對頂堆，求第K大的數

對頂堆，顧名思義就是兩個相對的堆。o(logn)

0即上方是乙個維護最小值的小根堆smheap，下方則維護最大值的大根堆bgheap。

利用這樣的性質，我們就可以求中位數、動態維護k大值。優先佇列是用堆來實現的。

思路：（我們必須保證小根堆裡面的所有值是大於大根堆裡面所有值的）

1. 如果要插入的值x>smheap.top()，那麼就往smheap裡面放。

2. 如果要插入的值x<=smheap.top()，那麼就往bgheap裡面放。

3. 如果smheap.size() == bgheap.size() + 2，那麼就把smheap的堆頂元素移入bgheap

4. 如果bgheap.size() == smheap.size() + 2，那麼就把bgheap的堆頂元素移入smheap

priorityqueuepq = new priorityqueue<>(); //小根堆

priorityqueuepq1 = new priorityqueue<>(new comparator()  else  else }}
});//大根堆
public double findmediansortedarrays(int nums1, int nums2) 
for (int i = 0; i < nums2.length; i++) 
if(pq.size() == pq1.size() + 1) return pq.peek();
else if(pq1.size() == pq.size() + 1) return pq1.peek();
return (pq.peek() + pq1.peek()) / 2.0;
}private void insert(int x)  else 
if(pq.size() == pq1.size() + 2) else if(pq1.size() == pq.size() + 2)
}

一、 nth_element(first,nth,last)stl中的乙個函式時間複雜度是o(n)

主要實現：利用快排的思想，在[l,r]上，通過線性的掃瞄交換，使[l,mid)的元素都比mid小，(mid,r]的元素都比mid大，此時mid上的元素就是第mid小的元素，然後判斷k在mid的哪邊，在進行遞迴處理。

實際上也就是每次只處理一半的範圍。

二、維護乙個k大小的最小堆，這種方法可以用於資料量存放不下，極大減小了空間複雜度。

三、利用hash儲存陣列中元素si出現的次數，利用計數排序的思想，線性從大到小掃瞄過程中，前面有k-1個數則為第k大數，平均情況下時間複雜度o(n)

海量資料（top k）

求第K大的數

已知 n個數字各不相同，求其中第 k大的數是多少？1 k n 10000 這是一道簡單的試題，我們完全可以套用常用的快速排序模型來解決，即對所有數字進行排序，然後取出第 k大的數字輸出即可，該演算法的時間複雜度為o nlog2n 快速排序的基本思想關鍵在於不斷調整使分治點左邊的數不大於 或不小於 分...

求第k大的數

求第k大的數 給定乙個長度為n 1 n 1,000,000 的無序正整數序列，以及另乙個數k 1 k 1,000,000 關於第k大的數 例如序列中第3大的數是4。輸入第一行兩個正整數m,n。第二行為n個正整數。輸出第k大的數。樣例輸入 copy 6 31 2 3 4 5 6 樣例輸出 copy 4...

對頂堆（動態維護第k大 小）

對於動態維護第k小的問題，可以用乙個size為k的大根堆，來維護，大根堆的頂部元素即第k小元素，維護大根堆需要乙個小根堆，由小根堆向大根堆傳遞元素，即對頂堆。若當前大根堆size為k，第k 1小元素即小根堆的頂部元素 題目描述 保證b為增序 ac include include include in...