!第4章堆案例.doc

第4章 堆和不相交集数据结构 4.2 堆 堆的定义：定义4.1 几乎完全二叉树 → （数据结构）完全二叉树 完全二叉树 → （数据结构）满二叉树 几乎完全二叉树和完全二叉树的定义参见教材P.71，P.72。 根据定义4.1，堆的属性：父节点的数据项键值不小于儿子节点的数据项键值，说明这个堆是最大堆。这样构建起来的堆，根节点中存储的是最大键值的元素。 相反的情况，如果堆的特性是要求：父节点的数据项键值不大于儿子节点的数据项键值，说明这个堆是最小堆。这样构建起来的堆，根节点中存储的是最小键值的元素。 2. 堆的作用 能够同时支持插入元素和查找最大、最小元素。 如果采用一般的队列，则实现插入元素很容易，但如果采用一般的队列实现查找最大、最小元素，则时间上的开销比较大，因为需要搜索整个队列；而如果采用排序数组，那么查找最大、最小元素很容易实现，但是，插入操作的开销就变大了，首先需要确定插入位置，而且需要将一些元素往后移动，这些都是较大的开销。 这样就引出了堆这种数据结构，它能够很方便地实现上述几种功能。 3. 堆的存储 有n个节点的堆T，可以用一个数组存储： 堆T的根节点存储在中。 设T的节点x存储在中，那么如果节点x有左儿子，则左儿子存储在中；如果它有右儿子，则右儿子存储在中。 如果某个元素不是根节点，那么它的父节点存储在中。 参见图4.1 堆和它的数组表示法。 4.2.1 堆上的运算 堆上的运算主要有：插入、删除、删除最大值、创建堆、堆排序。 它们都会调用两个辅助运算：sift-up和sift-down。 Sift-up Sift-up算法重复执行操作： 比较和的键值， 如果的键值大于其父节点的键值， 则交换和。 表示原现在的位置是了。 重复以上操作，直到两种情况之一满足： 原被交换到了，即堆的根节点。 被交换到了它的合适位置，即满足 Sift-down 对Sift-down算法的解释： Step.2 if 2in then exit {判断节点i是否为叶子节点。2in 表示节点i连左儿子都没有，右儿子肯定没有，所以，可以判断节点i为叶子节点。} Step.5 if i+1≤n and then {这句是为了在节点i的左儿子和右儿子中选取一个键值较大的。如果右儿子存在，并且右儿子的键值大于左儿子，就选取右儿子。否则，如果右儿子不存在，或者右儿子的键值小于等于左儿子，就选取左儿子。即：保持step.4 中的i不变。} Step.9 repeat语句的终止条件之一是：该节点已经被交换到了叶子层。或者：该节点已经被交换到了合适的位置，即它的键值大于等于它的两个儿子的键值。 Step.6~8：如果的键值小于它的左右儿子中的较大者，则交换和此较大者；否则，已经被交换到了它的合适位置，done=true, 退出循环，算法返回。 Step.4中已经执行，所以Step.6中的指的是原，而指代的是原交换后的位置。 插入 插入操作算法思想： 因为插入操作的关键在于，插入以后，仍然要把插入之后的数组维护为一个堆，所以，如果要把元素x插入堆H，则将x添加到堆H末尾，之后，调用Sift-up操作，把x上移到堆H中的合适位置。 算法4.1 插入算法的时间复杂度分析： 考虑Sift-up算法中的step.4, 互换操作的执行次数是，因为，最多的互换次数就是把x从叶子层互换到了根节点。所以，插入算法的时间复杂度是。 删除 Delete(H, i) 算法思想：如果要从堆H中删除元素，则先用替换掉，并且把堆H的规模减一，这样实现了删除。但是，这样的替换破坏了原有堆的特性。因此替换之后： 如果，则调用sift-up运算； 如果，则调用sift-down运算； 重新将H维护为一个最大堆。 删除算法的时间复杂度分析： 因为sift-up和sift-down都满足，所以删除算法的时间复杂度也是。 删除最大值（最大堆） 算法思想：返回根节点中的元素，然后，直接调用删除操作，Delete(H, 1)。 实际的实现过程是，用替换掉，并且把堆H的规模减一，这样实现了删除。之后把sift-down到合适的位置。 时间复杂度也是。 创建堆 有一种简单的思路：要创建一个包含n个元素的堆，可以从一个空堆开始，调用堆的插入操作，依次插入n个元素。 插入操作的时间复杂度是，所以，这种方法的时间复杂度是。 算法4.4 MAKEHEAP 可以证明时间复杂度是。 算法思想： 从二叉树的最后一个节点（最右下角的一个叶子节点）开始到根节点，依次倒过来扫描所有节点，每次将以当前节点为根的子树转换成堆。 注意：倒着扫描转换为堆的时候，叶子节点可以不需要执行。从倒数第一个非叶子节点开始