第四章不相交集数据结构Union-Find.ppt

heyichao@sjzue.edu.cn 4.2 堆 排序数组: 那么插入运算就需要移动很多元素，开销也较大. 优先队列的有效实现是使用一种称为堆的简单数据结构。 对数据结构支持下面的运算： Delete-max[H]：删除最大键值的数据项 Insert[H,x]：插入项x到堆H中 Delete[H,i]：从堆H中删除第i项 Makeheap[A]：将数组A转换成堆 堆的特性蕴含着：沿着每条从根到叶子的路径，元素的键值以非升序排列。 （ 大顶堆） 元素H[j]的父节点如果不是根节点，则存储在H[ ?j/2 ? ]中。 算法复杂度分析 算法4.1 INSERT 输入：堆H[1…n]和元素x 输出：新的堆H[1…n+1]， x为其元素之一 1. n= n+1{增加H的大小} 2. H[n] x 3. SIFT-UP(H, n) 看另外一个堆建立方法： 在Θ(n)的时间内，用n个元素来建立一个堆，下面给出这种方法的实现细节。 算法复杂度分析： (1)设T是一个完全二叉树，高度是k=?logn? 。 (2)设A[j]对应第i层的第j个结点，则调用sift-down函数需要调用的次数应该最多是k-i(注：k是树的高度)（自底而上扫描连接的数据）。 (3)根据二叉树的理论知：二叉树的第i层最多有2i个结点，则循环的上界应该为： 另外一种分析方法： 1、简单的分析： 每次调用SIFT-DOWN()函数的时间为O(logn)，一共应该有n/2次调用，所以总的时间复杂度上线是O(nlogn)。 但是这个上限太高了。（这就意味着几乎每一个结点都在执行sift_down()函数行为） 分析一个确界： 1、 事实上，需要执行SIFT-DOWN()函数的结点很少，而且对于不同的节点执行SIFT-DOWN()函数的次数也是不同的，这跟每一个结点所处的高度和所连接的数据相关。 step 2.由于A中各项的最大值存储在A[1]中，可以将A[1] 和A[n]交换，使得A[n]是数组中最大元素。 (排序：将数据依大小，顺序放在数组中，最后一个是最大的，故交换A[1]和A[n]) 这时， A[1] 中的元素可能小于存放在它的一个子节点中的元素，于是用过程SIFT-DOWN将A[1…n-1]转换成堆。 (调整堆) 接下来将 A[1] 和A[n-1]交换，并调整数组A[1…n-2]成为堆。交换元素和调整堆的过程一直重复，直到堆的大小变成1为止，这时A[1] 是最小的。 优先级队列的应用 1、堆作为一个优先级队列，用于排序吗？可以！ 但是，应用最多的还是：快速排序。 2、基于最大堆的最大优先级队列。 优先级队列：一种用于维护由一组元素构成的集合S的数据结构。 支持如下操作： INSERT(S，x): MAXIMUM(S)： EXTRACT_MAX(S):去掉并返回S中的具有最大关键字的元素。 INCREASE_KEY(S,x,k): 将元素x的关键字的值增加到k，这里的k值不能小于x的原关键字的值 3、应用举例：分时OS的作业调度。 应用最大堆的优先级队列，记录需要被调度的各种作业以及他们之间的优先级的关系。 作业完成或被中断时，应用EXTRACT_MAX(S)从所有的等待队列里面选择一个优先级最大的作业进入调度，任何时候一个新作业都可以使用INSERT()操作加入到队列中。 4、小顶堆基于事件驱动的模拟器 （1）队列中的各项是需要模拟的事件； （2）每一个事件都需要一个发生事件作为关键字； （3）事件模拟需要按照事件发生的时间顺序进行； （4）一个事件的模拟可能会导致对于稍后对另外一个事件模拟的发生； （5）新来的模拟事件应用INSERT插入队列 为限制每棵树的高度，采用按秩合并的措施：给每个节点存储一个非负数作为该节点的秩，记为rank，节点的秩基本上就是它的高度。 设x和y是当前森林中两棵不同的树的根，初始状态时，每个节点的秩是0，在执行运算UNION(x,y)时，比较rank(x)和rank(y) 引理4.1 包括根节点x在内的树中节点的个数至少是2rank(x)。 证明：采用假设法进行推理。 设存在两个树x和y，x、y的秩均为0,上述定理成立。考虑非0时，未合并操作前，假设上述定理仍然成立，归纳合并情况如下: （1）rank(x)rank(y)，则合并成为以y为根的一棵树,且树y的节点数增加，但rank(y)不变