当前位置： 首页 > news >正文

《二叉树：二叉树的顺序结构-＞堆》

news 2025/7/12 11:51:34

二叉树一般可以使用两种结构存储，一种是顺序结构，一种是链式结构。

  • 顺序存储

顺序结构存储是使用数组来存储，一般使用数组只适合表示完全二叉树，因为不是完全二叉树会有空间的浪费。实际上使用中只有堆才会使用数组来存储。二叉树顺序存储在物理上是一个数组，在逻辑上是一颗二叉树。

  • 链式存储

用链表来表示一颗二叉树。使用链来指示元素的逻辑关系。链表中每个节点由三个域组成，数据域和左右指针，左右指针分别指向该结点的左孩子和右孩子所在链结点的存储地址。链式结构又分为二叉链和三叉链。本篇内容为二叉链。

二叉树的顺序结构实现

把堆（完全二叉树）使用顺序结构的数组来存储。

大根堆：树中的每个结点，其值都大于或等于其子结点的值。也就是说，在大根堆中，根结点是堆中的最大元素。

小根堆：树中的每个结点，其值都小于或等于其子结点的值。也就是说，在小根堆中，根结点是堆中的最小元素。

堆的性质

  1. 堆中某个结点的值总是不大于或不小于其父结点的值
  2. 堆总是一颗完全二叉树

堆的实现

下面所演示的为一个小堆的实现。

向下调整算法

给出一个数组，逻辑上看作是一颗完全二叉树。通过根结点的向下调整算法可以把它调整为一个小堆/大堆。向下调整算法有一个前提：左右子树必须是一个小堆/大堆，才可以调整。

int array[] = {27,15,19,18,28,34,65,49,25,37};

下面我们演示一下小堆的向下调整算法。 

// 小堆向下调整算法 
// 注意：调整的树的左右子树必须为小堆
void AdjustDown(HPDataType* a, int n, int root)
{
	// 父亲
	int parent = root;
	// 1.选出左右孩子较小的孩子跟父亲比较
	// 默认较小的孩子为左孩子
	int child = parent * 2 + 1;
	// 终止条件孩子到叶子结点最后跟父亲比一次
	while (child < n)
	{
		// 2.如果右孩子小于左孩子，则较小的孩子为右孩子 
		if (child + 1 < n && a[child + 1] < a[child])
		{
			child++;
		}
		// 3.如果孩子小于父亲，则跟父亲交换
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			parent = child;
			child = parent * 2 + 1;
		}
		else
		{
			break;
		}
	}
}

向下调整算法时间复杂度为O（log（N））。

堆的创建

通过向下调整算法，可以构建一个小堆，但是前提是根的左右子树本来就为小堆。但是如果根结点的左右子树不为小堆，怎么调整呢？

从最后一个非叶子结点开始向下调整，一直调整到根，就能构建出一个小堆。最后一个非叶子结点可以看做它的左右子树（叶子结点）就是小堆，所以从这个切入点开始，每次向下调整都能保证左右子树是一个小堆，直到根开始向下调整的时候，它的左右子树此时就已经为一个小堆了。

下面来演示一下这个过程。

void HeapInit(Heap* php,HPDataType* a,int n)
{
	php->_capacity = n;
	php->_size = n;
	php->_a = (HPDataType*)malloc(sizeof(HPDataType) * n);
	if (php->_a == NULL)
	{
		perror("HeapInit");
		return;
	}
	memcpy(php->_a, a, sizeof(HPDataType)*n);

	// 创建小堆
	// 最后一个非叶子结点下标为（n-1-1）/2
	for (int i = (n - 1 - 1) / 2; i >= 0; i--)
	{
		// 从最后一个非叶子结点开始向下调整，一直调整到根，就能保证构建出来的堆是一个小堆
		AdjustDown(php->_a, php->_size, i);
	}
}

建堆的时间复杂度

O（N）。

堆的插入

插入一个元素到数组的尾部，再进行向上调整算法，直到满足堆。

向上调整算法

  1. 将元素插入到堆的末尾
  2. 插入之后如果堆结构被破坏，将插入的新结点顺着其双亲向上调整到合适的位置即可。
// 向上调整算法 
void AdjustUp(HPDataType* a, int n,int child)
{
	assert(a);
	// 父亲和孩子的关系：parent=（child-1）/2
	int parent = (child - 1) / 2;
	// while(parent >= 0)  error，如果最后调整的是根，parent =（1-1）/2=0 条件依然满足，parent = （0-1）/2=0 无限循环
	while (child > 0)
	{
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			child = parent;
			parent = (child - 1) / 2;
		}
		else
		{
			break;
		}
	}
}

