Java数据结构：堆与PriorityQueue优先级队列的使用

Dear 丶 2023-09-23 22:12 135阅读 0赞

### 文章目录 ###

*  1 什么是堆
 *  2 堆的实现思路
 *   *  2.1 大根堆的成员变量简介
     *  2.2 树的相关知识复习
     *  2.3 向下调整创建大根堆
     *  2.4 堆的插入
     *  2.5 堆的删除
 *  3 大根堆实现代码及测试
 *  4 PriorityQueue的使用
 *   *  4.1 特性简介
     *  4.2 常用方法
     *  4.3 使用PriorityQueue实现大根堆
 *  写在最后

--------------------

# 1 什么是堆 #

堆实质上就是对完全二叉树进行了一些调整。而在 Java 的 `PriorityQueue` 优先级队列中，底层就是堆这样的结构。所以，我们尝试通过模拟堆的实现，来更好的理解优先级队列。

> **知识补充：何为完全二叉树？**  
> 答：一棵深度为k的有n个结点的二叉树，对树中的结点按从上至下、从左到右的顺序进行编号，如果编号为i（1≤i≤n）的结点与满二叉树中编号为i的结点在二叉树中的位置相同，则这棵二叉树称为完全二叉树。

对于一组关键码集合K = \{k0, k1, k2, k3, …, kn-1\}来说，如果对于所有的 k ，都满足 ki >= k2i+1 且 ki >= k2i+2，则说明该堆是个大根堆。反之，则称为小根堆。  
 最直观的感受就是，对于大根堆来说，其根节点是最大的；对于，小根堆来说，其根节点是最小的。

我们以序列：`{3, 7, 4, 2, 1, 8, 9, 10, 5}` 为例，构造出大根堆如下图所示：  
![在这里插入图片描述][e8a793634cf64321b9383baf6109b0a8.png]  
图中，红色序号为元素对应的数组下标，从左到右从上到下，从0开始依次编号。观察堆，可以总结出如下的特点：

*  堆的某个节点的值总是不小于或者不大于父节点的值；
 *  堆总是一颗完全二叉树。

本文，将以大根堆为例，简述构造大根堆思路，并使用Java语言进行实现。

--------------------

# 2 堆的实现思路 #

## 2.1 大根堆的成员变量简介 ##

具体可见图中的代码注释，笔者对于大根堆的实现，都封装在BigHeap类中。  
![在这里插入图片描述][04b176feefec4081a42ae47a5c23a84d.png]

## 2.2 树的相关知识复习 ##

对于堆来说，其是对完全二叉树进行了些许调整，而如果我们使用顺序存储结构来表示堆，那么，对于双亲节点和孩子节点有如下的性质，在本文中，我们约定，所有的双亲节点采用parent指代，所有的孩子节点，采用child指代。而正如第一部分我们所叙述的一样，编号从上到下，从左到右依次从0开始编号。

*  对于父亲节点 parent，其左孩子和有孩子的编号分别为2 \* parent + 1， 2 \* parent + 2;
 *  对于孩子节点child，其父亲节点满足 parent = （child - 1）/ 2;
 *  对于上述两点性质，均需要满足编号在 0 到 useSize-1 之间的边界范围。

