堆排序详解(含对时间复杂度的分析)

简介: 堆排序详解(含对时间复杂度的分析)

@TOC


一、堆

1.概念

堆的物理结构(我们能看到的)是一个数组

堆的逻辑结构(我们想象出来的)是一个完全二叉树

  在这里插入图片描述  

2.特性

1.结构性:用数组表示完全二叉树

2.有序性: 任一结点的关键字是其子树所有结点的最大值(最小值)

而拥有最大值在顶叫做 大堆

   拥有最小值在顶叫做 小堆

3. 父子结点

因为都是由数组表示的完全二叉树

而数组对应下标

左孩子下标 =父亲节点下标2+1
右孩子下标 =父亲节点下标
2+2

  在这里插入图片描述

二、向下调整算法

1.概念

向下调整算法

以小堆为例,

当满足左子树与右子树都是小堆时

从根节点开始

取左右孩子小的那个,与父亲比较,如果比父亲小就交换

然后往下调,以此时的child赋值给parent,

直到调到叶节点就结束

在这里插入图片描述  

2. 实现

void justdown(int* a, int n, int root)//向下调整算法 ——建堆  小堆
{
    int parent = root;
    int child = parent * 2 + 1;//假设左右孩子小的是左孩子
    while (child<n)//child作为下标小于元素个数就成立,否则数据不存在
    {
        if (a[child + 1] < a[child]&&child+1<n)//作为完全二叉树存在,有可能只存在左子树,而不存在右子树
        {
            child++;//如果左孩子大于右孩子,设小的为右孩子
        }
        if (a[child] < a[parent])//孩子小于父亲,两者就交换
        {
            swap(&a[child], &a[parent]);
            parent = child;
            child = parent * 2 + 1;
        }
        else//孩子比父亲大 就结束循环  因为左右子树都是小堆 
        {
            break;
        }
    }
}

三 、堆排序的实现

1.建堆

以大堆为例

若发现左子树与右子树不是大堆,则不能直接使用向下调整算法

可以倒着从最后一颗子树开始调 ,使其变成左右子树都是大堆

但是由于叶节点调并由实际作用,所以从倒数第一个非叶子树开始调 ,而正好都是用数组下标表示的,每次减一,都会达到前一个数的位置。

元素个数为n,最后一个数的下标为n-1,0作为8的左子树,8就为(n-1-1)/2

在这里插入图片描述

2. 排序

以升序为例

正常来说,我们排升序都应该想到是用小堆,

但是会存在一个问题

在这里插入图片描述  

建小堆,我们应该把最小数放在堆顶,这个数已经被选出来了,然后在剩下的数中在去选数,此时的树的结构已经乱了,必须重新建堆才能选出下一个数,建堆的时间复杂度是O(N)

这时的时间复杂度为O(N-1)  N-2 N-3 N-4….

最后建堆选序的时间复杂度为O(N^2) 对比其他排序这样都没有效率

所以我们采用大堆排升序

使用大堆可以不改变二叉树本身的结构

将 堆顶与最后一个数交换 ,这样最大的数就排到最后了

再将前n-1个数再次使用向下调整算法,找到次大的数 ,与倒数第二个数交换

直到有一个数时停止

在这里插入图片描述  

3.代码实现

void justdown(int* a, int n, int root)//向下调整算法 ——建堆  大堆
{
    int parent = root;
    int child = parent * 2 + 1;//假设左右孩子大的是左孩子
    while (child < n)//child作为下标小于元素个数就成立,否则数据不存在
    {
        if (a[child + 1] > a[child] && child + 1 < n)//作为完全二叉树存在,有可能只存在左子树,而不存在右子树
        {
            child++;//如果左孩子大于右孩子,设大的为右孩子
        }
        if (a[child] > a[parent])//孩子大于父亲,两者就交换
        {
            swap(&a[child], &a[parent]);
            parent = child;
            child = parent * 2 + 1;
        }
        else//孩子比父亲小 就结束循环  因为左右子树都是大堆 
        {
            break;
        }
    }
}
void heapsort(int* a, int n)
{
    int i = 0;
    for (i = (n - 1 - 1) / 2; i >= 0; i--)//(n-1-1)/2是从叶节点的上一个父节点开始,
    {
        justdown(a, n, i);//因为实际是一个数组,所以每次减一都往前调一个下标位置
    }
    int end = n - 1;
    while (end > 0)//多于一个值时就进行
    {
        swap(&a[0], &a[end]);//排升序用大堆  
        justdown(a, end, 0);
        end--;
    }
}

