堆的构建方法:自底向上和自顶向下

发布时间: 2024-05-02 06:23:12 阅读量: 153 订阅数: 29
![堆](https://img-blog.csdnimg.cn/1ad76d162bc54ea6961ce38b76486047.png?x-oss-process=image/watermark,type_ZHJvaWRzYW5zZmFsbGJhY2s,shadow_50,text_Q1NETiBA56m_54u855qu55qE5bCP57qi5bi9,size_20,color_FFFFFF,t_70,g_se,x_16) # 1. 堆的基本概念和性质** 堆是一种完全二叉树,它满足以下性质: - **形状性质:**堆是一棵完全二叉树,即除了最底层外,其他各层的节点数都达到最大值。 - **序性质:**对于任意一个节点及其左、右子节点,都有`key(node) >= key(left child)`和`key(node) >= key(right child)`。 # 2. 堆的构建方法 堆是一种完全二叉树,满足堆序性质:对于任意节点,其值都大于或等于其子节点的值。堆的构建方法主要有两种:自底向上的堆构建和自顶向下的堆构建。 ### 2.1 自底向上的堆构建 自底向上的堆构建从树的叶节点开始,逐层向上构建堆。 #### 2.1.1 逐个插入法 逐个插入法将元素逐个插入到堆中,并调整堆以满足堆序性质。 ```python def insert(heap, element): heap.append(element) i = len(heap) - 1 while i > 1 and heap[i] > heap[i // 2]: heap[i], heap[i // 2] = heap[i // 2], heap[i] i //= 2 ``` **代码逻辑逐行解读:** 1. 将元素添加到堆的末尾。 2. 设置当前元素索引 `i` 为堆的最后一个元素索引。 3. 循环比较当前元素 `heap[i]` 和其父节点 `heap[i // 2]` 的值。 4. 如果当前元素大于其父节点,则交换这两个元素。 5. 将 `i` 更新为其父节点的索引,继续比较和交换。 6. 循环直到 `i` 达到堆的根节点(`i == 1`)。 **参数说明:** * `heap`: 待构建的堆 * `element`: 要插入的元素 #### 2.1.2 Floyd算法 Floyd算法是一种更有效率的逐个插入算法,它利用了堆的性质,将调整过程优化为 O(log n) 时间复杂度。 ```python def floyd_insert(heap, element): heap.append(element) i = len(heap) - 1 while i > 1: if heap[i] > heap[i // 2]: heap[i], heap[i // 2] = heap[i // 2], heap[i] else: break i //= 2 ``` **代码逻辑逐行解读:** 1. 与逐个插入法类似,将元素添加到堆的末尾。 2. 循环比较当前元素 `heap[i]` 和其父节点 `heap[i // 2]` 的值。 3. 如果当前元素大于其父节点,则交换这两个元素。 4. 不同之处在于,如果当前元素小于或等于其父节点,则直接退出循环,因为此时堆序性质已满足。 5. 继续比较和交换,直到 `i` 达到堆的根节点(`i == 1`)。 **参数说明:** * `heap`: 待构建的堆 * `element`: 要插入的元素 ### 2.2 自顶向下的堆构建 自顶向下的堆构建从树的根节点开始,逐层向下调整堆。 #### 2.2.1 递归法 递归法使用递归函数从根节点开始向下调整堆。 ```python def heapify_recursive(heap, i): left = 2 * i right = 2 * i + 1 largest = i if left < len(heap) and heap[left] > heap[largest]: largest = left if right < len(heap) and heap[right] > heap[largest]: largest = right if largest != i: heap[i], heap[largest] = heap[largest], heap[i] heapify_recursive(heap, largest) ``` **代码逻辑逐行解读:** 1. 获取当前节点 `i` 的左子节点 `left` 和右子节点 `right` 的索引。 2. 初始化最大值索引 `largest` 为当前节点索引 `i`。 3. 比较左子节点 `heap[left]` 和最大值 `heap[largest]` 的值,如果左子节点更大,则更新最大值索引 `largest`。 4. 比较右子节点 `heap[right]` 和最大值 `heap[largest]` 的值,如果右子节点更大,则更新最大值索引 `largest`。 5. 如果最大值索引 `largest` 不等于当前节点索引 `i`,则交换这两个节点的值。 6. 递归调用 `heapify_recursive` 函数对最大值节点的子节点进行调整。 **参数说明:** * `heap`: 待构建的堆 * `i`: 当前
corwn 最低0.47元/天 解锁专栏
买1年送1年
点击查看下一篇
profit 百万级 高质量VIP文章无限畅学
profit 千万级 优质资源任意下载
profit C知道 免费提问 ( 生成式Al产品 )

