C語言詳解如何實現(xiàn)堆及堆的結構與接口
一、堆的結構及實現(xiàn)(重要)
1.1 二叉樹的順序結構
普通的二叉樹是不適合用數(shù)組來存儲的,因為可能會存在大量的空間浪費。而完全二叉樹更適合使用順序結構存儲。在現(xiàn)實中我們通常把堆 (一種完全二叉樹) 使用順序結構的數(shù)組來存儲,需要注意的是這里的堆和操作系統(tǒng)虛擬進程地址空間中的堆是兩回事,一個是數(shù)據(jù)結構,一個是操作系統(tǒng)中管理內(nèi)存的一塊區(qū)域分段。
1.2 堆的概念及結構
堆(Heap)是計算機科學中一類特殊的數(shù)據(jù)結構的統(tǒng)稱。堆通常是一個可以被看做一棵完全二叉樹的數(shù)組對象。堆總是滿足下列性質(zhì):
- 堆中某個結點的值總是不大于或不小于其父結點的值;
- 堆總是一棵完全二叉樹。
堆是非線性數(shù)據(jù)結構,相當于一維數(shù)組,有兩個直接后繼。
【大根堆和小根堆】:
根結點最大的堆叫做大根堆,樹中所有父親都大于或等于孩子。
根結點最小的堆叫做小根堆,樹中所有父親都小于或等于孩子。

【思考】這個大根堆和小根堆有什么特點呢?
最值總在 0 號位,根據(jù)這個特點我們就可以做很多事情,比如TopK問題 (在一堆數(shù)據(jù)里面找到前 K 個最大 / 最小的數(shù)),生活中也有很多實例,比如點餐軟件中有上千家店鋪,我想選出該地區(qū)好評最多的十家川菜店,我們不用對所有數(shù)據(jù)排序,只需要取出前 K 個最大 / 最小數(shù)據(jù)。使用堆排序效率也更高。
1.3 堆的實現(xiàn)
1.3.1 堆的向下調(diào)整算法
下面給出一個數(shù)組,邏輯上看做一顆完全二叉樹。我們通過從根節(jié)點開始的向下調(diào)整算法可以把它調(diào)整成一個小堆。向下調(diào)整算法有一個前提:該節(jié)點的左右子樹必須是一個 (大 / 小) 堆,才能調(diào)整。
int array[] = { 27,15,19,18,28,34,65,49,25,37 }; // 根節(jié)點的左右子樹都是小堆

上面的數(shù)組,因為根節(jié)點的左右子樹都是小堆,所以我們從根節(jié)點開始調(diào)整,將其調(diào)成小堆。
向下調(diào)整算法思路(調(diào)成小堆):
從根節(jié)點開始,不斷往下調(diào)。
選出根節(jié)點的左右孩子中「最小的孩子」,與「父親」進行比較。
- 如果父親小于孩子,就不需處理了,整個樹已經(jīng)是小堆了。
- 如果父親大于孩子,就跟父親交換位置,并將原來小的孩子的位置當成父親繼續(xù)向下進行調(diào)整,直到調(diào)整到葉子結點為止。
向下調(diào)整算法過程演示(調(diào)成小堆,把大的節(jié)點往下調(diào)整):

