算法导论——斐波那契堆

简介: 斐波那契堆是具有最小堆序的有根树的集合,也就是集合中的每棵树都具有父结点的关键字小于或等于子结点的关键字。 对于每一个结点x,主要有以下属性:名称说明记作关键字结点存储的值x.

斐波那契堆是具有最小堆序的有根树的集合,也就是集合中的每棵树都具有父结点的关键字小于或等于子结点的关键字。

 

对于每一个结点x,主要有以下属性:

名称

说明

记作

关键字

结点存储的值

x.key

父结点

结点的父亲

x.p

左兄弟

结点的左兄弟

x.left

右兄弟

结点的右兄弟

x.right

孩子

结点的一个儿子结点

x.child

结点的儿子数量,不包括孙子及下层

x.degree

标记

结点是否有儿子被删除

x.mark

堆H本身属性:

名称

说明

记作

最小结点

最小的根结点

H.min

结点数目

整个堆中结点的个数

H.n

所有树的根结点集合被称为根链表,通过H.min和最小结点的left right值可以构成。

操作

二项堆(最坏情形)

斐波那契堆(摊还)

MAKE-HEAP

O(1)

O(1)

INSERT

O(lgn)

O(1)

MINIMUM

O(1)

O(1)

EXTRACT-MIN

O(lgn)

O(lgn)

UNION

O(n)

O(1)

DECREASE-KEY

O(lgn)

O(1)

DELETE

O(lgn)

O(lgn)

可以看出,二项堆在插入、合并、修改值操作上摊还时间是常数级别,效率较高。

插入操作

将一个结点x插入到H中,若堆为空则新建一个仅有x的堆,否则将x加入到根链表中

图中所示为21插入到堆中

代码如下:

 1 void fibHeapInsert(H,x){
 2     x.degree = 0;
 3     x.p = NULL;
 4     x.child = NULL;
 5     x.mark = false;
 6     if(H.min == NULL){
 7         //新建一个根链表仅含有x
 8         H.min = x;
 9     }
10     else{
11         //将x插入到H的根链表中
12         if(x.key<H.min.key)
13             H.min = x;
14         H.n++;
15     }
16 }

寻找最小结点

直接通过H.min获得

两个斐波那契堆的合并

直接将两个堆的根链表链接,然后确定新的最小结点

1 fibHeapUnion(H1,H2){
2     H = makeFibHeap();//初始化一个新堆
3     for(p=H1.min;p.right!=NULL;p=p.right);
4     p.right = H2.min;//将H2的根链表链接到H1的根链表右端
5     H.min = (H1.min < H2.min) ? H1.min : H2.min;
6     H.n = H1.n + H2.n;
7     return H;
8 }

抽取最小点

先将最小结点的每个孩子变为根节点,从根链表中删除最小结点,H.min指向最小结点的右兄弟,然后把具有相同度数的结点合并来形成新的根链表,合成过程是迭代的,合成之后结点度数加1,然后再检查有无度数相同结点,直到所有度数的结点在根链表中只有一个。

(a)-(b)3的3个儿子都被移到根链接然后3被删除,3的右兄弟17成为H.min。(c)-(d)从17开始遍历根链表,17的度为1,24的度为2,23的度为0,他们都是第一次出现的度值,记录到辅助数组中。(e)7的度也是0,和23重复,且7<23,所以23插入到7的儿子中,7的度变为1。(f)-(g)7的新度值和17重复,17插入到7的儿子中,7的度变为2。(h)7的新度和24重复,24插入到7的儿子中,7的度变为3。(i)-(j)21的度为0,18的度为1,插入到辅助数组。(k)52的度为0,插入到21的儿子中,21的度变为1和18重复,21插入到18的儿子中。

fibHeapExtractMin(H){
    z = H.min;
    if(z != NULL){
        for(x=z.child;x!=NULL;x=x.right){
            H.rootList.add(x);
            x.p = NULL;
        }
        H.rootList.remove(z);
        if(z==z.right)
            H.min = NULL;
        else{
            H.min = z.right;
            consolidate(H);
        }
        H.n--;
    }
    return z;
}

consolidate(H){
    A[n+1];//用来存储已有度数的辅助数组,n是整个堆中根结点的最大度数
    for(i=0;i<=n;i++){
        A[i] = NULL;
    }
    for(w=H.child;w!=NULL;w=w.right){
        x=w;
        d=x.degree;
        while(A[d]!=NULL){//已有度数相同的结点,将该与之前的结点合并
            y=A[d];
            if(x.key>y.key)
                exchange(x,y);//key值大的作为子节点
            fibHeapLink(H,y,x);//y插入x的子结点中
            A[d]=NULL;
            d++;
        }
        A[d]=x;
    }
    H.min = NULL;
    for(i=0;i<=n;i++){//合并完成后重新构建根链表与最小结点
        if(A[i]!=NULL){
            if(H.min==NULL){
                //创建一个新堆仅有A[i]
                H.min = A[i];
            }
            else{
                H.rootList.add(A[i]);
                if(A[i].key<H.min.key)
                    H.min = A[i];
            }
        }
    }
}

fibHeapLink(H,y,x){
    H.rootList.remove(y);
    for(t=x.child;t.right!=NULL;t=t.right);
    t.right = y;
    x.degree++;
    y,mark=false;
}

