目錄
具有特殊優先級的隊列叫做優先隊列。像操作系統中,調度算法往往會使用優先隊列結構。優先隊列至少允許下列兩種操作:insert,deleteMin(找出、返回和刪除優先隊列中的最小項)。
二叉堆
下面將討論其結構性質和堆序性質。
(1)結構性質
二叉堆是一棵被完全填滿的二叉樹(即完全二叉樹),可能的例外是在底層,底層元素從左到右填入。如下:
因爲完全二叉樹很有規律,所以可以用一個數組表示而不需要使用鏈。因爲對於數組中任意位置 i 上的元素,其左兒子在位置 2i 上,右兒子在左兒子後的單元(2i + 1)中,它的父親則在位置 上。
上圖的數組存儲如下(注意是從下標爲 1 的位置存儲第一個元素):
如下是優先隊列(堆)的整體接口:
template<typename Comparable>
class BinaryHeap
{
public:
explicit BinaryHeap(int capacity = 100);
explicit BinaryHeap(const vector<Comparable> & items);
bool isEmpty() const;
const Comparable & findMin() const;
void insert(const Comparable & x);
void deleteMin();
void deleteMin(Comparable & minItem);
void makeEmpty();
private:
int currentSize; //堆中元素的個數
vector<Comparable> array; //存放堆的數組
void buildHeap();
void percolateDown(int hole);
};
(2)堆序性質
使操作可以快速執行的性質即是堆序性質。由於要快速的找到最小元,因此最小元應該在根上。如果任意子樹也是堆,那麼任意結點就應該小於它的所有後裔。
- 插入操作:insert
插入操作使用一種叫做上濾的策略,新元素在堆中上濾直到找出正確的位置。如將一個元素 X 插入到堆中,我們在下一個空閒的位置創建一個空穴,因爲否則該堆將不是完全樹。如果 X 可以放在空穴中而並不破壞堆序,那麼插入完成。否則把空穴的父結點上的元素移入空穴中,這樣空穴就朝着根的方向上行一步。繼續該過程直到 X 能被放入空穴中爲止。所以最好的時間 O(1),最壞爲 O(logN)。業已證明,執行一次插入平均需要比較 2.607 次,元素平均上移 1.607 層。
void insert(const Comparable & x)
{
if(currentSize == array.size()-1)
array.resize(array.size()*2);
//上濾
int hole = ++currentSize;
for( ; hole>1 && x<array[hole/2]; hole/=2)
array[hole] = array[hole/2];
array[hole] = x;
}
如下是一個插入過程:
- deleteMin操作
該操作使用一種叫做下濾的策略。當刪除一個最小元時,要在根結點建立一個空穴。由於現在堆少了一個元素,因此堆中最後一個元素 X 必須移動到該堆的某個地方。如果 X 可以被放到空穴中,那麼 deleteMin 完成。否則我們將空穴的兩個兒子中的較小者移入空穴,這樣就把空穴向下推了一層。重複該步驟直到 X 可以被放入空穴。所以最壞爲 O(logN)。
//刪除最小元素
void deleteMin()
{
if(isEmpty())
throw UnderflowException();
//下標爲 1 的位置是堆的起始位置
array[1] = array[currentSize--];
percolateDown(1);
}
//刪除最小元素,放入 minItem 中
void deleteMin(Comparable & minItem)
{
if(isEmpty())
throw UnderflowException();
minItem = array[1];
array[1] = array[currentSize--];
percolateDown(1);
}
//下濾, hole 是下濾的起始位置
void percolateDown(int hole)
{
int child;
Comparable tmp = array[hole];
for( ; hole*2 <= currentSize; hole = child)
{
child = hole * 2;
if(child != currentSize && array[child + 1] < array[child])
child++; //換成右子樹
if(array[child] < tmp)
array[hole] = array[child];
else
break;
}
array[hole] = tmp;
}
如下是一個刪除最小值過程:
- 初始操作:buildHeap
這種操作有兩種方法,一種是對每個元素進行 insert 操作,因爲插入最好的時間 O(1),最壞爲 O(logN),所以這種最好時間爲 O(N),最壞 O(NlogN)。一種是將 N 個元素以任意順序放入樹中,然後下濾非葉結點。由於非葉結點一般爲 ,所以最壞的情況下下濾總次數爲:,h 爲高度。可以知道這個值爲 ,而 N 的最大值:,所以這種構造的時間爲 O(N)。
