为了OFFER,我加深学习队列,现在还一脸懵逼

@Author:Runsen

@Date:2020/9/8

现在大四基本是重刷数据结构和算法,因为笔试真的太重要了。 我又重温了争大佬专栏的队列,又巩固了下。而且我发现留言区大佬的笔记很多,下面很多都是来自大佬总结的。

文章目录

  • 一、如何理解“队列”?
  • 二、顺序队列和链式队列
  • 三、循环队列
  • 四、阻塞队列和并发队列
  • 五、线程池没有空闲线程时,新的任务请求线程资源时,线程池该如何处理?各种处理策略又是如何实现的呢?
  • 【思考】
  • Leetcode 225. 用队列实现栈
  • Leetcode剑指 Offer 59 - I. 滑动窗口的最大值
  • 703 数据流中的第K大元素

【大佬笔记】

一、如何理解“队列”?

1、队列是一种操作受限的线性表数据结构。
2、队列最大的特点就是先进先出。
3、最基本的操作:入队 enqueue(),放一个数据到队列尾部;出队 dequeue(),从队列头部取一个元素。

二、顺序队列和链式队列

1、用数组实现的队列叫顺序队列,用链表实现的队列叫链式队列。
2、队列需要两个指针:一个是 head 指针,指向队头;一个是 tail 指针,指向队尾。
3、随着不停地进行入队、出队操作,head 和 tail 都会持续往后移动。当 tail 移动到最右边,即使数组中还有空闲空间,也无法继续往队列中添加数据了。

实际上,我们在出队时可以不用搬移数据。如果没有空闲空间了,只需要在入队时,再集中触发一次数据的搬移操作。出队函数 dequeue() 保持不变,我们稍加改造一下入队函数 enqueue() 的实现,当队列的 tail 指针移动到数组的最右边后,如果有新的数据入队,我们可以将 head 到 tail 之间的数据,整体搬移到数组中 0 到 tail-head 的位置。

4、基于链表的实现,同样需要两个指针:head 指针和 tail 指针。分别指向链表的第一个结点和最后一个结点。入队时,tail->next= new_node, tail = tail->next;出队时,head = head->next。

三、循环队列

1、循环队列,原本数组是有头有尾的,是一条直线。把首尾相连,扳成了一个环。
2、在数组实现队列的时候,会有数据搬移操作,要想解决数据搬移的问题,需要像环一样的循环队列。
3、要想写出没有 bug 的循环队列的实现代码,最关键的是,确定好队空和队满的判定条件。
1)队列为空的判断条件仍然是 head == tail。
2)当队满时,(tail+1)%n=head。 tail 指向的位置实际上是没有存储数据的。所以,循环队列会浪费一个数组的存储空间。

四、阻塞队列和并发队列

1、阻塞队列
1)阻塞队列就是在队列基础上增加了阻塞操作。
2)在队列为空的时候,从队头取数据会被阻塞。因为此时还没有数据可取,直到队列中有了数据才能返回;如果队列已经满了,那么插入数据的操作就会被阻塞,直到队列中有空闲位置后再插入数据,然后再返回。
3)基于阻塞队列实现的“生产者 - 消费者模型”,可以有效地协调生产和消费的速度。

2、并发队列
1)线程安全的队列,叫作并发队列。
2)最简单直接的实现方式是直接在 enqueue()、dequeue() 方法上加锁,但是锁粒度大并发度会比较低,同一时刻仅允许一个存或者取操作。
3)实际上,基于数组的循环队列,利用 CAS 原子操作,可以实现非常高效的并发队列。这也是循环队列比链式队列应用更加广泛的原因。

CAS是Compare And Set的缩写,是以一种无锁的方式实现并发控制。

五、线程池没有空闲线程时,新的任务请求线程资源时,线程池该如何处理?各种处理策略又是如何实现的呢?

一般有两种处理策略。第一种是非阻塞的处理方式,直接拒绝任务请求;另一种是阻塞的处理方式,将请求排队,等到有空闲线程时,取出排队的请求继续处理。
1、基于链表的实现方式,可以实现一个支持无限排队的无界队列(unbounded queue),但是可能会导致过多的请求排队等待,请求处理的响应时间过长。所以,针对响应时间比较敏感的系统,基于链表实现的无限排队的线程池是不合适的。
2、基于数组实现的有界队列(bounded queue),队列的大小有限,所以线程池中排队的请求超过队列大小时,接下来的请求就会被拒绝,这种方式对响应时间敏感的系统来说,就相对更加合理。不过,设置一个合理的队列大小,也是非常有讲究的。队列太大导致等待的请求太多,队列太小会导致无法充分利用系统资源、发挥最大性能。
(除了前面讲到队列应用在线程池请求排队的场景之外,队列可以应用在任何有限资源池中,用于排队请求,比如数据库连接池等。实际上,对于大部分资源有限的场景,当没有空闲资源时,基本上都可以通过“队列”这种数据结构来实现请求排队。)

【思考】

除了线程池这种池结构会用到队列排队请求,你还知道有哪些类似的池结构或者场景中会用到队列的排队请求呢?

