结合React源码如何快速掌握优先队列

这篇文章主要讲解了“结合React源码如何快速掌握优先队列”，文中的讲解内容简单清晰，易于学习与理解，下面请大家跟着小编的思路慢慢深入，一起来研究和学习“结合React源码如何快速掌握优先队列”吧！

什么是优先队列

• 优先队列是数据结构中的基础概念，与队列先进先出(FIFO)的出队顺序不同的是 ，它的出队顺序与元素的优先级相关。

• 例如 React 的时间分片(React Fiber)，它将渲染任务分了优先级，出队的顺序与任务的“重要程度”存在关系，那么满足这种情况的数据结构就是  优先队列 。

优先队列的操作

• 插入：在优先队列中插入元素，并使队列“有序”

• 删除最大/最小值：删除并返回最大/最小的元素，并使队列“有序”

• 查找最大/最小关键字：查找最大/最小的值

优先队列的实现比较

优先队列可以由以上多种方式实现，而优先队列的主要操作是插入和删除，其中二叉搜索树和二叉堆这两项操作的时间复杂度均为 logn  ,但二叉树在多次删除之后容易导致树的倾斜，同时查找成本也高于二叉堆，所以最终二叉堆是比较符合实现优先队列的数据结构。

二叉堆

在二叉堆中数组中，要保证每个元素都小于(大于)或等于另外两个特定位置的元素。例如下图的树中，父节点总是小于或等于子节点。

对于二叉堆有如下性质：

• 节点 k 的父节点下标为 k / 2(向下取整)

• 已某节点为根节点的子树，该节点是这颗树的极值

二叉堆的操作

插入

二叉堆的插入非常简单，只需要在二叉堆的最后添加要插入的内容，并将其“上浮”到正确位置。

尝试在上面的二叉堆中插入新元素 9，过程如下：

在尾部插入元素 9，与父节点进行对比，有序性被破坏，与父元素替换位置。

替换成功后，继续上一轮操作，与父节点进行对比，仍然无法满足有序性，继续调换位置。

再次替换后符合。

程序框架

function push {   * 在堆尾部添加元素   * 执行上浮循环     * 与父元素对比大小，将较大的放在父节点位置    return minItem }

实现

function push(heap: Heap, node: Node): void {   const index = heap.length;   heap.push(node); // 在堆尾部添加元素   siftUp(heap, node, index); // 进行上浮操作 }  function siftUp(heap, node, i) {   let index = i;   while (true) {     const parentIndex = (index - 1) >>> 1; // 父节点位置： parentIndex = childIndex / 2     const parent = heap[parentIndex];     if (parent !== undefined && compare(parent, node) > 0) {       // The parent is larger. Swap positions.       heap[parentIndex] = node;       heap[index] = parent;       index = parentIndex;     } else {       // The parent is smaller. Exit.       return;     }   } }

删除

取出根节点的值对比插入稍微复杂一点，归纳起来可以分为三步：

• 取出根节点的值

• 将最后一个元素与根节点进行替换，并删除最后一个元素

• 下沉

取出根节点。

将最后一个元素与根节点调换，并删除。对比发现有序性被破坏，进行对调。

完成删除。

程序框架

function pop {   * 设定 minItem 保存根节点   * 取出最后一个节点与根节点替换，并删除最后一个节点   * 执行下沉循环     * 将根元素与左右子节点对比,挑选较小的与父节点替换位置    return minItem }

实现

export function pop(heap: Heap): Node | null {   const first = heap[0]; // 取出根节点   if (first !== undefined) {     const last = heap.pop(); // 取出最后一位元素，并删除     if (last !== first) {       heap[0] = last; // 与根节点对调       siftDown(heap, last, 0); // 下沉     }     return first;   } else {     return null;   } }  function siftDown(heap, node, i) {   let index = i;   const length = heap.length;   while (index < length) {     const leftIndex = (index + 1) * 2 - 1;     const left = heap[leftIndex];     const rightIndex = leftIndex + 1;     const right = heap[rightIndex];      // If the left or right node is smaller, swap with the smaller of those.     // 寻找左右儿子较小的那一个替换     if (left !== undefined && compare(left, node) < 0) { //左子节点小于根节点       if (right !== undefined && compare(right, left) < 0) {         heap[index] = right;         heap[rightIndex] = node;         index = rightIndex;       } else {         heap[index] = left;         heap[leftIndex] = node;         index = leftIndex;       }     } else if (right !== undefined && compare(right, node) < 0) { // 左子节点大于根节点，右子节点小于根节点       heap[index] = right;       heap[rightIndex] = node;       index = rightIndex;     } else {       // Neither child is smaller. Exit.       return;     }   } }

