博客
关于我
【python刷题】二叉堆-优先级队列
阅读量:470 次
发布时间:2019-03-06

本文共 886 字,大约阅读时间需要 2 分钟。

二叉堆是一种常用的数据结构,通常用于实现优先级队列(Priority Queue)。二叉堆可以分为大顶堆和小顶堆两种形式。在大顶堆中,队列中最大的元素总是可以快速从队列中删除,这使得它非常适合处理需要频繁获取最大值操作的场景。

下面,我们来看具体的代码实现。MaxPQ类的核心功能包括:

  • 父节点查找:通过传入节点的索引,可以找到其父节点的索引。
  • 左孩子查找:通过传入节点的索引,可以找到其左孩子节点的索引。
  • 右孩子查找:通过传入节点的索引,可以找到其右孩子节点的索引。
  • 插入元素:将一个新的元素插入到优先级队列中,并通过上浮操作(Up)维护队列的堆性质。
  • 删除最大元素:删除当前队列中的最大值,并通过下浮操作(Down)维护队列的堆性质。
  • 交换元素:用于堆性质维护时交换两个元素的位置。
  • 构建堆:将一个数组转换为堆结构,确保队列满足堆的性质。
  • 以下是通过MaxPQ类对数组[78, 83, 82, 80, 79, 65, 84]构建堆后的初始状态:

    初始的pq: [0, 84, 83, 82, 80, 79, 65, 78]

    执行第一次删除最大值操作后,队列变为:

    84[0, 83, 80, 82, 78, 79, 65]

    继续执行删除最大值操作后,队列变为:

    83[0, 82, 80, 65, 78, 79]

    再次删除最大值操作后,队列变为:

    82[0, 80, 79, 65, 78]

    继续删除最大值操作后,队列变为:

    80[0, 79, 78, 65]

    再次删除最大值操作后,队列变为:

    79[0, 78, 65]

    继续删除最大值操作后,队列变为:

    78[0, 65]

    插入67后,队列状态变为:

    插入67之后的pq: [0, 78, 65, 67]

    再次删除最大值操作后,队列变为:

    78[0, 67, 65]

    插入66后,队列状态变为:

    插入66之后的pq: [0, 67, 65, 66]

    最后一次删除最大值操作后,队列变为:

    67[0, 66, 65]

    通过上述操作可以看出,MaxPQ类能够高效地维护优先级队列的堆性质,支持快速插入和删除最大值操作。

    转载地址:http://xypbz.baihongyu.com/

    你可能感兴趣的文章
    OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
    查看>>
    OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
    查看>>
    OpenCV与AI深度学习 | 使用OpenCV轮廓检测提取图像前景
    查看>>
    OpenCV与AI深度学习 | 使用Python和OpenCV实现火焰检测(附源码)
    查看>>
    OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
    查看>>
    OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
    查看>>
    OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
    查看>>
    OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
    查看>>
    OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
    查看>>
    OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
    查看>>
    OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
    查看>>
    OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
    查看>>
    OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
    查看>>
    OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
    查看>>
    OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
    查看>>
    OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
    查看>>