并查集的概念
在计算机科学中，并查集是一种树形的数据结构，用于处理不交集的合并(union)及查询(find)问题。
并查集可用于查询网络中两个节点的状态， 这里的网络是一个抽象的概念， 不仅仅指互联网中的网络， 也可以是人际关系的网络、交通网络等。
并查集除了可以用于查询网络中两个节点的状态， 还可以用于数学中集合相关的操作， 如求两个集合的并集等。
并查集对于查询两个节点的连接状态非常高效。对于两个节点是否相连，也可以通过求解查询路径来解决， 也就是说如果两个点的连接路径都求出来了，自然也就知道两个点是否相连了，但是如果仅仅想知道两个点是否相连，使用路径问题来处理效率会低一些，并查集就是一个很好的选择。
https://www.cnblogs.com/xzxl/p/7226557.html
https://blog.csdn.net/huisekonghuan/article/details/79288550
并查集的实现
并查集(Union Find)是一种树形的数据结构，它是专门用来处理不相交集合的合并及查询问题的，它主要支持两个操作，一个是union操作，即将两个不相交的集合的合并，另一个是find操作，即查找该元素属于哪一个集合，以此衍生出来的一个操作是isConnected，也就是判断两个元素是否连接，即是否同属于一个集合中。
基本结构
创建一个UF接口
public interface UF {
int getSize();
boolean isConnected(int p, int q);
void unionElements(int p, int q);
}
Quick Find方式实现
想要实现快查, 就需要只有一个领头的
实现接口方法
public class UnionFind1 implements UF {
private int[] id; // 我们的第一版Union-Find本质就是一个数组
public UnionFind1(int size) {
id = new int[size];
// 初始化, 每一个id[i]指向自己, 没有合并的元素
for (int i = 0; i < size; i++)
id[i] = i;
}
@Override
public int getSize(){
return id.length;
}
// 查找元素p所对应的集合编号
// O(1)复杂度
private int find(int p) {
if(p < 0 || p >= id.length)
throw new IllegalArgumentException("p is out of bound.");
return id[p];
}
// 查看元素p和元素q是否所属一个集合
// O(1)复杂度
@Override
public boolean isConnected(int p, int q) {
return find(p) == find(q);
}
// 合并元素p和元素q所属的集合
// O(n) 复杂度
@Override
public void unionElements(int p, int q) {
int pID = find(p);
int qID = find(q);
if (pID == qID)
return;
// 合并过程需要遍历一遍所有元素, 将两个元素的所属集合编号合并
for (int i = 0; i < id.length; i++)
if (id[i] == pID)
id[i] = qID;
}
}
从上面的实现的并查集我们知道，查询的时间复杂度为 O(1) ，合并的时间复杂度为 O(n)，如果数据量一大 O(n) 复杂度就显得很慢了。 下面我们就来优化下上面实现的并查集。
Quick Union 实现
通过树形结构来描述节点之间的关系，底层存储通过数组来存储。
以前我们介绍到树都是父节点指向子节点的，这里我们是通过子节点来指向父节点，根节点指向它自己。
public class UnionFind2 implements UF {
// 第二版Union-Find, 使用一个数组构建一棵指向父节点的树
// parent[i] 表示元素所指向的父节点
private int[] parent;
// 构造函数
public UnionFind2(int size){
parent = new int[size];
// 初始化, 每一个parent[i]指向自己, 表示每一个元素自己自成一个集合
for( int i = 0 ; i < size ; i ++ )
parent[i] = i;
}
@Override
public int getSize(){
return parent.length;
}
// 查找过程, 查找元素p所对应的集合编号
// O(h)复杂度, h为树的高度
private int find(int p){
if(p < 0 || p >= parent.length)
throw new IllegalArgumentException("p is out of bound.");
// 不断去查询自己的父亲节点, 直到到达根节点
// 根节点的特点: parent[p] == p
while(p != parent[p])
p = parent[p];
return p;
}
// 查看元素p和元素q是否所属一个集合
// O(h)复杂度, h为树的高度
@Override
public boolean isConnected( int p , int q ){
return find(p) == find(q);
}
// 合并元素p和元素q所属的集合
// O(h)复杂度, h为树的高度
@Override
public void unionElements(int p, int q){
int pRoot = find(p);
int qRoot = find(q);
if( pRoot == qRoot )
return;
parent[pRoot] = qRoot;
}
}
测试
import java.util.Random;
public class Main {
private static double test(UF uf, int m) {
long startTime = System.nanoTime();
Random random = new Random();
for (int i = 0; i < m; i++) {
int p = random.nextInt(uf.getSize());
int q = random.nextInt(uf.getSize());
uf.unionElements(p, q);
}
for (int i = 0; i < m; i++) {
int p = random.nextInt(uf.getSize());
int q = random.nextInt(uf.getSize());
uf.isConnected(p, q);
}
long endTime = System.nanoTime();
return (endTime - startTime) / 1000000000.0;
}
public static void main(String[] args) {
int size = 100000; //元素个数
int p = 10000; //操作次数
double countTime1 = test(new UnionFind1(size), p);
double countTime2 = test(new UnionFind2(size), p);
System.out.println("countTime1 = " + countTime1);
System.out.println("countTime2 = " + countTime2);
System.out.println("Hello World!");
}
}
输出结果
countTime1 = 0.3364559
countTime2 = 0.0037194
Hello World!