四、堆排序的时间复杂度

1.建堆的时间复杂度  O(N)

  在这里插入图片描述  

2.排序中运用向下调整算法 ,向下调整算法需要调整高度次h

2^h -1 =N     h=log N      时间复杂度为O(logN)

不太懂高度计算的 二叉树的详细图解

堆排序的整体时间复杂度为 O(N*log N)

目录
相关文章
|
4月前
|
机器学习/深度学习 人工智能 自然语言处理
NeurIPS 2025 | Code Graph Model (CGM):图融合架构重塑代码大模型,探索AI代码研发新范式
代码图模型(CGM)通过专用适配器将仓库代码图集成到LLM的注意力机制中,在 SWE-Bench Lite 基准上实现了44.00%的问题解决率,相比先前开源方法提升了12.33%
548 9
|
8月前
|
存储 数据库
RAG分块技术全景图:5大策略解剖与千万级生产环境验证
本文深入解析RAG系统中的五大文本分块策略,包括固定尺寸、语义、递归、结构和LLM分块,探讨其工程实现与优化方案,帮助提升知识检索精度与LLM生成效果。
1084 1
|
存储 机器学习/深度学习 人工智能
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
数据结构学习笔记——图的存储结构(邻接矩阵和邻接表)
|
网络协议 Java
【Java】已解决java.net.UnknownHostException异常
【Java】已解决java.net.UnknownHostException异常
4854 0
|
分布式计算 Spark
【赵渝强老师】Spark RDD的依赖关系和任务阶段
Spark RDD之间的依赖关系分为窄依赖和宽依赖。窄依赖指父RDD的每个分区最多被一个子RDD分区使用,如map、filter操作;宽依赖则指父RDD的每个分区被多个子RDD分区使用,如分组和某些join操作。窄依赖任务可在同一阶段完成,而宽依赖因Shuffle的存在需划分不同阶段执行。借助Spark Web Console可查看任务的DAG图及阶段划分。
669 15
|
IDE 搜索推荐 Java
Pycharm的好用设置和插件
PyCharm 是一款强大的 Python IDE,支持多种实用设置和插件,如个性化字体设置、自动换行、汉化、代码优化插件 Sourcery、翻译工具、Material Theme UI、彩虹括号、彩虹缩进、代码概览 CodeGlance 和 GitToolBox 等,极大提升了开发效率和体验。
2838 10
|
设计模式 应用服务中间件 容器
【Tomcat源码分析】Pipeline 与 Valve 的秘密花园
本文深入剖析了Tomcat中的Pipeline和Valve组件。Valve作为请求处理链中的核心组件,通过接口定义了关键方法;ValveBase为其基类,提供了通用实现。Pipeline则作为Valve容器,通过首尾相连的Valve链完成业务处理。StandardPipeline实现了Pipeline接口,提供了详细的Valve管理逻辑。通过对代码的详细分析,揭示了模板方法模式和责任链模式的应用,展示了系统的扩展性和模块化设计。
【Tomcat源码分析】Pipeline 与 Valve 的秘密花园
|
算法 搜索推荐
数据结构与算法学习十八:堆排序
这篇文章介绍了堆排序是一种通过构建堆数据结构来实现的高效排序算法,具有平均和最坏时间复杂度为O(nlogn)的特点。
607 0
数据结构与算法学习十八:堆排序
|
算法 搜索推荐 Java
|
弹性计算 Java 芯片
阿里云张伟分享 | 软件跨架构迁移(x86-&gt;ARM)的原理及实践
2023年8月31日,系列课程第四节《软件跨架构迁移(X86 -&gt; ARM)的原理及实践》正式上线,由阿里云弹性计算架构师主讲,内容涵盖:ARM与x86架构的差异分析;软件跨架构迁移的原理;软件迁移策略制定、环境准备、执行、测试优化及持续部署与维护等;以及软件迁移的全流程解读。
阿里云张伟分享 | 软件跨架构迁移(x86-&gt;ARM)的原理及实践

热门文章

最新文章