// 堆的插入
void HeapPush(Heap* php, HPDataType x)
{
	assert(php);
	if (php->_capacity == php->_size)
	{
		php->_capacity *= 2;
		HPDataType* tmp = (HPDataType*)realloc(php->_a, sizeof(HPDataType) * php->_capacity);
		if (tmp == NULL)
		{
			perror("CheckCapacity");
			return;
		}
		php->_a = tmp;
	}
	php->_a[php->_size] = x;
	php->_size++;
    // 向上调整算法
	AdjustUp(php->_a, php->_size, php->_size - 1);
}

向上调整算法时间复杂度为O（log（N））

堆的删除

删除堆，是删除堆顶的数据，不能直接将堆顶的数据直接删除，因为一旦直接删除，堆结构就被破坏了。将堆顶的数据与最后一个数据交换，然后删除数组最后一个数据，再进行堆的向下调整即可。

  1. 将堆顶元素与堆最后一个元素交换
  2. 删除堆最后一个元素
  3. 将堆顶元素向下调整直到满足堆特性
// 堆的删除
void HeapPop(Heap* php)
{
	assert(php);
	assert(php->_size > 0);
	// 交换堆顶与最后一个元素
	Swap(&php->_a[0], &php->_a[php->_size - 1]);
	php->_size--;
    // 堆顶元素向下调整
	AdjustDown(php->_a, php->_size, 0);
}

堆的应用

堆排序

堆排序利用了堆的思想来排序。

1、建堆

  • 排升序，建大堆
  • 排降序，建小堆

2、利用堆删除思想进行排序

建堆和堆删除都使用了堆的向下调整算法，因此，理解了向下调整算法，就掌握了堆排序。

void HeapSort(int* a, int n)
{
	assert(a);
	//建堆 排升序 建大堆
	for (int i = (n - 1 - 1) / 2; i >= 0; i--)
	{
		AdjustDown(a, n, i);
	}
	int end = n - 1;
	while (end >= 1)
	{
		// 交换堆顶与最后一个元素
		Swap(&a[0], &a[end]);
		// 向下调整
		AdjustDown(a, end, 0);
		end--;
	}
}

以排升序为例，建大堆。

堆顶元素是最大的，将堆顶元素与最后一个元素交换，最后一个元素就是最大的元素。

然后堆顶元素再进行向下调整，调整之后，堆顶元素就是除第二大元素，再将堆顶元素与最后倒数第二个元素交换，此时，第二大的元素就在倒数第二个位置了。

以此类推，最后的堆结构就是一个小堆结构，并且是有序的，升序。

堆排序的时间复杂度为：建堆阶段+堆排序阶段时间复杂度=O（N）+O（NlogN）=O（NlogN）

Top-K问题

求数据集合中前K个最大元素或前K个最小元素，一般情况下数据量都比较大。

对于Top-K问题，最先想到的肯定是排序，但是：如果数据量非常大，排序就不太可能了，数据可能不能一下全部都加载到内存中。最好的方式是用堆来解决。

1、用数据集合中前K个元素来建堆。

  • 求前K个最大的元素，则建小堆
  • 求前K个最小的元素，则建大堆

2、用剩余的N-K个元素依次与堆顶元素比较，满足则替换堆顶元素，再进行向下调整。将剩余N-K个元素比较完之后，堆中剩余的就是所求的前K个最大元素或者最小元素。

以求前K个最大元素为例：建小堆，因为小堆的堆顶元素是堆中最小的元素，当后续元素与堆顶元素比较时，如果该元素比堆顶元素大，就可以替换堆顶元素，然后重新调整堆，这样可以保证堆中始终保留当前最大的K个元素。