将操作次数扩大10倍再次进行测试, 结果如下
countTime1 = 6.9038054
countTime2 = 15.7183732
Hello World!
发现Quick Union版本的并查集比Quick Find版本的并查集慢很多。
这是因为对于Quick Find的并查集查询的操作时间复杂度为O(1)，Quick Union的合并和查询都是O(h)，并且生成的树深度可能很深。
下面就对 Quick Union 版本的并查集进行优化。
基于size的优化
上面Quick Union版本的并查集基于树形结构实现的，但是没有对树的高度进行任何优化和限制,所以导致在上面的性能比对中Quick Union的并查集性能很差。最坏的情况下. 该树形结构会变成链式结构，此时find操作退化成了O(n).
在该版本的优化中，我们是对union操作进行优化，之前我们在做union操作时没有判断哪一方节点数更多，那么我们现在把这一判断加上，即在合并前先判断哪一方树的子节点数多，那么我们把子节点数少的一方附加在子节点数多的一方就可以了。
public class UnionFind3 implements UF {
private int[] parent; // parent[i]表示第一个元素所指向的父节点
private int[] sz; // sz[i]表示以i为根的集合中元素个数
// 构造函数
public UnionFind3(int size) {
parent = new int[size];
sz = new int[size];
// 初始化, 每一个parent[i]指向自己, 表示每一个元素自己自成一个集合
for (int i = 0; i < size; i++) {
parent[i] = i;
sz[i] = 1;
}
}
@Override
public int getSize() {
return parent.length;
}
// 查找过程, 查找元素p所对应的集合编号
// O(h)复杂度, h为树的高度
private int find(int p) {
if (p < 0 || p >= parent.length)
throw new IllegalArgumentException("p is out of bound.");
// 不断去查询自己的父亲节点, 直到到达根节点
// 根节点的特点: parent[p] == p
while (p != parent[p])
p = parent[p];
return p;
}
// 查看元素p和元素q是否所属一个集合
// O(h)复杂度, h为树的高度
@Override
public boolean isConnected(int p, int q) {
return find(p) == find(q);
}
// 合并元素p和元素q所属的集合
// O(h)复杂度, h为树的高度
@Override
public void unionElements(int p, int q) {
int pRoot = find(p);
int qRoot = find(q);
if (pRoot == qRoot)
return;
// 根据两个元素所在树的元素个数不同判断合并方向
// 将元素个数少的集合合并到元素个数多的集合上
if (sz[pRoot] < sz[qRoot]) {
parent[pRoot] = qRoot;
sz[qRoot] += sz[pRoot];
} else { // sz[qRoot] <= sz[pRoot]
parent[qRoot] = pRoot;
sz[pRoot] += sz[qRoot];
}
}
}
将这个优化后的方法进行测试,结果如下
int size = 100000; //元素个数
int p = 100000; //操作次数
countTime1 = 7.0184373
countTime2 = 14.5064005
countTime3 = 0.026344
Hello World!
基于rank的优化
上面基于size的优化方案，是节点数少的树往节点数多的树合并,但是节点数多不代表树的高度
高.