向下調(diào)整算法代碼:
// 向下調(diào)整算法,建小堆,把大的節(jié)點往下調(diào)整
// 前提是:左右子樹都是小堆
void AdjustDown(int* a, int size, int parent)
{
// 指向左孩子,默認左孩子最小
int child = parent * 2 + 1;
while (child < size)
{
// 1. 選出左右孩子最小的那個,先判斷右孩子是否存在
if (child + 1 < size && a[child] > a[child + 1])
{
child++; // 指向右孩子
}
// 2. 最小的孩子與父親比較
if (a[parent] > a[child]) // 如果父親大于孩子
{
// 父親與孩子交換位置
Swap(&a[parent], &a[child]);
// 更新父子下標,原先最小的孩子作為父親,繼續(xù)往下調(diào)
parent = child;
child = parent * 2 + 1;
}
else // 如果父親小于孩子,說明已經(jīng)為小堆了,停止調(diào)整
{
break;
}
}
}1.3.2 向下調(diào)整算法的時間復雜度
我們以滿二叉樹計算,最壞情況下,向下調(diào)整算法最多進行滿二叉樹的高度減1次比較,則說明向下調(diào)整算法最多調(diào)整滿二叉樹的高度減1次,n 個節(jié)點的滿二叉樹高度為 log2(n+1),估算后所以時間復雜度為 O(log2n)。
1.3.3 堆的創(chuàng)建(向下調(diào)整)
下面給出一個數(shù)組,這個數(shù)組邏輯上可以看做一顆完全二叉樹,但不是一個堆,我們需要通過算法把它構建成一個堆。如果根節(jié)點左右子樹不是一個 (大 / 小) 堆,我們應該怎么調(diào)整呢?
我們倒著調(diào)整,從下到上,從「倒數(shù)第一個非葉子節(jié)點的子樹」開始,依次遍歷完所有非葉子節(jié)點,分別對每個子樹進行「向下調(diào)整」成 (大 / 小) 堆,一直調(diào)整到「根節(jié)點」,就可以建成一個 (大 / 小) 堆。
為什么要倒著調(diào)整呢?因為這樣我們可以把「倒數(shù)第一個非葉子節(jié)點的子樹」的左右子樹看成是一個 (大 / 小) 堆,此時才能去使用向下調(diào)整算法。比如下圖中的黃色填充的子樹,3 的左子樹 6 就可以看成是一個大堆。
【實例】:將下面的數(shù)組建成一個大堆
int a[] = { 1,5,3,8,7,6 };

建堆過程演示(以建大堆為例):從下到上,依次遍歷完所有非葉子節(jié)點,分別對每個子樹進行向下調(diào)整。
依次對 每一步 中,方框內(nèi)的樹 進行 向下調(diào)整 為一個 大堆。

建堆代碼:
// 交換函數(shù)
void Swap(int* a, int* b)
{
int tmp = *a;
*a = *b;
*b = tmp;
}
// 向下調(diào)整算法,建大堆,把小的節(jié)點往下調(diào)
// 前提是:左右子樹都是大堆
void AdjustDown(int* a, int size, int parent)
{
// 指向左孩子,默認左孩子最大
int child = parent * 2 + 1;
while (child < size)
{
// 1. 選出左右孩子最大的那個,先判斷右孩子是否存在
if (child + 1 < size && a[child] < a[child + 1])
{
child++; // 指向右孩子
}
// 2. 最大的孩子與父親比較
if (a[parent] < a[child]) // 如果父親小于孩子
{
// 父親與孩子交換位置
Swap(&a[parent], &a[child]);
// 更新父子下標,原先最大的孩子作為父親,繼續(xù)往下調(diào)
parent = child;
child = parent * 2 + 1;
}
else // 如果父親大于孩子,說明已經(jīng)為大堆了,停止調(diào)整
{
break;
}
}
}
void HeapSort(int* a, int size)
{
/* 建堆(大堆)
* 倒著調(diào)整,從倒數(shù)第一個非葉子節(jié)點的子樹進行向下調(diào)整,直到調(diào)整到根節(jié)點的樹
*/
int parent = ((size - 1) - 1) / 2; // 最后一個葉子節(jié)點的父親的下標
for (int i = parent; i >= 0; i--) // 從下到上,依次遍歷完所有子樹,分別對其進行調(diào)整
{
AdjustDown(a, size, i);
}
/* 堆排序
* 排升序 --> 建大堆,每次選出一個最大的數(shù)放到最后
* 排降序 --> 建小堆,每次選出一個最小的數(shù)放到最后
*/
// 下面是排升序:
int end = size - 1; // 記錄堆中最后一個元素的下標
while (end > 0)
{
Swap(&a[0], &a[end]); // 將堆頂元素和堆中最后一個元素交換,把最大的數(shù)(堆頂)放到最后
AdjustDown(a, end, 0); // 不看最后一個數(shù),從根節(jié)點開始,對前面的數(shù)進行向下調(diào)整成大堆
end--;
}
}1.3.4 堆排序
排升序 --> 建大堆:
【思考】排升序,建小堆可以嗎?-- 可以是可以,但沒啥意思。
首先對 n 個數(shù)建小堆,選出最小的數(shù),接著對剩下的 n-1 個數(shù)建小堆,選出第2小的數(shù),不斷重復上述過程……。建 n 個數(shù)的堆時間復雜度是O(N),所以上述操作時間復雜度為O(N2),效率太低,尤其是當數(shù)據(jù)量大的時候,效率更低,同時堆的價值沒有被體現(xiàn)出來,還不如用直接排序。
【最佳方法】排升序,因為數(shù)字越來越大,需要找到最大的數(shù)字,得建大堆
- 首先對 n 個數(shù)建大堆。
- 將最大的數(shù)(堆頂)和最后一個數(shù)交換,把最大的數(shù)放到最后。
- 前面 n-1 個數(shù)的堆結構沒有被破壞(最后一個數(shù)不看做堆里面的),根節(jié)點的左右子樹依舊是大堆,所以我們進行一次向下調(diào)整成大堆即可選出第2大的數(shù),放到倒數(shù)第二個位置,然后重復上述步驟……。
【時間復雜度】:建堆時間復雜度為O(N),向下調(diào)整時間復雜度為O(log2N),這里我們最多進行N-2次向下調(diào)整,所以堆排序時間復雜度為O(N*log2N),效率是很高的。