HPDataType* HeapTopK(Heap* php,int k)
{
	assert(php);
	HPDataType* arrk = (HPDataType*)malloc(sizeof(HPDataType) * k);
	// 前K个元素建堆
	for (int i = 0; i < k; i++)
	{
		arrk[i] = php->_a[i];
	}
	for (int i = (k-1-1)/2; i >= 0; i--)
	{
		// 求前K最大元素，向下调整建小堆
		AdjustDown(arrk, k, i);
	}
	// 剩余N-K个数据依次与堆顶比较
	for (int j = k; j < php->_size; j++)
	{
		// 如果比堆顶大，则替换，再向下调整
		if (php->_a[j] > arrk[0])
		{
			arrk[0] = php->_a[j];
			AdjustDown(arrk, k, 0);
		}
	}
	return arrk;
}

全部代码

Heap.h:

#pragma once
#include<stdio.h>
#include<stdlib.h>
#include<string.h>
#include<assert.h>

typedef int HPDataType;

typedef struct Heap
{
	HPDataType* _a;
	int _size;
	int _capacity;
}Heap;


// 堆初始化
void HeapInit(Heap* php,HPDataType* a,int n );

// 向下调整
void AdjustDown(HPDataType* a, int n, int root);

// 打印堆
void HeapPrint(Heap* php);

// 堆的插入
void HeapPush(Heap* php, HPDataType x);

// 堆的删除
void HeapPop(Heap* php);

// 取堆顶的数据
HPDataType HeapTop(Heap* php);

// 取最大的前k个数据
// 1.堆排序
// 2.HeapPop k-1次
// 3.排升序，建k个元素的小堆
HPDataType* HeapTopK(Heap* php,int k);

 Heap.c:

#include"Heap.h"

void Swap(HPDataType* p1, HPDataType* p2)
{
	int tmp = *p1;
	*p1 = *p2;
	*p2 = tmp;
}

void HeapInit(Heap* php,HPDataType* a,int n)
{
	php->_capacity = n;
	php->_size = n;
	php->_a = (HPDataType*)malloc(sizeof(HPDataType) * n);
	if (php->_a == NULL)
	{
		perror("HeapInit");
		return;
	}
	memcpy(php->_a, a, sizeof(HPDataType)*n);

	// 构建小堆
	// 最后一个非叶子结点下标为（n-1-1）/2
	for (int i = (n - 1 - 1) / 2; i >= 0; i--)
	{
		// 从最后一个非叶子结点开始向下调整，一直调整到根，就能保证构建出来的堆是一个小堆
		AdjustDown(php->_a, php->_size, i);
	}
}

// 小堆向下调整算法 
// 注意：调整的树的左右子树必须为小堆
void AdjustDown(HPDataType* a, int n, int root)
{
	// 父亲
	int parent = root;
	// 1.选出左右孩子较小的孩子跟父亲比较
	// 默认较小的孩子为左孩子
	int child = parent * 2 + 1;
	// 终止条件孩子到叶子结点最后跟父亲比一次
	while (child < n)
	{
		// 2.如果右孩子小于左孩子，则较小的孩子为右孩子 
		if (child + 1 < n && a[child + 1] < a[child])
		{
			child++;
		}
		// 3.如果孩子小于父亲，则跟父亲交换
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			parent = child;
			child = parent * 2 + 1;
		}
		else
		{
			break;
		}
	}
}

// 向上调整算法 
void AdjustUp(HPDataType* a, int n,int child)
{
	assert(a);
	// 父亲和孩子的关系：parent=（child-1）/2
	int parent = (child - 1) / 2;
	// while(parent >= 0)  error，如果最后调整的是根，parent =（1-1）/2=0 条件依然满足，parent = （0-1）/2=0 无限循环
	while (child > 0)
	{
		if (a[child] < a[parent])
		{
			Swap(&a[child], &a[parent]);
			child = parent;
			parent = (child - 1) / 2;
		}
		else
		{
			break;
		}
	}
}

void HeapPrint(Heap* php)
{
	assert(php);
	for (int i = 0; i < php->_size; i++)
	{
		printf("%d ", php->_a[i]);
	}
	printf("\n");
}

void HeapPush(Heap* php, HPDataType x)
{
	assert(php);
	if (php->_capacity == php->_size)
	{
		php->_capacity *= 2;
		HPDataType* tmp = (HPDataType*)realloc(php->_a, sizeof(HPDataType) * php->_capacity);
		if (tmp == NULL)
		{
			perror("CheckCapacity");
			return;
		}
		php->_a = tmp;
	}
	php->_a[php->_size] = x;
	php->_size++;
	AdjustUp(php->_a, php->_size, php->_size - 1);
}

void HeapPop(Heap* php)
{
	assert(php);
	assert(php->_size > 0);
	//交换堆顶与最后一个元素
	Swap(&php->_a[0], &php->_a[php->_size - 1]);
	php->_size--;
	AdjustDown(php->_a, php->_size, 0);
}