explicit BinaryHeap(const vector<Comparable> & items)
: array(items.size()+10), currentSize(items.size())
{
for(int i=0; i<items.size(); i++)
array[i+1] = items[i];
buildHeap();
}
void buildHeap()
{
for(int i=currentSize/2; i>0; i--)
percolateDown(i);
}
d堆
d 堆與二叉堆很像,但其所有的結點都有 d 個兒子,因此二叉堆記爲 2 堆。
因爲有很多情形是插入比刪除操作多得多,這種樹就派上用場了。d 堆將 insert 操作運行時間改爲 O(),然而對於 deleteMin 操作,因爲要進行 d-1 次比較,所以時間爲 O()。而且找到兒子和父親的乘法和除法都有個因子 d ,除非 d 是 2 的冪,不然不能通過二進制的移位來實現除法而導致運行時間急劇增加。
如下是一個 3 堆:
左式堆
由於二叉堆的合併操作是比較困難的操作,所以這是一種方便合併操作的堆。我們把任意一個結點 X 的零路徑長(null path length)npl(X) 規定爲從 X 到一個不具有兩個兒子的結點的最短路徑的長。具有 0 個或 1 個兒子結點的 npl 爲 0,而 npl(NULL) = -1 ,如下爲兩棵樹的 npl 情況。
可以發現,任意結點的零路徑長比它的諸兒子結點的零路徑長的最小值多 1。這也適用於少於兩個兒子的結點,因爲 null 的零路徑長是 -1。
左式堆:對於堆中的每一個結點 X,左兒子的零路徑長至少與右兒子的零路徑長一樣大。對於左式堆,X 結點的零路徑長度等於右兒子的零路徑長度加 1。
因爲左式堆趨向於加深左路徑,所以右路徑應該短,事實上沿左式堆右側的右路徑確實是該堆中最短路徑。否則,就會存在一條路徑通過某個結點 X ,取得左兒子(可能爲空)的零路徑長度小於右兒子的零路徑長度。
定理:在右路徑上有 r 個結點的左式樹必然至少有 個結點。
該定理說明,N 個結點的左式樹有一條右路徑最多含有 個結點。
下面是是實現:
方法一:合併操作(merge)採用遞歸操作
#ifndef LeftistHeap_H
#define LeftistHeap_H
#include <queue>
using namespace std;
template<typename Comparable>
class LeftistHeap
{
public:
explicit LeftistHeap()
{
root = NULL;
}
explicit LeftistHeap(const vector<Comparable> & items)
{
for(int i=0; i<items.size(); i++)
{
LeftistHeap *heap = new LeftistHeap();
heap->insert(items[i]);
que.push(heap);
}
buildHeap();
}
bool isEmpty() const
{
if(root == NULL)
return true;
else
return false;
}
//C++中千萬不能返回局部對象的引用,因爲返回引用之前已被析構
const Comparable & findMin() const
{
if(isEmpty())
throw UnderflowException();
return root->element;
}
void insert(const Comparable & x)
{
//插入操作變爲一個結點和該堆的合併
root = merge(new LeftNode(x), root);
}
//刪除最小元素
void deleteMin()
{
if(isEmpty())
throw UnderflowException();
LeftNode *oldRoot = root;
root = merge(root->left, root->right);
delete oldRoot;
}
//刪除最小元素,放入 minItem 中
void deleteMin(Comparable & minItem)
{
if(isEmpty())
throw UnderflowException();
minItem = findMin();
deleteMin();
}
void makeEmpty();
//合併 rhs堆 到本堆
void merge(LeftistHeap & rhs)
{
if(this == &rhs)
return;
root = merge(root, rhs.root);
rhs.root = NULL;
}
const LeftistHeap & operator=( const LeftistHeap & rhs);
private:
struct LeftNode
{
Comparable element;
LeftNode * left;
LeftNode * right;
int npl;
LeftNode( const Comparable &theElement, LeftNode *lt = NULL,