## 2.3 向下调整创建大根堆 ##

那么对于一个序列：`{3, 7, 4, 2, 1, 8, 9, 10, 5}`，我们如何将其转化成为大根堆呢？

**思路如下：**

1.  将该序列从左到右，从上到下，依次编号，构造完全二叉树后如图所示，所有蓝色圆圈中均为parent节点；  
    ![在这里插入图片描述][3afea5cc181145d397850d35d7416426.png_pic_center]
2.  最后一个 parent 节点的序号满足 （useSize-1-1）/ 2 ，我们从最后一个parent节点开始，依次向前调整，对于每个子树我们采用 **向下调整** 的策略；
3.  从2所对应的紫色框的子树开始，判断parent与左右孩子的值之间的大小关系，将孩子节点中的较大值与parent节点进行比较，如果满足child > parent则进行交换，如图所示，此时，以2为根节点的子树已经调整为了大根堆；![在这里插入图片描述][360e158a2b714c7eaa1d37fa84696eb6.png_pic_center]
4.  继续向前寻找parent节点，调整以4为根节点的子树，转化成大根堆，如图所示；  
    ![在这里插入图片描述][9d5dd8b348fd4e0cb8fce504244182af.png_pic_center]
5.  调整以7为根节点的子树，将其向下调整为大根堆，7和10交换后，以7为根节点的新子树也需要调整为大根堆，但是由于其已经满足大根堆了，所以不作交换；  
    ![在这里插入图片描述][3d2dc5c974874a0095039a8717f907d3.png_pic_center]
6.  最后调整以3为根节点的树，将其调整为大根堆，即将序列转化成了大根堆。  
    ![在这里插入图片描述][41a2aa02b24a4cb4b0d07f08b805be77.png_pic_center]

**相关代码如下：**

// 根据给定的数组向下调整构建大根堆 时间复杂度O(n)
        public void creadHeap(int[] data){
        
            // 依次向下调整初始数组的每一个元素 构建成堆
            // 从后往前找父节点
            this.elements = data;
            this.useSize = data.length;
            for (int parent = (useSize-1-1) / 2; parent >= 0; parent--) {
        
                siftDown(parent, useSize);
            }
        }
    
        // 向下调整
        // parent为要调整的父节点 len为每颗子树的调整范围
        private void siftDown(int parent, int len){
        
            int child = 2 * parent + 1; // 找到左孩子
            while (child < len){
        
                if (child + 1 < len && elements[child+1] > elements[child]){
        
                    child = child + 1; // 保证child指向的位置一定是子节点中最大的 再与parent进行比较
                }
                if (elements[child] > elements[parent]){
        
                    swap(elements, child, parent);
                    parent = child; // 继续向下调整
                    child = 2 * parent + 1;
                }else {
        
                    break;
                }
            }
        }

## 2.4 堆的插入 ##

**思路如下：**

*  先将元素放入堆的末尾，即最后一个孩子之后。从 elements 数组的角度来说，即将新插入的 val 放入到 elements\[useSize\] 的位置（需要注意是否需要扩容）；
 *  将新插入的节点依次与双亲节点进行比较，**向上调整，** 直到与位置为 0 的 parent 比较后，调整完毕，此时，插入新节点后的新堆同样满足大根堆。

**我们以插入一个新值val = 99来举例，示意图如下：**  
![在这里插入图片描述][ae24b0bc2ecd40209a56b6e054355a33.png]  
可以发现，每次只需要让新插入的节点和parent进行比较。

**为什么不需要和兄弟节点再比较，选出较大值与parent节点进行交换呢？**

因为，在每次插入新val前，已经有的元素均满足大根堆的性质，也就是说，对于每一个子树而言，其parent节点都是最大值，所以，就不需要和兄弟节点进行比较了。**如果新插入的节点比parent大，其一定比兄弟节点大！**

**相关代码如下：**

// 判断堆是否为满
        public boolean isFull(){
        
            return useSize == elements.length;
        }
    
        // 入堆
        public void offer(int val){
        
            if (isFull()){
        
                elements = Arrays.copyOf(elements, elements.length + DEFAULT_CAPACITY); // 扩容
            }
            elements[useSize++] = val;
            // 向上调整
            siftUp(useSize-1);
        }
    
        // 向上调整 用于插入元素 每次插入元素放入数组最后的位置（注意容量） 然后向上调整重新构造
        private void siftUp(int child){
        
            // 依次与parent比较 若比parent大 则交换
            int parent = (child - 1) / 2;
            while (parent >= 0){
        
                if (elements[parent] < elements[child]){
        
                    swap(elements, parent, child);
                    child = parent;
                    parent = (child - 1) / 2;
                }else {
        
                    break;
                }
            }
        }

## 2.5 堆的删除 ##

而堆的删除，我们约定，删除的一定是 **堆顶元素！**

**思路如下：**

*  将堆顶元素与最后一个元素进行交换；
 *  堆的有效数据减少一个，即 useSize = useSize - 1；
 *  对堆顶元素进行向下调整，使其结果满足大根堆。

