找最小的K个数

今天在CSDN无意中看到July一篇号称《当今世界最为经典的十大算法》的博文，感觉这文章名字挺霸气，于是进去瞅了一眼。看到其中有一个叫做BFPRT的算法，据说可以最坏情况下也能以O（N）复杂度找到数组中的第K大元素。博文里有链接到详细解释这个算法的另外一篇博文，于是又点进去，准备看看这算法是如何神奇，居然可以如此高效！

文章是以这样一个问题开始的：如何在一堆数据中找出最小的K个数。

随便想了一下，想了几种方法：

1. 先对数据排序，然后取出前K个数。排序算法很多，什么插入排序、快速排序等等，不过都不可能最坏也能到达O（N）；

2. 开一个 |K| 大小的数组，先从这堆数据中装入前K个数，找出这K个数中的最大数Max（K），然后从第K+1个数开始向后找，如果有小于这个Max（K）的，则替换掉这个数，然后从这K个数中重新找出最大的Max（K）。这样一直向后扫描，得到结果。这个算法的复杂度最坏是O（Kn），也不行；

3. 堆，脑子里闪过这么个想法，只能算是灵感之类的东西，不过没细想。

因为急切想看看这个所谓的BFPRT算法到底是怎么回事，所以只是稍微思考了一下，没怎么细想。

博文也列出了几个可能解决这个问题的解法：

1. 跟我想的一样，排序，取数，最笨的方法，也是最容易想到的；

2. 也跟我想的一样，同上面的2（看来我还不是最笨的）；

3. 比较笨的方法，扫描数据堆K遍，每遍找出最小的那个数，复杂度为O（Kn）；

4. 果然用到堆（可惜我没细想）！想法跟2类似，先用数据中的前K个数建一个最大堆，建堆复杂度是O（K），然后从第K+1个数开始向后扫描，遇到小于堆顶元素时替换掉堆顶元素，更新堆，这个操作的复杂度是O（logK）。所以总的时间是O（K+（n-K)*logK）=O（n*logK），比方法2的O（nK）稍微好一点。

这种方法有个好处，就是当数据量很大时，如果内存放不下所有的数据，用这方法可以解决这个问题。先读出一部分数据，建堆，处理完这部分数据，再读出一部分数据，如此循环下去，直达数据处理完为止。

5. 也是用堆，不过是对整个数据建一个最小堆（O（n）），然后取出堆顶元素，每取完一次更新一次堆（O（logn）），取K次，所以总的复杂度是O（n+K*logn)；

可以证明O（n+K*logn) < O（n*logK），即建立n个元素是最小堆然后取前K个堆顶元素的方法比建立一个K个元素的最大堆然后比较所有数据得到最小的K个数的方法在时间复杂度上稍微优越一点，但两者实际上是一个数量级，在那篇博文里面，作者特意写了实现了这两种方法去处理一组大数据，结果表明两种方法的时间实际上相差不多。

但在空间上，最大堆只需要O（K）的空间复杂度，而最小堆需要O（n），所以综合来讲，最大堆解决这种方法比最小堆有优势。

算法改进：每次取走堆顶元素更新堆时，正常是把堆中最后一个元素放到堆顶（暂且称为 !Top），然后调整堆把!Top下调到他应该在的位置。改进后，!Top不用下调到他原所应该在的位置，而是下调顶多K次就可以了。具体如下：

建立n的最小堆之后，取走堆顶元素（第一个数），然后将最后的数!Top调到堆顶，把!Top下调至多K-1层形成新的堆；接着取走堆顶元素（第二个数），同样，更新堆的时候!Top下调至多K-2层...直到取走第K个数时，不再更新堆（此时的堆已经不是最小堆），算法结束，已经取得最小的K个数，最后的“堆”是不是堆已经跟我没关系了。

改进后的复杂度：建堆O（n），更新堆O（K），K次更新为O（K*K）=O（K^2），所以总的复杂度是O（n+K^2），比改进前的O（n+K*logn)要好。

6. 用快速排序的思想，先选取一个数作为基准比较数（作者称为“枢纽元”，即pivot），用快排方法把数据分为两部分Sa和Sb。

如果K< |Sa|（|Sa|表示Sa的大小），则对Sa部分用同样的方法继续操作；

如果K=|Sa|，则Sa是所求的数；

如果K=|Sa| + 1，则Sa和这个pivot一起构成所求解；

如果K>|Sa| +1，则对Sb部分用同样的方法查找最小的（K-|Sa|-1）个数（其中Sa和pivot已经是解的一部分了）。

与快排不同，快排每次都要对划分后的两部分数据都继续进行同样的快排操作，快速选择（暂时这么称呼这种算法吧）不同，只对其中一部分进行操作即可。

BFPRT算法就是在这个方法的基础上进行改进的。BFPRT算法主要改进是在选取pivot上面，一般快排是在数据堆取第一个或最后一个数最为pivot，而BFPRT算法采用“五分化中位数的中位数”方法取得这个pivot，从而使算法复杂度降低到O（N），具体方法如下：

以5个数为一组对数据进行划分，最后一组数据的个数为n%5，然后对每组数据用插入排序方法选出中位数，对选出的中位数用同样的方法继续选，最后选出这些数的中位数作为pivot，即可达到O（N）的效率。

算法的具体证明我没仔细看。那篇博文实在太长，估计是续写了好多次，修改了n遍，感觉组织有点乱，看到头有点晕，再找时间仔细看这算法的证明。具体可以参考：

Mark Allen Weiss的数据结构与算法分析--c语言描述，第10章，第10.2.3节

算法导论，第9.2、9.3节

编程之美第一版，第141页，第2.5节 寻找最大的k个数

M. Blum, R.W. Floyd, V. Pratt, R. Rivest and R. Tarjan, "Time bounds for selection"

编程珠玑II 第15章第15.2节程序

总结：如果当时细想的话说不定也能多想几个方法；有了解法之后，多想想这样的算法是不是已经最优，还能不能再优化，比如一开始用排序，排序需要浪费时间，是不是可以不用排序的方法，不用排序方法里面可能想到堆，堆是不是每次都必须调整到“完全正确的堆”，也可能用快排，快排是不是每次都排两部分划分的数据，等等；多想想把学过的数据结构灵活应用，比如这里面用到的堆和快排，以前是用于数据排序，现在用来数据选择，blahblah...总结完毕。

本文参考：《程序员编程艺术：第三章、寻找最小的k个数》http://blog.csdn.net/v_JULY_v/article/details/6370650