LeftNode *rt = NULL, int np = 0)
:element(theElement), left(lt), right(rt), npl(np){}
};
LeftNode *root;
queue<LeftistHeap *> que; //存放堆的隊列
LeftNode * merge(LeftNode *h1, LeftNode *h2)
{
if(h1 == NULL) return h2;
if(h2 == NULL) return h1;
if(h1->element < h2->element)
return merge1(h1, h2);
else
return merge1(h2, h1);
}
//內部合併函數,h1->element < h2->element
LeftNode * merge1(LeftNode *h1, LeftNode *h2)
{
if(h1->left == NULL) //一個結點的堆的合併
h1->left = h2;
else
{
h1->right = merge(h1->right, h2); //h1 左結點非空就合併右結點和 h2
if(h1->left->npl < h1->right->npl) //每層遞歸操作完成後檢查該層根結點孩子的零路徑長度
swapChildren(h1); //不符合左式堆的時候就交換左右孩子
h1->npl = h1->right->npl + 1; //根結點 npl = min_npl(h1->left, h1->right) + 1,
//但是左式堆的左結點的npl一定大於或等於右結點
}
}
void swapChildren(LeftNode *t)
{
LeftNode *tmp = t->left;
t->left = t->right;
t->right = tmp;
}
void reclaimMemory(LeftNode *t)
{
if(t)
delete t;
}
LeftNode * clone(LeftNode *t) const
{
LeftNode *node = new LeftNode(t->element,
t->left, t->right, t->npl);
return node;
}
void buildHeap()
{
while (que.size() > 1) {
LeftistHeap *h1 = que.front();
que.pop();
LeftistHeap *h2 = que.front();
que.pop();
h1->merge(h2);
que.push(h1);
}
LeftistHeap *heap = que.front();
que.pop();
this->merge(heap);
}
};
#endif // LeftistHeap_H
步驟如下:
方法二:合併操作(merge)非遞歸
先通過合併兩個堆的右路徑建立一棵新的樹,如下
我們可以看到右路徑以排序的方式安排,且保持它們各自的左兒子不變。然後交換該路徑上左式堆性質被破壞的結點的兩個兒子。這就是非遞歸實現的方法。因爲可能由於結點很多,而導致遞歸實現缺乏棧空間,所以該方法適合於大型數據堆合併。
遞歸的方法的合併操作的時間與右路徑的長成正比,合併兩個左式堆的時間界爲 O(logN)。同理插入,刪除都是 O(logN)。
斜堆
首先,斜堆是具有堆序性質的二叉樹,但是沒有樹的結構限制。而左式堆也是具有堆序性質的二叉樹,但是要求 npl(leftChild) >= npl(rightChild)。所以不用保留結點的 npl 信息。除此之外,和左式堆沒有區別。斜堆的右路徑可以任意長。斜堆的基本操作也是合併(merge),只不過交換孩子結點是每次遞歸操作後都有的。看下面的代碼
//內部合併函數,h1->element < h2->element
LeftNode * merge1(LeftNode *h1, LeftNode *h2)
{
if(h1->left == NULL) //一個結點的堆的合併
h1->left = h2;
else
{
h1->right = merge(h1->right, h2); //h1 左結點非空就合併右結點和 h2
swapChildren(h1); //每層遞歸操作完成後就交換左右孩子
}
}
我們會發現,每個子樹的右路徑的所有結點的最大者不交換左右兒子,這是因爲它的右兒子必定爲空。這也是由這段代碼決定的,因爲我們的合併操作,總是先考慮到左孩子是否爲空,爲空就放在左邊,所以不存在這樣的結點它只有右孩子。所以右路徑的最大結點要麼沒有孩子,要麼只有左孩子。沒有孩子時最後執行 “h1->left = h2” 跳出遞歸,有左孩子時,交換後,那麼右路徑最大結點變爲其原來的左孩子,它是沒有孩子結點的,當然也符合上面的結論。
斜堆的插入、刪除、合併也是 O(logN)。
二項隊列
雖然左式堆和斜堆都以每次操作花費 O(logN) 時間有效地支持合併、插入和 deletMin,二叉堆以每次操作花費常數時間支持插入。二項隊列支持所有這三種操作,每次操作的最壞情形運行時間爲 O(logN),而插入操作平均花費常數時間。
二項隊列不是一顆堆序的樹,而是堆序的樹的集合,稱爲森林。這個集合中的每一棵樹都是有約束的形式,他們叫做二項樹。
下面定義二項樹:高度爲 0 的二項樹是一顆單結點樹;高度爲 k 的二項樹 通過將一顆二項樹 附接到另一顆二項樹 的根上而構成。下圖顯示二項樹 :