排降序 --> 建小堆:
【最佳方法】排降序,因為數(shù)字越來越小,需要找到最小的數(shù)字,得建小堆
- 首先對 n 個數(shù)建小堆。
- 將最小的數(shù)(堆頂)和最后一個數(shù)交換,把最小的數(shù)放到最后。
- 前面 n-1 個數(shù)的堆結構沒有被破壞(最后一個數(shù)不看做堆里面的),根節(jié)點的左右子樹依舊是小堆,所以我們進行一次向下調(diào)整成小堆即可選出第2小的數(shù),放到倒數(shù)第二個位置,然后重復上述步驟……。
- 【時間復雜度】:建堆時間復雜度為O(N),向下調(diào)整時間復雜度為O(log2N),這里我們最多進行N-2次向下調(diào)整,所以堆排序時間復雜度為O(N*log2N),效率是很高的。
1.3.5 建堆的時間復雜度
因為堆是完全二叉樹,而滿二叉樹也是完全二叉樹,此處為了簡化使用滿二叉樹來證明,計算起來比較好算(時間復雜度本來看的就是近似值,多幾個節(jié)點不影響最終結果):
建堆要從倒數(shù)第一個非葉子節(jié)點開始調(diào)整,也即是從倒數(shù)第二層開始調(diào),可得出時間復雜度公式:
T ( n ) = ∑ ( 每 層 節(jié) 點 數(shù) ∗ ( 堆 的 高 度 − 當 前 層 數(shù) ) )