一、1、像windows操作系统的消息队列,略高级一些带有优先级。还有qt中的信号与槽函数机制,使用connect链接,其中的参数就是设置为把窗口界面消息放到消息队列,然后一次取出。比如优先级消息,窗口系统关闭,优先级高,则就直接执行关闭操作。
2、sockets网络连接队列。
3、数据库连接队列。
4、一种集群操作,很多客户端像服务端请求资源,处理高并发大量请求。把这些请求放到队列中。
5、分布式应用中的消息队列,也是一种队列结构。

今天讲到并发队列,关于如何实现无锁并发队列,网上有非常多的讨论。对这个问题,你怎么看呢?

二、考虑使用CAS实现无锁队列,则在入队前,获取tail位置,入队时比较tail是否发生变化,如果否,则允许入队,反之,本次入队失败。出队则是获取head位置,进行cas。

看了下上面的大佬的笔记,似懂非懂、变成饭桶。还是刷下队列相关的题,解决下我完全不会的心情。

Leetcode 225. 用队列实现栈

from collections import deque
class MyStack:

    def __init__(self):
        """
        Initialize your data structure here.
        """
        self.q1 = deque()
        self.q2 = deque()


    def push(self, x: int) -> None:
        """
        Push element x onto stack.
        """
        self.q1.append(x)


    def pop(self) -> int:
        """
        Removes the element on top of the stack and returns that element.
        """
        while len(self.q1) > 1:
            self.q2.append(self.q1.popleft())
        x = self.q1.popleft()
        self.q1,self.q2 = self.q2,self.q1
        return x

    def top(self) -> int:
        """
        Get the top element.
        """
        res  = self.q1.pop()
        self.q1.append(res)
        return res

    def empty(self) -> bool:
        """
        Returns whether the stack is empty.
        """
        if len(self.q1) == 0:
            return True
        else:
            return False

Leetcode剑指 Offer 59 - I. 滑动窗口的最大值

'''
@Author: Runsen
@WeChat:RunsenLiu 
@微信公众号: Python之王
@CSDN: https://blog.csdn.net/weixin_44510615
@Github: https://github.com/MaoliRUNsen
@Date: 2020/9/8

输入: nums = [1,3,-1,-3,5,3,6,7], 和 k = 3
输出: [3,3,5,5,6,7]
解释:

  滑动窗口的位置                最大值
---------------               -----
[1  3  -1] -3  5  3  6  7       3
 1 [3  -1  -3] 5  3  6  7       3
 1  3 [-1  -3  5] 3  6  7       5
 1  3  -1 [-3  5  3] 6  7       5
 1  3  -1  -3 [5  3  6] 7       6
 1  3  -1  -3  5 [3  6  7]      7
 
'''

def maxSlidingWindow(nums,k):
    if not  nums: return []
    window ,res = [],[]
    for i,x in enumerate(nums):
        # 如果存在窗口 而且窗口的第一个数 不在这个范围,就出去
        if i >= k and window[0] <= i-k:
            window.pop(0)
        # 每次进入窗口的和最后一个比较,如果大了,最后一个直接删除
        while window and nums[window[-1]] <= x:
            window.pop()
        # 无论是不是删除最后一个,都要加入x到窗口中
        window.append(i)
        # 如果出了窗口,就把窗口的头加入到res中
        if i >= k-1:
            res.append(nums[window[0]])
        print(window)
    return res

print(maxSlidingWindow(nums = [1,3,-1,-3,5,3,6,7],  k = 3))

703 数据流中的第K大元素

'''
@Author: Runsen
@WeChat:RunsenLiu 
@微信公众号: Python之王
@CSDN: https://blog.csdn.net/weixin_44510615
@Github: https://github.com/MaoliRUNsen
@Date: 2020/9/10
703. 数据流中的第K大元素
设计一个找到数据流中第K大元素的类(class)。注意是排序后的第K大元素,不是第K个不同的元素。
你的 KthLargest 类需要一个同时接收整数 k 和整数数组nums 的构造器,它包含数据流中的初始元素。每次调用 KthLargest.add,返回当前数据流中第K大的元素。

示例:
int k = 3;
int[] arr = [4,5,8,2];
KthLargest kthLargest = new KthLargest(3, arr);
kthLargest.add(3);   // returns 4
kthLargest.add(5);   // returns 5
kthLargest.add(10);  // returns 5
kthLargest.add(9);   // returns 8
kthLargest.add(4);   // returns 8
说明:
你可以假设 nums 的长度≥ k-1 且k ≥ 1。
'''
import heapq
class KthLargest:
    def __init__(self, k: int, nums):
        # 建立第k大的大
        self.pool = heapq.nlargest(k, nums)
        self.k = k

    def add(self, val: int) -> int:
        if len(self.pool) < self.k:
            # 弹出并返回heap的最小的元素,保持堆的不变性。
            heapq.heappush(self.pool,val)
        else:
            # 把val放入堆中,然后弹出并返回heap中最小的元素。
            heapq.heappushpop(self.pool,val)
        return self.pool[0]

你可能感兴趣的:(队列,数据结构,python)