相关推荐

专栏简介
本专栏深入探讨了堆的数据结构,从基本概念和操作原理到各种应用场景。它涵盖了堆排序算法、优先队列、Top K 问题、滑动窗口最大值问题、连续中值问题等应用。此外,它还比较了堆与快速排序和二叉搜索树,分析了堆的构建方法和调整方法。专栏还介绍了堆在操作系统、定时任务调度和数据流中位数问题中的应用。它还探讨了堆的扩展应用,如外部排序算法和最小生成树算法。通过深入的分析和示例,本专栏旨在为读者提供对堆及其广泛应用的全面理解。
最低0.47元/天 解锁专栏
买1年送1年
百万级 高质量VIP文章无限畅学
千万级 优质资源任意下载
C知道 免费提问 ( 生成式Al产品 )

最新推荐

激活函数理论与实践:从入门到高阶应用的全面教程

![激活函数理论与实践:从入门到高阶应用的全面教程](https://365datascience.com/resources/blog/thumb@1024_23xvejdoz92i-xavier-initialization-11.webp) # 1. 激活函数的基本概念 在神经网络中,激活函数扮演了至关重要的角色,它们是赋予网络学习能力的关键元素。本章将介绍激活函数的基础知识,为后续章节中对具体激活函数的探讨和应用打下坚实的基础。 ## 1.1 激活函数的定义 激活函数是神经网络中用于决定神经元是否被激活的数学函数。通过激活函数,神经网络可以捕捉到输入数据的非线性特征。在多层网络结构

【实时系统空间效率】:确保即时响应的内存管理技巧

![【实时系统空间效率】:确保即时响应的内存管理技巧](https://cdn.educba.com/academy/wp-content/uploads/2024/02/Real-Time-Operating-System.jpg) # 1. 实时系统的内存管理概念 在现代的计算技术中,实时系统凭借其对时间敏感性的要求和对确定性的追求,成为了不可或缺的一部分。实时系统在各个领域中发挥着巨大作用,比如航空航天、医疗设备、工业自动化等。实时系统要求事件的处理能够在确定的时间内完成,这就对系统的设计、实现和资源管理提出了独特的挑战,其中最为核心的是内存管理。 内存管理是操作系统的一个基本组成部

学习率对RNN训练的特殊考虑:循环网络的优化策略

![学习率对RNN训练的特殊考虑:循环网络的优化策略](https://img-blog.csdnimg.cn/20191008175634343.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MTYxMTA0NQ==,size_16,color_FFFFFF,t_70) # 1. 循环神经网络(RNN)基础 ## 循环神经网络简介 循环神经网络(RNN)是深度学习领域中处理序列数据的模型之一。由于其内部循环结

【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练

![【损失函数与随机梯度下降】:探索学习率对损失函数的影响,实现高效模型训练](https://img-blog.csdnimg.cn/20210619170251934.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc4MDA1,size_16,color_FFFFFF,t_70) # 1. 损失函数与随机梯度下降基础 在机器学习中,损失函数和随机梯度下降(SGD)是核心概念,它们共同决定着模型的训练过程和效果。本