可見,二項樹 由一個帶有兒子 的根組成。高度爲 k 的二項樹恰好有 個結點,其在深度 d 處的結點數是二項係數 。
二項隊列要求其集合中的二項樹在任意高度上最多隻有一顆,並且這些二項樹是有堆序要求的。我們表示大小爲 13 的優先隊列可以用森林 表示。我們把這種表示寫成 1101,它不僅以二進制表示了 13,而且也表示這樣的事實:在上述表示中, 出現,而 則沒有出現。
如下是具有 6 個元素的優先隊列 :
- 二項隊列操作
(1)最小元可以通過搜索所有樹的根找出。由於最多有 log(N+1) 棵不同的樹,因此最小元可以以 O(log(N+1)) 時間找到。
(2)合併操作也很容易,基本上是通過兩個隊列加到一起來完成的。下面通過一個例子介紹:
如下兩個二項隊列合併,二項隊列最好是按照高度排序好的,這樣更有效:
首先,令 是新的二項隊列,由於 中沒有高度爲 0 的二項樹而 有,因此將該二項樹作爲 的一部分。然後將兩個高度爲 1 的二項樹相加(大根成爲小根的子樹)從而建立了一個高度爲 2 的二項樹,如下
這樣, 中將沒有高度爲 1 的二項樹。現在存在 3 棵高度爲 2 的樹:我們將一顆高度爲 2 的二項樹放到 中併合並其他兩個二項樹。由於 中沒有高度爲 3 的二項樹,因此該二項樹就成爲 的一部分,合併結束。如下
由於總共最多存在 O(log(N+1)) 棵二項樹,因此合併在最壞情形下花費時間爲 O(log(N+1))。
(3)插入實際上就是特殊情形的合併,只要創建一顆單結點樹並執行一次合併即可。
最壞情形運行時間爲 O(logN),由於二項隊列中每棵樹出現的概率爲 1/2,於是我們預計插入操作在兩步之後終止,因此平均時間是常數。
(4)deleteMin 可以通過首先找出一顆具有最小根的二項樹來完成。設該樹爲 ,並令原來的優先隊列爲 H,我們從 H 中去除 形成 。再去除 的根,得到一些二項樹 ,他們共同形成優先隊列 。合併 和 即可。整個花費爲 2*O(logN) 的時間。
- 二項隊列的實現
二項樹的每一個結點包含數據、第一個兒子以及右兄弟。
以下爲二項隊列類架構及結點定義
#ifndef BINOMIALQUEUE_H
#define BINOMIALQUEUE_H
template <typename Comparable>
class BinomialQueue
{
public:
BinomialQueue();
BinomialQueue(const Comparable & item);
BinomialQueue(const BinomialQueue & rhs);
~BinomialQueue();
bool isEmpty() const;
const Comparable & findMin() const;
void insert(const Comparable & x);
void deleteMin();
void deleteMin(Comparable & minItem);
void makeEmpty();
void merge(BinomialQueue & rhs);
const BinomialQueue & operator= (const BinomialQueue & rhs);
private:
struct BinomialNode
{
Comparable element;
BinomialNode *leftChild;
BinomialNode *nextSibling;
BinomialNode( const Comparable & theElement,
BinomialNode *lt, BinomialNode *rt)
:element(theElement), leftChild(lt), nextSibling(rt){}
};
enum{ DEFAULT_TREES = 1 };
int currentSize; // number of items in priorty queue
vector<BinomialNode *> theTrees; // an array of tree roots
int findMinIndex() const;
int capacity() const;
BinomialNode * combineTrees(BinomialNode *t1, BinomialNode *t2);
void makeEmpty(BinomialNode *& t);
BinomialNode * clone(BinomialNode *t) const;
};
#endif // BINOMIALQUEUE_H
合併操作只涉及到同樣高度的兩個二項樹的合併操作,所以以下代碼是合併兩個同樣大小的二項樹程序代碼:
BinomialNode * combineTrees(BinomialNode *t1, BinomialNode *t2)
{
if(t2->element < t1->element)
return combineTrees(t2, t1);
t2->nextSibling = t1->leftChild;
t1->leftChild = t2;
return t1;
}
合併兩個優先隊列的程序代碼:
// merge rhs into the priority queue. rhs becomes empty.