我们来考虑这么一种情况，假如我们现在要合并的两个元素p和q，p元素的子节点数远大于q节点的子节点数，但是，这p这棵树的深度只有1，而q的深度等于节点数，而按照我们的size优化，我们是把q加在了p上，但其实应该是p加在q上，因为虽然q的子节点多，但它的深度小。这样树的深度更少，搜索起来就更快了.
public class UnionFind4 implements UF{
private int[] rank; // rank[i]表示以i为根的集合所表示的树的层数(深度)
private int[] parent; // parent[i]表示第i个元素所指向的父节点
// 构造函数
public UnionFind4(int size){
rank = new int[size];
parent = new int[size];
// 初始化, 每一个parent[i]指向自己, 表示每一个元素自己自成一个集合
for( int i = 0 ; i < size ; i ++ ){
parent[i] = i;
rank[i] = 1;
}
}
@Override
public int getSize(){
return parent.length;
}
// 查找过程, 查找元素p所对应的集合编号
// O(h)复杂度, h为树的高度
private int find(int p){
if(p < 0 || p >= parent.length)
throw new IllegalArgumentException("p is out of bound.");
// 不断去查询自己的父亲节点, 直到到达根节点
// 根节点的特点: parent[p] == p
while(p != parent[p])
p = parent[p];
return p;
}
// 查看元素p和元素q是否所属一个集合
// O(h)复杂度, h为树的高度
@Override
public boolean isConnected( int p , int q ){
return find(p) == find(q);
}
// 合并元素p和元素q所属的集合
// O(h)复杂度, h为树的高度
@Override
public void unionElements(int p, int q){
int pRoot = find(p);
int qRoot = find(q);
if( pRoot == qRoot )
return;
// 根据两个元素所在树的rank不同判断合并方向
// 将rank低的集合合并到rank高的集合上
if(rank[pRoot] < rank[qRoot])
parent[pRoot] = qRoot;
else if(rank[qRoot] < rank[pRoot])
parent[qRoot] = pRoot;
else{ // rank[pRoot] == rank[qRoot]
parent[pRoot] = qRoot;
rank[qRoot] += 1; // 此时, 维护rank的值
}
}
}
注意此处因为增加的是rank，即树的深度，而当一棵树的深度小于另一棵的时候，我们将深度小的加到深度大的上，附加后整棵树的深度是不变的，还是原来深度较大的那棵树的深度！只有两棵树深度一样的时候，在附加是才需要将深度加一。
路径压缩优化
前两种优化我们都是在union操作中进行的，那我们可否在find里面进行优化呢？当然可以，这就是路径压缩的优化点。我们在对元素做find操作的时候，如果该元素的父节点不是自己，那么，我们将该元素的父节点更改为父节点的父节点，形象点说就是，将该节点的爷爷变成了自己的父亲，这样在下一次find的时候就跳过了该节点的父节点。
以上步骤看似很复杂，但是实现上只需要添加一行代码。
private int find(int p){
if(p < 0 || p >= parent.length)
throw new IllegalArgumentException("p is out of bound.");
while( p != parent[p] ){
parent[p] = parent[parent[p]]; //添加的一行代码，该行代码就表示将p节点父亲的父亲变为p的父亲。
p = parent[p];
}
return p;
}
另外一种压缩方式, 直接将树压缩成两层
让节点的父亲直接指向最顶层的元素
private int find(int p){
if(p < 0 || p >= parent.length)
throw new IllegalArgumentException("p is out of bound.");
if(p != parent[p])
parent[p] = find(parent[p]);
return p;
}
测试
// int size = 100000; //元素个数
// int p = 100000; //操作次数
countTime1 = 7.0340682
countTime2 = 13.9094047
countTime3 = 0.0229193
countTime4 = 0.018054
countTime5 = 0.015297
countTime6 = 0.017712
Hello World!
时间复杂度分析
在我们使用Quick Union版本的并查集使用树形结构来组织节点的关系。
那么性能跟树的深度有关系，简称O(h)，以前介绍二分搜索树的时候，时间复杂度也是为O(h)。
但是并查集并不是一个二叉树，而是一个多叉树，所以并查集的查询和合并时间复杂度并不是O(log n)
在加上rank和路径压缩优化后 ，并查集的时间复杂度为O(log* n)
完整代码