**我们以删除 val = 99 为例，示意图如下：**

![在这里插入图片描述][614af27b47e744dba278c7f47e94c22d.png]  
**相关代码如下：**

// 判断是否为空
        public boolean isEmpty(){
        
            return useSize == 0;
        }
    
        // 删除堆顶元素 让堆顶元素和最后一个值替换 useSize-- 并且重新向下调整以堆顶元素起始的堆
        public int pop(){
        
            if (isEmpty()){
        
                throw new RuntimeException("堆为空");
            }
            int ret = elements[0];
            swap(elements, 0, useSize-1);
            useSize--;
            // 向下调整
            siftDown(0, useSize);
            return ret;
        }

--------------------

# 3 大根堆实现代码及测试 #

在具体实现代码中，笔者额外实现了TopK问题，具体思路可以看代码注释，附上oj链接：[最小k个数][k]，读者可以自行练习。

import java.util.Arrays;
    import java.util.Comparator;
    import java.util.PriorityQueue;
    import java.util.Queue;
    
    /**
     * @author 兴趣使然黄小黄
     * @version 1.0
     * 大根堆
     */
    @SuppressWarnings({
        "all"})
    public class BigHeap {
        
    
        private int[] elements; // 存储堆的元素
    
        private int useSize; // 堆的大小
    
        private final int DEFAULT_CAPACITY = 10; // 默认容量
    
        public BigHeap(){
        
            this.elements = new int[DEFAULT_CAPACITY]; // 默认初始堆的大小为10
            this.useSize = 0;
        }
    
        // 根据给定的数组向下调整构建大根堆 时间复杂度O(n)
        public void creadHeap(int[] data){
        
            // 依次向下调整初始数组的每一个元素 构建成堆
            // 从后往前找父节点
            this.elements = data;
            this.useSize = data.length;
            for (int parent = (useSize-1-1) / 2; parent >= 0; parent--) {
        
                siftDown(parent, useSize);
            }
        }
    
        // 向下调整
        // parent为要调整的父节点 len为每颗子树的调整范围
        private void siftDown(int parent, int len){
        
            int child = 2 * parent + 1; // 找到左孩子
            while (child < len){
        
                if (child + 1 < len && elements[child+1] > elements[child]){
        
                    child = child + 1; // 保证child指向的位置一定是子节点中最大的 再与parent进行比较
                }
                if (elements[child] > elements[parent]){
        
                    swap(elements, child, parent);
                    parent = child; // 继续向下调整
                    child = 2 * parent + 1;
                }else {
        
                    break;
                }
            }
        }
    
        // 判断堆是否为满
        public boolean isFull(){
        
            return useSize == elements.length;
        }
    
        // 入堆
        public void offer(int val){
        
            if (isFull()){
        
                elements = Arrays.copyOf(elements, elements.length + DEFAULT_CAPACITY); // 扩容
            }
            elements[useSize++] = val;
            // 向上调整
            siftUp(useSize-1);
        }
    
        // 向上调整 用于插入元素 每次插入元素放入数组最后的位置（注意容量） 然后向上调整重新构造
        private void siftUp(int child){
        
            // 依次与parent比较 若比parent大 则交换
            int parent = (child - 1) / 2;
            while (parent >= 0){
        
                if (elements[parent] < elements[child]){
        
                    swap(elements, parent, child);
                    child = parent;
                    parent = (child - 1) / 2;
                }else {
        
                    break;
                }
            }
        }
    
        // 判断是否为空
        public boolean isEmpty(){
        
            return useSize == 0;
        }
    
        // 删除堆顶元素 让堆顶元素和最后一个值替换 useSize-- 并且重新向下调整以堆顶元素起始的堆
        public int pop(){
        
            if (isEmpty()){
        
                throw new RuntimeException("堆为空");
            }
            int ret = elements[0];
            swap(elements, 0, useSize-1);
            useSize--;
            // 向下调整
            siftDown(0, useSize);
            return ret;
        }
    