所以,建堆的時間復雜度為O(N)。
【上面學了那么多,這里小小總結一下】
- 堆的向下調(diào)整算法就是,在該節(jié)點左右子樹都是一個小/大堆的前提下,將以該節(jié)點為根的樹調(diào)整成一個小/大堆。
- 堆的創(chuàng)建就是倒著調(diào)整,從下到上,從倒數(shù)第一個非葉子節(jié)點的子樹開始,依次遍歷完所有子樹,分別對其進行向下調(diào)整。
- 時間復雜度:堆的向下調(diào)整算法為O(log2N),堆的創(chuàng)建為O(N)。
二、堆的相關接口實現(xiàn)(以大堆為例)
首先新建一個工程( 博主使用的是 VS2019 )
- Heap.h(堆的類型定義、接口函數(shù)聲明、引用的頭文件)
- Heap.c(堆接口函數(shù)的實現(xiàn))
- Test.c(主函數(shù)、測試堆各個接口功能)
Heap.h 頭文件代碼如下:
#pragma once
#include<stdio.h> // printf, perror
#include<stdbool.h> // bool
#include<assert.h> // assert
#include<stdlib.h> // malloc, free
#include<string.h> // memcpy
typedef int HPDataType;
typedef struct Heap
{
HPDataType* a; // 指向動態(tài)開辟的數(shù)組
int size; // 數(shù)組中有效元素個數(shù)
int capacity; // d容量
}Heap;
// 交換函數(shù)
void Swap(HPDataType* a, HPDataType* b);
// 向下調(diào)整函數(shù)(調(diào)成大堆,把小的往下調(diào))
void AdjustDown(HPDataType* a, int size, int parent);
// 向上調(diào)整函數(shù)(調(diào)成大堆,把大的往上調(diào))
void AdjustUp(HPDataType* a, int child);
// 初始化堆
void HeapInit(Heap* php, HPDataType* arr, int n);
// 銷毀堆
void HeapDestroy(Heap* php);
// 插入元素(插入到堆的末尾),插入后并保持它依然是堆
void HeapPush(Heap* php, int x);
// 刪除堆頂元素,刪除后保持它依然是堆
void HeapPop(Heap* php);
// 獲取堆頂元素,也即是最值
HPDataType HeapTop(Heap* php);
// 判斷堆是否為空,為空返回true,不為空返回false
bool HeapEmpty(Heap* php);
// 獲取堆中有效元素個數(shù)
int HeapSize(Heap* php);
// 打印堆
void HeapPrint(Heap* php);2.1 堆的初始化
堆的初始化,首先需要實現(xiàn)一個向下調(diào)整算法:
// 交換函數(shù)
void Swap(HPDataType* a, HPDataType* b)
{
HPDataType tmp;
tmp = *a;
*a = *b;
*b = tmp;
}
// 向下調(diào)整算法(調(diào)成大堆,把小的往下調(diào))
void AdjustDown(HPDataType* a, int size, int parent)
{
// 左孩子下標,初始默認左孩子最大
int child = parent * 2 + 1;
while (child < size)
{
// 選出左右孩子最大的那個,先判斷右孩子是否存在
if (child + 1 < size && a[child] < a[child + 1])
{
child++; // 右孩子最大
}
// 最大的孩子與父親比較
if (a[parent] < a[child]) // 如果父親小于孩子
{
// 父親與孩子交換位置
Swap(&a[parent], &a[child]);
// 更新父子下標,原先最大的孩子作為父親,繼續(xù)往下調(diào)
parent = child;
child = parent * 2 + 1;
}
else // 如果父親大于孩子,說明已經(jīng)為大堆了,停止調(diào)整
{
break;
}
}
}堆的初始化代碼:
// 初始化堆,用一個給定的數(shù)組來初始化
void HeapInit(Heap* php, HPDataType* arr, int n)
{
assert(php); // 斷言
// 動態(tài)開辟n個空間
php->a = (HPDataType*)malloc(sizeof(HPDataType) * n);
if (php->a == NULL)
{
perror("malloc");
exit(-1);
}
// 把給定數(shù)組的各元素值拷貝過去
memcpy(php->a, arr, sizeof(HPDataType) * n);
php->size = php->capacity = n;
// 建堆(建大堆)
int parent = ((php->size - 1) - 1) / 2; // 倒數(shù)第一個非葉子節(jié)點下標
for (int i = parent; i >= 0; i--) // 從下到上,依次遍歷完所有子樹,分別對其進行調(diào)整
{
AdjustDown(php->a, php->size, i);
}
}2.2 堆的銷毀
// 銷毀堆
void HeapDestroy(Heap* php)
{
assert(php);
free(php->a); // 釋放動態(tài)開辟的空間
php->a = NULL;
php->size = php->capacity = 0;
}2.3 堆的插入
先插入一個新元素到數(shù)組的尾上,從插入的新元素開始,進行向上調(diào)整算法,直到滿足(大/?。┒?。
堆的插入過程演示:

堆的插入,首先需要實現(xiàn)一個向上調(diào)整算法:
// 向上調(diào)整算法(調(diào)成大堆,把大的往上調(diào))
void AdjustUp(HPDataType* a, int child)
{
// 父節(jié)點的下標
int parent = (child - 1) / 2;
//while (parent >= 0) parent不會小于0
while (child > 0)
{
// 孩子與父親進行比較
if (a[child] > a[parent]) // 如果孩子大于父親
{
// 孩子與父親交換
Swap(&a[child], &a[parent]);
// 更新父子下標,原先父親作為孩子,繼續(xù)往上調(diào)
child = parent;
parent = (child - 1) / 2;
}
else // 如果孩子小于父親,說明已經(jīng)為大堆了,停止調(diào)整
{
break;
}
}
}
堆的插入代碼:
// 插入元素(插入到堆的末尾),插入后并保持它依然是堆
void HeapPush(Heap* php, int x)
{
assert(php);
// 先檢查空間是否已滿
if (php->capacity == php->size)
{
// 增容兩倍
php->capacity *= 2;
HPDataType* tmp = (HPDataType*)realloc(php->a, sizeof(HPDataType) * php->capacity);
if (tmp != NULL)
{
php->a = tmp;
tmp = NULL;
}
}
// 插入元素
php->a[php->size] = x;
php->size++;
// 從插入的元素開始,進行向上調(diào)整,保持它依然是堆
AdjustUp(php->a, php->size - 1);
}2.4 堆的刪除
- 將堆頂元素和最后一個元素交換(這樣就變成尾刪了,很方便)
- 刪除堆中最后一個元素
- 從根節(jié)點開始,對剩下元素進行向下調(diào)整,調(diào)成(大/小)堆
堆的刪除過程演示:

堆的插入,首先需要實現(xiàn)一個向下調(diào)整算法:前面已經(jīng)實現(xiàn)過了,這里就不展示了。
堆的刪除代碼:
// 刪除堆頂元素,刪除后保持它依然是堆
void HeapPop(Heap* php)
{
assert(php);
assert(!HeapEmpty(php)); // 堆不能為空
// 將堆頂元素和最后一個元素交換
Swap(&php->a[0], &php->a[php->size - 1]);
// 刪除堆中最后一個元素
php->size--;
// 從根節(jié)點開始,對剩下元素進行向下調(diào)整成大堆,保持它依然是堆
AdjustDown(php->a, php->size, 0);
}2.5 獲取堆頂元素
// 獲取堆頂元素,也即是最值
HPDataType HeapTop(Heap* php)
{
assert(php);
assert(!HeapEmpty(php)); // 堆不能為空
return php->a[0];
}2.6 堆的判空
// 判斷堆是否為空,為空返回true,不為空返回false
bool HeapEmpty(Heap* php)
{
assert(php);
return php->size == 0;
}2.7 找出堆中前k個最大元素
堆的相關接口實現(xiàn)好了,因為是大堆,所以我們可以很方便的來找出堆中前 k 個最大元素。
這里要和前面的堆排序區(qū)分開哦,這里我們并不是在堆中對所有元素排好序。
void TestHeap()
{
int a[] = { 1,5,3,8,7,6 };
Heap hp;
HeapInit(&hp, a, sizeof(a) / sizeof(a[0])); // 初始化堆
int k = 0;
scanf("%d", &k);
printf("找出堆中前%d個最大元素:\n", k);
while (!HeapEmpty(&hp) && k--)
{
printf("%d ", HeapTop(&hp)); // 獲取堆頂元素
HeapPop(&hp); // 刪除堆頂元素
}
printf("\n");
}運行結果:

2.8 堆的創(chuàng)建(向上調(diào)整)
下面給出一個數(shù)組,這個數(shù)組邏輯上可以看做一顆完全二叉樹,但不是一個堆,我們需要通過「向上調(diào)整算法」把它構建成一個堆。如果根節(jié)點左右子樹不是一個 (大 / 小) 堆,我們應該怎么調(diào)整呢?
我們從上到下,從「第一個節(jié)點(也就是根節(jié)點)的左孩子」開始,依次遍歷完所有節(jié)點,分別對每個節(jié)點進行「向上調(diào)整」,一直到「最后一個節(jié)點」,就可以建成一個 (大 / 小) 堆。
我們把數(shù)組中的「第一個元素」看作是一個「堆」,剩余的元素依次插入到這個「堆」中。前面我們也實現(xiàn)了堆的插入接口,原理就是向上調(diào)整。

// 向上調(diào)整算法建堆
void CreateHeap(int* a, int size)
{
// 把第一個元素看作是堆,剩余的元素依次插入堆中
for (int i = 1; i < size; i++)
{
AdjustUp(a, i);
}
}
到此這篇關于C語言詳解如何實現(xiàn)堆的結構與接口的文章就介紹到這了,更多相關C語言堆的結構與接口內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!
相關文章
C++利用MySQL API連接和操作數(shù)據(jù)庫實例詳解
這篇文章主要介紹了C++利用MySQL API連接和操作數(shù)據(jù)庫實例詳解的相關資料,需要的朋友可以參考下2017-01-01