HPDataType HeapTop(Heap* php)
{
	assert(php);
	return php->_a[0];
}

HPDataType* HeapTopK(Heap* php,int k)
{
	assert(php);
	HPDataType* arrk = (HPDataType*)malloc(sizeof(HPDataType) * k);
	// 前K个元素建堆
	for (int i = 0; i < k; i++)
	{
		arrk[i] = php->_a[i];
	}
	for (int i = (k-1-1)/2; i >= 0; i--)
	{
		// 求前K最大元素，向下调整建小堆
		AdjustDown(arrk, k, i);
	}
	// 剩余N-K个数据依次与堆顶比较
	for (int j = k; j < php->_size; j++)
	{
		// 如果比堆顶大，则替换，再向下调整
		if (php->_a[j] > arrk[0])
		{
			arrk[0] = php->_a[j];
			AdjustDown(arrk, k, 0);
		}
	}
	return arrk;
}

Test.c:

#include"Heap.h"


void HeapSort(int* a, int n)
{
	assert(a);
	//建堆 排降序 建小堆
	for (int i = (n - 1 - 1) / 2; i >= 0; i--)
	{
		AdjustDown(a, n, i);
	}
	int end = n - 1;
	while (end >= 1)
	{
		// 交换堆顶与最后一个元素
		Swap(&a[0], &a[end]);
		// 向下调整
		AdjustDown(a, end, 0);
		end--;
	}
}

int main()
{
	Heap hp;
	int arry[] = { 27,15,19,18,28,34,69,49,25,37 };
	int n = sizeof(arry) / sizeof(arry[0]);
	HeapInit(&hp,arry,n);
	HeapPrint(&hp);

	HeapPush(&hp,20);
	HeapPrint(&hp);

	// 堆排序arry
	HeapSort(arry, n);
	for (int i = 0; i < n; i++)
	{
		printf("%d ", arry[i]);
	}

	printf("\n");
	
	// Top前5个最大的元素
	int* arrk =HeapTopK(&hp,5);
	int i = 0;
	for (i = 0; i < 5; i++)
	{
		printf("%d ", arrk[i]);
	}

	return 0;
}

二叉树的链式结构实现

关于二叉树的链式结构实现可以看下篇文章。

【二叉树进阶】二叉搜索树

http://www.dtcms.com/a/108419.html

相关文章：

  • Linux基础命令：开启系统操作之旅
  • 将一个新的机器人模型导入最新版isaacLab进行训练（以unitree H1_2为例）
  • 2025最新WordPress网站被挂码的原因与解决方案
  • 透视投影（Perspective projection）与等距圆柱投影（Equirectangular projection）
  • 学习笔记 - Flask - 02
  • Sam Altman 表示 OpenAI 的性能问题将导致产品延迟
  • [Linux]从硬件到软件理解操作系统
  • 学习笔记—数据结构—二叉树(算法题)
  • fyrox 2D和3D游戏的制作
  • 【云计算物理网络】数据中心网络架构设计
  • 蓝桥杯备考：完全二叉树的节点个数
  • mysql and redis简化版
  • 【Easylive】视频在线人数统计系统实现详解 WebSocket 及其在在线人数统计中的应用
  • 蓝桥杯DFS算法题(java)
  • RainbowDash 的旅行
  • HCIP的配置
  • 使用Python和OpenCV进行指纹识别与验证
  • 通过必应壁纸官方api实现网页背景图片随机展示
  • substring() 和 slice() 这两个方法的相同与不同
  • Python 脚本：自动化你的日常任务
  • 【element ui】翻页记忆功能、多选时执行删除操作，刷新表格问题
  • VS+Qt配置QtXlsx库实现execl文件导入导出（全教程）
  • 自动调整PPT文本框内容：防止溢出并智能截断文本
  • Shiro学习（三）：shiro整合springboot
  • 城电科技 | 探秘零碳校园：创新应用，引领绿色未来
  • PHP在Debian环境上的并发处理能力如何
  • 深度学习处理文本（6）
  • STM32实现一个简单电灯
  • 2023年12月电子学会青少年软件编程四级考级真题—新“跳7”游戏
  • OpenCV