        // 交换arr的i j位置值
        private void swap(int[] arr, int i, int j){
        
            int temp = arr[i];
            arr[i] = arr[j];
            arr[j] = temp;
        }
    
        // 求前k个最大的值 则构造有k个元素的最小堆 每次入堆的时候和堆顶进行比较 若更大 则替换 最终剩下的就是前k个最大的值
        public int[] maxK(int[] arr, int k) {
        
            int[] ret = new int[k];
            // 合法性检验
            if(arr == null || k == 0) {
        
                return ret;
            }
            if(arr.length >= k){
        
                ret = Arrays.copyOf(arr, k);
                return ret;
            }
            Queue<Integer> minHeap = new PriorityQueue<>(k);
            //1、遍历数组的前K个 放到堆当中
            for(int i = 0; i < k; i++){
        
                minHeap.offer(arr[i]);
            }
            //2、遍历剩下的K-1个，每次和堆顶元素进行比较
            for (int i = k; i < arr.length; i++) {
        
                if (arr[i] > minHeap.peek()) {
        
                    minHeap.poll(); // 出堆顶后添加
                    minHeap.offer(arr[i]);
                }
            }
            //3、存储结果
            for (int i = 0; i < k; i++) {
        
                ret[i] = minHeap.poll();
            }
            return ret;
        }
    
        // 求前k个最小的值 构造大顶堆 如果新值比堆顶还要小 则替换 重新构造堆
        public int[] smallestK(int[] arr, int k) {
        
            int[] ret = new int[k];
            // 合法性检验
            if (arr == null || k <= 0){
        
                return ret;
            }
            if (k >= arr.length){
        
                ret = Arrays.copyOf(arr, k);
            }
            // 构造大顶堆
            Queue<Integer> maxHeap = new PriorityQueue<>(new Comparator<Integer>() {
        
                @Override
                public int compare(Integer o1, Integer o2) {
        
                    return o2 - o1;
                }
            });
            // 先将前k个值入堆
            for (int i = 0; i < k; i++) {
        
                maxHeap.offer(arr[i]);
            }
            // 后判断剩余n-k个元素 如果比堆顶还要小 则替换
            for (int i = k; i < arr.length; i++) {
        
                if (arr[i] < maxHeap.peek()){
        
                    maxHeap.poll();
                    maxHeap.offer(arr[i]);
                }
            }
            // 存储并返回结果
            for (int i = 0; i < k; i++) {
        
                ret[i] = maxHeap.poll();
            }
            return ret;
        }
    
        // 以数组方式输出堆
        public void showHeap(){
        
            for (int i = 0; i < useSize; i++) {
        
                System.out.print(elements[i] + " ");
            }
            System.out.println();
        }
    }

测试代码及测试结果如图：  
![在这里插入图片描述][7918b3255387441096e0cc730a4ae2c7.png]

--------------------

# 4 PriorityQueue的使用 #

## 4.1 特性简介 ##

Java集合框架中提供了PriorityQueue和PriorityBlockingQueue两种类型的优先级队列，**PriorityQueue是线程不安全的，PriorityBlockingQueue是线程安全的。** 其继承体系如下：  
![在这里插入图片描述][08f8ba6324424ac0895f2ded48eba42b.png]  
**几点说明：**

1.  PriorityQueue中放置的元素 **必须要能够比较大小，** 不能插入无法比较大小的对象，否则会抛出ClassCastException异常
2.  **不能插入null对象，** 否则会抛出NullPointerException
3.  插入和删除元素的时间复杂度为O(logn)
4.  PriorityQueue底层使用了堆数据结构
5.  **PriorityQueue默认情况下是小堆**

