————— 第二天 —————

題目是什么意思呢？比如給定的無序數組如下：

如果 k=6，也就是要尋找第6大的元素，這個元素是哪一個呢？

顯然，數組中第一大的元素是24，第二大的元素是20，第三大的元素是17 ...... 第6大的元素是9。

方法一：排序法

這是最容易想到的方法，先把無序數組從大到小進行排序，排序后的第k個元素，自然就是數組中的第k大元素。

方法二：插入法

維護一個長度為k的數組A的有序數組，用于存儲已知的k個較大的元素。

接下來遍歷原數組，每遍歷到一個元素，和數組A中最小的元素相比較，如果小于等于數組A的最小元素，繼續遍歷；如果大于數組A的最小元素，則插入到數組A中，并把曾經的最小元素“擠出去”。

比如k=3，先把最左側的7,5,15三個數有序放入數組A當中，代表當前最大的三個數。

這時候，遍歷到3， 由于3<5，繼續遍歷。

接下來遍歷到17，由于17>5，插入到數組A的合適位置，類似于插入排序，并把原先最小的元素5“擠出去”。

繼續遍歷原數組，一直遍歷到數組的最后一個元素......

最終，數組A中存儲的元素是24,20,17，代表著整個數組中最大的3個元素。此時數組A中的最小的元素17就是我們要尋找的第k大元素。

————————————

什么是二叉堆？不太了解的小伙伴可以先看看這一篇：

漫畫：什么是二叉堆？(修正版)

簡而言之，二叉堆是一種特殊的完全二叉樹，它包含大頂堆和小頂堆兩種形式。

其中小頂堆的特點，是每一個父節點都小于等于自己的子節點。要解決這個算法題，我們可以利用小頂堆的特性。

方法三：小頂堆法

維護一個容量為k的小頂堆，堆中的k個節點代表著當前最大的k個元素，而堆頂顯然是這k個元素中的最小值。

遍歷原數組，每遍歷一個元素，就和堆頂比較，如果當前元素小于等于堆頂，則繼續遍歷；如果元素大于堆頂，則把當前元素放在堆頂位置，并調整二叉堆(下沉操作)。

遍歷結束后，堆頂就是數組的最大k個元素中的最小值，也就是第k大元素。

假設k=5，具體的執行步驟如下：

1.把數組的前k個元素構建成堆。

2.繼續遍歷數組，和堆頂比較，如果小于等于堆頂，則繼續遍歷；如果大于堆頂，則取代堆頂元素并調整堆。

遍歷到元素2，由于 2<3，所以繼續遍歷。

遍歷到元素20，由于 20>3，20取代堆頂位置，并調整堆。

遍歷到元素24，由于 24>5，24取代堆頂位置，并調整堆。

以此類推，我們一個一個遍歷元素，當遍歷到最后一個元素8的時候，小頂堆的情況如下：

3.此時的堆頂，就是堆中的最小值，也就是數組中的第k大元素。

這個方法的時間復雜度是多少呢？

1.構建堆的時間復雜度是 O(k)

2.遍歷剩余數組的時間復雜度是O(n-k)

3.每次調整堆的時間復雜度是 O(logk)

其中2和3是嵌套關系，1和2,3是并列關系，所以總的最壞時間復雜度是O((n-k)logk + k)。當k遠小于n的情況下，也可以近似地認為是O(nlogk)。

這個方法的空間復雜度是多少呢？

剛才我們在詳細步驟中把二叉堆單獨拿出來演示，是為了便于理解。但如果允許改變原數組的話，我們可以把數組的前k個元素“原地交換”來構建成二叉堆，這樣就免去了開辟額外的存儲空間。

因此，方法的空間復雜度是O(1)。

/** * 尋找第k大的元素 * @param array 待調整的堆 * @param k 第幾大 */public static int findNumberK(int[] array, int k){ //1.用前k個元素構建小頂堆 buildHeap(array, k); //2.繼續遍歷數組，和堆頂比較 for(int i=k; i array[0]){ array[0] = array[i]; downAdjust(array, 0, k); } } //3.返回堆頂元素 return array[0];}/** * 構建堆 * @param array 待調整的堆 * @param length 堆的有效大小 */private static void buildHeap(int[] array, int length) { // 從最后一個非葉子節點開始，依次下沉調整 for (int i = (length-2)/2; i >= 0; i--) { downAdjust(array, i, length); }}/** * 下沉調整 * @param array 待調整的堆 * @param index 要下沉的節點 * @param length 堆的有效大小 */private static void downAdjust(int[] array, int index, int length) { // temp保存父節點值，用于最后的賦值 int temp = array[index]; int childIndex = 2 * index + 1; while (childIndex < length) { // 如果有右孩子，且右孩子小于左孩子的值，則定位到右孩子 if (childIndex + 1 < length && array[childIndex + 1] < array[childIndex]) { childIndex++; } // 如果父節點小于任何一個孩子的值，直接跳出 if (temp <= array[childIndex]) break; //無需真正交換，單向賦值即可 array[index] = array[childIndex]; index = childIndex; childIndex = 2 * childIndex + 1; } array[index] = temp;}public static void main(String[] args) { int[] array = new int[] {7,5,15,3,17,2,20,24,1,9,12,8}; System.out.println(findNumberK(array, 5));}

方法四：分治法

大家都了解快速排序，快速排序利用分治法，每一次把數組分成較大和較小的兩部分。

我們在尋找第k大元素的時候，也可以利用這個思路，以某個元素A為基準，把大于于A的元素都交換到數組左邊，小于A的元素都交換到數組右邊。

比如我們選擇以元素7作為基準，把數組分成了左側較大，右側較小的兩個區域，交換結果如下：

包括元素7在內的較大元素有8個，但我們的k=5，顯然較大元素的數目過多了。于是我們在較大元素的區域繼續分治，這次以元素12位基準：

這樣一來，包括元素12在內的較大元素有5個，正好和k相等。所以，基準元素12就是我們所求的。

這就是分治法的大體思想，這種方法的時間復雜度甚至優于小頂堆法，可以達到O(n)。有興趣的小伙伴可以嘗試用代碼實現一下。

喜歡本文的朋友們，歡迎長按下圖關注訂閱號程序員小灰，收看更多精彩內容

總結

以上是生活随笔為你收集整理的在一个无序的int数组上构建一个最小堆的时间复杂度_漫画：寻找无序数组的第k大元素（修订版）...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。