关键字减值

将x结点的key改为k值,若改变后会影响最小堆性质,则将x移动到根链表,并标记父结点,若之前父结点已被标记过,则将父结点也移动到根链表,标记爷结点。递归这个过程直到标记一个未标记过的父结点,这个操作叫做级联删除。最后,若新key值小于原本最小结点值,最小结点变为x。

如图(a)-(b)将46变为15然后15被移到根链表,24被标记。(c)将35改为5,26已经被标记所以(d)中26也被移到根链表。(e)中26的父结点24也被标记过,所以24也移动到根链表,24的父结点7已经在根链表上,该过程终止。

 1 fibHeapDecreaseKey(H,x,k){
 2     if(k>x.key)
 3         return;
 4     x.key = k;
 5     y = x.p;
 6     if(y!=NULLL && x.key < y.key){
 7         cut(H,x,y);
 8         cascadingCut(H,y);//更改后x.key小于父节点key时,x移动到根链表并对父结点做级联删除
 9     }
10     if(x.key<H.min.key)
11         H.min = x;
12 }
13 
14 cut(H,x,y){
15     for(t=y.child;t.right!=x;t=t.right);
16     t.right = t.right.right;//从y的child list中移除x
17     y.degree--;
18     for(t=H.min;t.left!=NULL;t=t.left);
19     t.left = x;//将x添加到H的根链表
20     x.p = NULL;
21     x.mark = false;
22 }
23 
24 cascadingCut(H,y){
25     z = y.p;
26     if(z!=NULL){
27         if(y.mark==false)
28             y.mark = true;//y未被标记,则标记y
29         else{
30             cut(H,y,z);
31             cascadingCut(H,z);//y已被标记,则将z移到根链表并对y的父结点做级联删除
32         }
33     }
34 }

删除结点

将结点x的值修改为无穷小,然后执行抽取最小值操作 

个人GitHub地址: https://github.com/GrayWind33
相关文章
|
算法 机器学习/深度学习 C++
算法导论第十九章 斐波那契堆
  《算法导论》第二版中在讨论斐波那契堆之前还讨论了二项堆,但是第三版中已经把这块的内容放到思考题中,究极原因我想大概是二项堆只是个引子,目的是为了引出斐波那契堆,便于理解,而且许多经典的算法实现都是基于斐波那契堆,譬如计算最小生成树问题和寻找单源最短路径问题等,此时再把二项堆单独作为一章来讲显然没有必要。
1172 0
|
25天前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
1月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于MSER和HOG特征提取的SVM交通标志检测和识别算法matlab仿真
### 算法简介 1. **算法运行效果图预览**:展示算法效果,完整程序运行后无水印。 2. **算法运行软件版本**:Matlab 2017b。 3. **部分核心程序**:完整版代码包含中文注释及操作步骤视频。 4. **算法理论概述**: - **MSER**:用于检测显著区域,提取图像中稳定区域,适用于光照变化下的交通标志检测。 - **HOG特征提取**:通过计算图像小区域的梯度直方图捕捉局部纹理信息,用于物体检测。 - **SVM**:寻找最大化间隔的超平面以分类样本。 整个算法流程图见下图。
|
10天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
11天前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
12天前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。
|
11天前
|
机器学习/深度学习 算法 芯片
基于GSP工具箱的NILM算法matlab仿真
基于GSP工具箱的NILM算法Matlab仿真,利用图信号处理技术解析家庭或建筑内各电器的独立功耗。GSPBox通过图的节点、边和权重矩阵表示电气系统,实现对未知数据的有效分类。系统使用MATLAB2022a版本,通过滤波或分解技术从全局能耗信号中提取子设备的功耗信息。
|
11天前
|
机器学习/深度学习 算法 5G
基于MIMO系统的SDR-AltMin混合预编码算法matlab性能仿真
基于MIMO系统的SDR-AltMin混合预编码算法通过结合半定松弛和交替最小化技术,优化大规模MIMO系统的预编码矩阵,提高信号质量。Matlab 2022a仿真结果显示,该算法能有效提升系统性能并降低计算复杂度。核心程序包括预编码和接收矩阵的设计,以及不同信噪比下的性能评估。
29 3
|
22天前
|
人工智能 算法 数据安全/隐私保护
基于遗传优化的SVD水印嵌入提取算法matlab仿真
该算法基于遗传优化的SVD水印嵌入与提取技术,通过遗传算法优化水印嵌入参数,提高水印的鲁棒性和隐蔽性。在MATLAB2022a环境下测试,展示了优化前后的性能对比及不同干扰下的水印提取效果。核心程序实现了SVD分解、遗传算法流程及其参数优化,有效提升了水印技术的应用价值。
|
23天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化CNN-LSTM网络的数据分类识别算法matlab仿真
本项目展示了基于贝叶斯优化(BO)的CNN-LSTM网络在数据分类中的应用。通过MATLAB 2022a实现,优化前后效果对比明显。核心代码附带中文注释和操作视频,涵盖BO、CNN、LSTM理论,特别是BO优化CNN-LSTM网络的batchsize和学习率,显著提升模型性能。