## 4.2 常用方法 ##

常用构造方法如下：  
![在这里插入图片描述][d44daf5d043740d2b1b39066c64f90ab.png]  
常用方法如下：  
![在这里插入图片描述][10f09f8129564a51b3dc444d7ffee4b2.png]  
其余未列举的方法，读者可以自行参考帮助文档。

## 4.3 使用PriorityQueue实现大根堆 ##

刚刚提到，默认情况下 PriorityQueue 实现的是小根堆，那么如何实现大根堆呢？  
 其实，只需要传入比较器，更改比较规则即可。在下面的代码样例中，笔者将一个存Integer对象的优先级队列，以大根堆的形式进行实现：

// 构造大顶堆
            Queue<Integer> maxHeap = new PriorityQueue<>(new Comparator<Integer>() {
        
                @Override
                public int compare(Integer o1, Integer o2) {
        
                    return o2 - o1;
                }
            });
            
            // 构造大顶堆 lambda
            Queue<Integer> maxHeap2 = new PriorityQueue<>(((o1, o2) -> {
        
                return o2.compareTo(o1);
            }));

--------------------

# 写在最后 #

**本文被 [Java数据结构][Java] 收录[点击订阅专栏][Java]** ， 持续更新中。  
 创作不易，如果你有任何问题，欢迎私信，感谢您的支持！

![在这里插入图片描述][7e0ff0501697426a84cd0a1f4eecfdc1.gif_pic_center]

[e8a793634cf64321b9383baf6109b0a8.png]: https://img-blog.csdnimg.cn/e8a793634cf64321b9383baf6109b0a8.png
[04b176feefec4081a42ae47a5c23a84d.png]: https://img-blog.csdnimg.cn/04b176feefec4081a42ae47a5c23a84d.png
[3afea5cc181145d397850d35d7416426.png_pic_center]: https://img-blog.csdnimg.cn/3afea5cc181145d397850d35d7416426.png#pic_center
[360e158a2b714c7eaa1d37fa84696eb6.png_pic_center]: https://img-blog.csdnimg.cn/360e158a2b714c7eaa1d37fa84696eb6.png#pic_center
[9d5dd8b348fd4e0cb8fce504244182af.png_pic_center]: https://img-blog.csdnimg.cn/9d5dd8b348fd4e0cb8fce504244182af.png#pic_center
[3d2dc5c974874a0095039a8717f907d3.png_pic_center]: https://img-blog.csdnimg.cn/3d2dc5c974874a0095039a8717f907d3.png#pic_center
[41a2aa02b24a4cb4b0d07f08b805be77.png_pic_center]: https://img-blog.csdnimg.cn/41a2aa02b24a4cb4b0d07f08b805be77.png#pic_center
[ae24b0bc2ecd40209a56b6e054355a33.png]: https://img-blog.csdnimg.cn/ae24b0bc2ecd40209a56b6e054355a33.png
[614af27b47e744dba278c7f47e94c22d.png]: https://img-blog.csdnimg.cn/614af27b47e744dba278c7f47e94c22d.png
[k]: https://leetcode.cn/problems/smallest-k-lcci/
[7918b3255387441096e0cc730a4ae2c7.png]: https://img-blog.csdnimg.cn/7918b3255387441096e0cc730a4ae2c7.png
[08f8ba6324424ac0895f2ded48eba42b.png]: https://img-blog.csdnimg.cn/08f8ba6324424ac0895f2ded48eba42b.png
[d44daf5d043740d2b1b39066c64f90ab.png]: https://img-blog.csdnimg.cn/d44daf5d043740d2b1b39066c64f90ab.png
[10f09f8129564a51b3dc444d7ffee4b2.png]: https://img-blog.csdnimg.cn/10f09f8129564a51b3dc444d7ffee4b2.png
[Java]: https://blog.csdn.net/m0_60353039/category_12062687.html
[7e0ff0501697426a84cd0a1f4eecfdc1.gif_pic_center]: https://img-blog.csdnimg.cn/7e0ff0501697426a84cd0a1f4eecfdc1.gif#pic_center