// carry is previous step's reslut.
void merge(BinomialQueue & rhs)
{
if(this == &rhs)
return;
currentSize += rhs.currentSize;
if(currentSize > capacity())
{
int oldNumTrees = theTrees.size();
int newNumTrees = max(theTrees.size(), rhs.theTrees.size()) + 1;
theTrees.resize(newNumTrees);
for(int i=oldNumTrees; i<newNumTrees; i++)
theTrees[i] = NULL;
}
BinomialNode *carry = NULL;
for(int i=0, j=1; j<=currentSize; i++, j*=2)
{
BinomialNode *t1 = theTrees[i];
BinomialNode *t2 = i<rhs.theTrees.size() ? rhs.theTrees[i] : NULL;
int whichCase = t1==NULL ? 0 : 1;
whichCase += t2==NULL ? 0 : 2;
whichCase += carry==NULL ? 0 : 4;
switch (whichCase) {
case 0: // no trees
case 1: // only this
break;
case 2: // only rhs
theTrees[i] = t2;
rhs.theTrees[i] = NULL;
break;
case 4: // only carry
theTrees[i] = carry;
carry = NULL;
break;
case 3: // this and rhs
carry = combineTrees(t1, t2);
theTrees[i] = rhs.theTrees[i] = NULL;
break;
case 5: // this and carry
carry = combineTrees(t1, carry);
theTrees[i] = NULL;
break;
case 6: // rhs and carry
carry = combineTrees(t2, carry);
rhs.theTrees[i] = NULL;
break;
case 7: // this rhs and carry
theTrees[i] = carry;
carry = combineTrees(t1, t2);
rhs.theTrees[i] = NULL;
break;
default:
break;
}
}
for(int k=0; k<rhs.theTrees.size(); k++)
rhs.theTrees[k] = NULL;
rhs.currentSize = 0;
}
以下爲 deleteMin 程序代碼:
void deleteMin(Comparable & minItem)
{
if(isEmpty())
throw UnderflowException();
int minIndex = findMinIndex();
minItem = theTrees[minIndex]->element;
BinomialNode *oldRoot = theTrees[minIndex];
BinomialNode *deletedTree = oldRoot->leftChild;
delete oldRoot;
// construct H"
BinomialQueue deletedQueue;
deletedQueue.theTrees.resize(minIndex + 1);
deletedQueue.currentSize = (1 << minIndex) - 1;
for(int j=minIndex - 1; j>=0; j--)
{
deletedQueue.theTrees[j] = deletedTree;
deletedTree = deletedTree->nextSibling;
deletedQueue.theTrees[j]->nextSibling = NULL;
}
// construct H'
theTrees[minIndex] = NULL;
currentSize -= deletedQueue.currentSize + 1;
merge(deletedQueue);
}
// find index of tree containing the smallest item in the priority queue.
// the priority queue must not be empty.
// return the index of tree containing the smallest item.
int findMinIndex() const
{
int i;
int minIndex;
for(i=0; theTrees[i]==NULL; i++)
;
for(minIndex=i; i<theTrees.size(); i++)
if(theTrees[i] != NULL &&
theTrees[i]->element < theTrees[minIndex]->element)
minIndex = i;
return minIndex;
}
標準庫中的優先隊列
在 STL 中,二叉堆是通過稱爲 priority_queue 的類模板實現的,該模板在標準頭文件 queue 中找到。只不過 STL 實現一個最大堆而不是最小堆,於是所訪問的項就是最大項。使用 greater 函數對象作爲比較器可以得到最小堆。
堆中元素重複是允許的,刪除也只刪除一個。
以下爲最大堆和最小堆的一個例程:
#include <iostream>
#include <vector>
#include <queue>
#include <functional>
#include <string>
using namespace std;
// empty the priority queue and print its contents
template <typename PriorityQueue>
void dumpContents(const string & msg, PriorityQueue & pq)
{
cout << msg << ":" << endl;
while (!pq.empty()) {
cout << pq.top() << endl;
pq.pop();
}
}
int main()
{
priority_queue<int> maxPQ;
priority_queue<int, vector<int>, greater<int> > minPQ;
minPQ.push(4); minPQ.push(3); minPQ.push(5);
maxPQ.push(4); maxPQ.push(3); maxPQ.push(5);
dumpContents("minPQ", minPQ); // 3 4 5
dumpContents("maxPQ", maxPQ); // 5 4 3
return 0;
}