这个过程叫做 堆化(heapify) (2)堆化实际上有两种,从下往上和从上往下 (3)从下往上的堆化方法: 堆化非常简单,就是顺着节点所在的路径,向上或者向下,对比,然后交换。 3,删除堆顶元素 (1)从堆的定义的第二条中,任何节点的值都大于等于(或小于等于)子树节点的值,则堆顶元素存储的就是堆中数据的最大值或最小值。 (2)假设是大顶堆,堆堆顶元素就是最大的元素,但删除堆顶元素之后,就需要把第二大元素放到堆顶,那第二大元素肯定会出现在左右子节点中。然后在迭代地删除第二大节点,以此类推,直到叶子节点被删除。 但这种方式会使堆化出来的堆不满足完全二叉树的特性 (3)可以把最后一个节点放到堆顶,然后利用同样的父子节点对比方法,对于不满足父子节点大小关系的,互换两个节点,并且重复进行这个过程,直到父子节点之间满足大小关系为止,这是从上往下的堆化方法。 一个包含n个节点的完全二叉树,树的高度不会超过log2n。堆化的过程是顺着节点所在路径比较交换的,所以堆化的时间复杂度跟树的高度成正比,即O(log n)。插入数据和删除堆顶元素的主要逻辑就是堆化,所以往堆中插入一个元素和删除堆顶元素的时间复杂度都是O(log n)。 三:如何基于堆实现排序 (1)排序方法有时间复杂度是O(n^2)的冒泡排序,插入排序,选择排序,有时间复杂度是O(nlogn)的归并排序,快速排序,线性排序。 (2)借助堆这种数据结构实现的排序算法就叫作堆排序,这种排序方法的时间复杂度非常稳定,是O(nlogn),并且它还是原地排序算法。 堆排序的过程大致分解为两大步骤:建堆和排序 (3)建堆: 1,首先将数组原地建成一个堆。“原地”:是指不借助另一个数组,就在原地数组上操作。 2,建堆有两种思路: 第一种:在堆中插入一个元素的思路。 尽管数组中包含n个数据,但是可以假设起初堆中只包含一个数据,就是下标为1的数据。然后,调用插入方法,将将下标从2到n的数据依次插入到堆中,这样就将包含n个数据的数组,组织成了堆 第二种:是从后往前处理数组,并且每个数据都是从上往下堆化。 第二种和第一种思路截然相反,第一种建堆思路的处理过程是从前往后处理数据,并且每个数据插入堆中时,都是从下往上堆化。 对下标从n/2开始到1的数据进行堆化,下标是n/2 + 1到n的节点,是叶子节点,不需堆化 3,建堆的时间复杂度 每个节点堆化的时间复杂度是O(logn),则n/2+1个节点堆化的总时间复杂度是O(n)。 ①:因为叶子节点不需要堆化,所以需要堆化的节点从倒数第二层开始。每个节点堆化的过程中,需要比较和交换的节点个数,跟这个节点高度k成正比。 (4)排序: 建堆结束后,数组中的数据已是按照大顶堆的特性来组织的。数组中的第一个元素就是堆顶,也就是最大的元素。 将它和最后一个元素交换,最大元素就放到了下标为n的位置 这个过程有点类似“删除堆顶元素”的操作,当堆顶元素移除后,把下标为n的元素放到堆顶,然后在通过堆化的方法,将剩下的n-1个元素重新构建成堆。堆化完成之后,在取堆顶元素,放到下标是n-1的位置,一直重复这个过程,直到最后堆中只剩下标为1的一个元素,排序工作就完成了。 (5)时间,空间复杂度,以及稳定性分析 ①:整个堆排序的过程,都只需要极个别临时存储空间,所以堆排序是原地排序算法。 ②:堆排序包括建堆和排序两个操作,建堆过程的时间复杂度是O(n),排序过程的时间复杂度是O(nlogn),所以堆排序的时间复杂度是O(nlogn) ③:堆排序不是稳定的排序算法,可能改变值相等的数据原始相对顺序。
    展开
    8
  • 『LHCY』
    2019-02-18
    刚才面试遇到了这道题,不过没想起来
    共 3 条评论
    7
  • 博予liutxer
    2018-12-09
    堆排序和快速排序相比实际开发中不如后者性能好,那堆排序在哪些场景比较有优势呢?

    作者回复: 时间复杂度比较稳定 有些排序函数会使用这种排序算法

    6
  • 学个球
    2019-11-09
    本节的堆排序代码sort()方法,while循环体里,交换完堆尾和a[1]后,不应该是调用buildHeap()方法吗?文中的调用的是heapify(a, k, 1),这个方法只是针对某个特定节点啊,没有操作整个堆。 望小争哥看一眼。

    作者回复: 因为交换完之后,只有那一个结点不符合堆的特性,需要处理,其他结点都满足堆的特性,所以只需要对这个结点进行heapify即可,不需要重新buildHeap

    5
  • 色即是空
    2018-12-14
    排序队------时间复杂度 堆满足两条:1、完全二叉树(可以很方便的使用数组存储),2、父节点大于或小于子节点----- 插入元素-先放入队尾,再进行堆化(heapify) 删除元素-从最后取一个元素放到删除元素位置,从上往下调整 快排比堆排性能好的原因有二:1、堆排序数据访问的方式有没有快速排序友好; 2、对于同样的数据,在排序的过程中堆排序算法的交换次数多于快速排序
    展开
    5
  • 若星
    2018-12-12
    删除堆顶元素的代码第二行return -1。。
    5