以下是 react 源码中 scheduler/src/SchedulerMinHeap.js 关于最小堆的完整实现：

/**  * Copyright (c) Facebook, Inc. and its affiliates.  *  * This source code is licensed under the MIT license found in the  * LICENSE file in the root directory of this source tree.  *  * @flow strict  */  // 定义最小堆极其元素，其中 sortIndex 为最小堆对比的 key，若 sortIndex 相同，则对比 id type Heap = Array<Node>; type Node = {|   id: number,   sortIndex: number, |};  // 入队操作，在入队完成之后进行“上浮” export function push(heap: Heap, node: Node): void {   const index = heap.length;   heap.push(node);   siftUp(heap, node, index); }  // 查找最大值 export function peek(heap: Heap): Node | null {   const first = heap[0];   return first === undefined ? null : first; }  // 删除并返回最大值 export function pop(heap: Heap): Node | null {   const first = heap[0]; // 取出根节点（哨兵）   if (first !== undefined) {     const last = heap.pop(); // 取出最后一位元素，并删除     if (last !== first) { // 头尾并没有对撞       heap[0] = last; // 与根节点对调       siftDown(heap, last, 0); // 下沉     }     return first;   } else {     return null;   } }  // 上浮，调整树结构 function siftUp(heap, node, i) {   let index = i;   while (true) {     const parentIndex = (index - 1) >>> 1; // 父节点位置： parentIndex = childIndex / 2，此处使用位操作，右移一位     const parent = heap[parentIndex];     if (parent !== undefined && compare(parent, node) > 0) { // 对比父节点和子元素的大小       // The parent is larger. Swap positions.       heap[parentIndex] = node; // 若父节点较大，则更换位置       heap[index] = parent;       index = parentIndex;     } else {       // The parent is smaller. Exit.       return;     }   } }  // 下沉，调整树结构 function siftDown(heap, node, i) {   let index = i;   const length = heap.length;   while (index < length) {     const leftIndex = (index + 1) * 2 - 1;     const left = heap[leftIndex];     const rightIndex = leftIndex + 1;     const right = heap[rightIndex];      // If the left or right node is smaller, swap with the smaller of those.     // 寻找左右儿子较小的那一个替换     if (left !== undefined && compare(left, node) < 0) {       if (right !== undefined && compare(right, left) < 0) { // 左子节点小于根节点         heap[index] = right;         heap[rightIndex] = node;         index = rightIndex;       } else {         heap[index] = left;         heap[leftIndex] = node;         index = leftIndex;       }     } else if (right !== undefined && compare(right, node) < 0) { // 左子节点大于根节点，右子节点小于根节点       heap[index] = right;       heap[rightIndex] = node;       index = rightIndex;     } else {       // Neither child is smaller. Exit.       return;     }   } }  function compare(a, b) {   // Compare sort index first, then task id.   const diff = a.sortIndex - b.sortIndex;   return diff !== 0 ? diff : a.id - b.id; }

堆排序

利用最大/最小堆的特性，我们很容易就能实现对数组的排序，重复执行 pop 就能进行升序排列，如果要降序，使用最大堆即可，该操作时间复杂度为 nlogn  。

多叉堆

为了追求更优的时间复杂度，我们可以将二叉堆改为多叉堆实现，下图为一个三叉堆：

与二叉堆不同的是对于含有 N 个元素的 d 叉堆(通常情况下 d >= 2)，随着 d 的增加，树高 K = logdN 的斜率会下降，然而 d  越大，删除操作的成本会更高。所以子元素不是越多越好，通常情况下三叉堆和四叉堆的应用会比较常见。

在libev中有这么一段注释  https://github.com/enki/libev/blob/master/ev.c#L2227，他提及了四叉树相比二叉堆来说缓存更加友好。  根据benchmark，在 50000+ 个 watchers 的场景下，四叉树会有 5% 的性能优势。

/*  * at the moment we allow libev the luxury of two heaps,  * a small-code-size 2-heap one and a ~1.5kb larger 4-heap  * which is more cache-efficient.  * the difference is about 5% with 50000+ watchers.  */

同样 Go 语言中的定时器的 timersBucket 的数据结构也采用了最小四叉堆。

感谢各位的阅读，以上就是“结合React源码如何快速掌握优先队列”的内容了，经过本文的学习后，相信大家对结合React源码如何快速掌握优先队列这一问题有了更深刻的体会，具体使用情况还需要大家实践验证。这里是亿速云，小编将为大家推送更多相关知识点的文章，欢迎关注！