【算法竞赛中的复杂度控制】:在有限时间内求解的秘籍

![【算法竞赛中的复杂度控制】:在有限时间内求解的秘籍](https://dzone.com/storage/temp/13833772-contiguous-memory-locations.png) # 1. 算法竞赛中的时间与空间复杂度基础 ## 1.1 理解算法的性能指标 在算法竞赛中,时间复杂度和空间复杂度是衡量算法性能的两个基本指标。时间复杂度描述了算法运行时间随输入规模增长的趋势,而空间复杂度则反映了算法执行过程中所需的存储空间大小。理解这两个概念对优化算法性能至关重要。 ## 1.2 大O表示法的含义与应用 大O表示法是用于描述算法时间复杂度的一种方式。它关注的是算法运行时

极端事件预测:如何构建有效的预测区间

![机器学习-预测区间(Prediction Interval)](https://d3caycb064h6u1.cloudfront.net/wp-content/uploads/2020/02/3-Layers-of-Neural-Network-Prediction-1-e1679054436378.jpg) # 1. 极端事件预测概述 极端事件预测是风险管理、城市规划、保险业、金融市场等领域不可或缺的技术。这些事件通常具有突发性和破坏性,例如自然灾害、金融市场崩盘或恐怖袭击等。准确预测这类事件不仅可挽救生命、保护财产,而且对于制定应对策略和减少损失至关重要。因此,研究人员和专业人士持

时间序列分析的置信度应用:预测未来的秘密武器

![时间序列分析的置信度应用:预测未来的秘密武器](https://cdn-news.jin10.com/3ec220e5-ae2d-4e02-807d-1951d29868a5.png) # 1. 时间序列分析的理论基础 在数据科学和统计学中,时间序列分析是研究按照时间顺序排列的数据点集合的过程。通过对时间序列数据的分析,我们可以提取出有价值的信息,揭示数据随时间变化的规律,从而为预测未来趋势和做出决策提供依据。 ## 时间序列的定义 时间序列(Time Series)是一个按照时间顺序排列的观测值序列。这些观测值通常是一个变量在连续时间点的测量结果,可以是每秒的温度记录,每日的股票价

机器学习性能评估:时间复杂度在模型训练与预测中的重要性

![时间复杂度(Time Complexity)](https://ucc.alicdn.com/pic/developer-ecology/a9a3ddd177e14c6896cb674730dd3564.png) # 1. 机器学习性能评估概述 ## 1.1 机器学习的性能评估重要性 机器学习的性能评估是验证模型效果的关键步骤。它不仅帮助我们了解模型在未知数据上的表现,而且对于模型的优化和改进也至关重要。准确的评估可以确保模型的泛化能力,避免过拟合或欠拟合的问题。 ## 1.2 性能评估指标的选择 选择正确的性能评估指标对于不同类型的机器学习任务至关重要。例如,在分类任务中常用的指标有

【批量大小与存储引擎】:不同数据库引擎下的优化考量

![【批量大小与存储引擎】:不同数据库引擎下的优化考量](https://opengraph.githubassets.com/af70d77741b46282aede9e523a7ac620fa8f2574f9292af0e2dcdb20f9878fb2/gabfl/pg-batch) # 1. 数据库批量操作的理论基础 数据库是现代信息系统的核心组件,而批量操作作为提升数据库性能的重要手段,对于IT专业人员来说是不可或缺的技能。理解批量操作的理论基础,有助于我们更好地掌握其实践应用,并优化性能。 ## 1.1 批量操作的定义和重要性 批量操作是指在数据库管理中,一次性执行多个数据操作命

Epochs调优的自动化方法

![ Epochs调优的自动化方法](https://img-blog.csdnimg.cn/e6f501b23b43423289ac4f19ec3cac8d.png) # 1. Epochs在机器学习中的重要性 机器学习是一门通过算法来让计算机系统从数据中学习并进行预测和决策的科学。在这一过程中,模型训练是核心步骤之一,而Epochs(迭代周期)是决定模型训练效率和效果的关键参数。理解Epochs的重要性,对于开发高效、准确的机器学习模型至关重要。 在后续章节中,我们将深入探讨Epochs的概念、如何选择合适值以及影响调优的因素,以及如何通过自动化方法和工具来优化Epochs的设置,从而