队列的基本操作
队列入队出队实现
队列是种先进先出的数据结构。 队列的基本操作主要是入队和出队。 数据从队尾进入队列，从队首出队列。
下面来写一个简单的队列:
public class MyQueue {
private List<Integer> data;
private int pointer;
public MyQueue() {
data = new ArrayList<>();
pointer = 0;
}
public boolean isEmpty() {
return pointer >= data.size();
}
/**
* Get the front item from the queue.
*/
public int Front() {
return data.get(pointer);
}
/**
* Insert an element into the queue. Return true if the operation is successful.
*/
public boolean enQueue(int x) {
data.add(x);
return true;
}
/**
* Delete an element from the queue. Return true if the operation is successful.
*/
public boolean deQueue() {
if (isEmpty()) {
return false;
}
pointer++;
return true;
}
}
其中,pointer代表头队首第一个位置的数据。
当头部有数据出队时，对应的
pointer指针会往后移动一位。
如果有数据入队，会直接加在队尾：
我们会发现，随着队首数据的数据的出队，队首指针之前的空间都会被浪费掉，而且随着使用次数变多，空间浪费会越来越高。 为了重复使用这部分空间，避免浪费，我们可以设计一个队首与队尾相连接的队列，重复利用空间。
循环队列设计
如上图所示，数据
1 ~ 10依次入队，队首head在1处，队尾tail在10处，如果将1出队列,head头指针将移动到2:
此时，有一个空位，我们还可以继续入队：
这样利用空间，刚好可以把队首浪费的空间利用上。
class MyCircularQueue {
private Integer[] data; //队列数据
private Integer size; //队列大小
private Integer head = -1; //头指针
private Integer tail = -1; //尾指针
/**
* 初始化队列
*/
public MyCircularQueue(int k) {
this.data = new Integer[k];
this.size = k;
}
/**
* 入队操作
*/
public boolean enQueue(int value) {
if (isFull()) {
return false;
}
if (head == -1) {
head++;
}
tail++;
data[tail % size] = value;
return true;
}
/**
* 出队操作
*/
public boolean deQueue() {
if (isEmpty()) {
return false;
}
if (head == tail % size) {
head = -1;
tail = -1;
} else {
head++;
}
return true;
}
/**
* 获取队首元素
*/
public int Front() {
if (isEmpty()) {
return -1;
}
return data[head];
}
/**
* 获取队尾元素
*/
public int Rear() {
if (isEmpty()) {
return -1;
}
return data[tail % size];
}
/**
* 判断队列是不是为空
*/
public boolean isEmpty() {
return tail == -1 && head == -1;
}
/**
* 检查队列是不是已经满了
*/
public boolean isFull() {
return (tail % size - head) == size - 1 || (head - tail % size) == 1;
}
}
广度优先搜索（BFS）及其实现
上面我们已经实现过基本的队列已经如果优化队列，下面我们来看一个队列在BFS(广度优先搜索)算法中的应用。 首先我们来定义结点：
@Getter
@Setter
@EqualsAndHashCode
@NoArgsConstructor
class Node implements Serializable {
private static final long serialVersionUID = 3687337665231315466L;
String value;
Collection<Node> previews; //前置结点
Collection<Node> tails; //后置结点
public Node(String value, Collection<Node> previews, Collection<Node> tails) {
this.value = value;
}
public Node(String value) {
this.value = value;
}
}
之后，我们先用队列来实现简单的BFS:
int BFS(Node root, Node target) {
Queue<Node> queue = new LinkedBlockingQueue(); // store all nodes which are waiting to be processed
int step = 0; // number of steps neeeded from root to current node
queue.add(root);
while (!queue.isEmpty()) {
step++;
int size = queue.size();
for (int i = 0; i < size; i++) {
Node cur = queue.poll();
if (cur.equals(target)) {
return step;
}
if (cur.tails != null) {
for (Node node : cur.tails) {
queue.add(node);
}
}
}
}
return -1;
}
另外，考虑到图结构中，像上面这样访问，可能会存在访问重复结点的情况，所以，我们记录下访问过的结点，访问过就直接跳过。 下面是改进算法：
/**
* 避免一个节点访问两次,单独检查访问过的结点
*
* @param root
* @param target
* @return
*/
int BFS(Node root, Node target) {
Queue<Node> queue = new LinkedBlockingQueue(); // store all nodes which are waiting to be processed
Set<Node> userd = new HashSet<>(); // node that be used
int step = 0; // number of steps neeeded from root to current node
queue.add(root);
userd.add(root);
while (!queue.isEmpty()) {
step++;
int size = queue.size();
for (int i = 0; i < size; i++) {
Node cur = queue.poll();
if (cur.equals(target)) {
return step;
}
if (cur.tails != null) {
for (Node node : cur.tails) {
if (!userd.contains(node)) {
queue.add(node);
userd.add(node);
}
}
}
}
}
return -1;
}
Stack
与队列相反，栈是种先入后出的结构。
下面我们来看下Java里面的栈基本入栈和出栈是如何实现的：
首先是入栈操作：
/**
* Pushes an item onto the top of this stack. This has exactly
* the same effect as:
* <blockquote><pre>
* addElement(item)</pre></blockquote>
*
* @param item the item to be pushed onto this stack.
* @return the <code>item</code> argument.
* @see java.util.Vector#addElement
*/
public E push(E item) {
addElement(item);
return item;
}
/**
* Adds the specified component to the end of this vector,
* increasing its size by one. The capacity of this vector is
* increased if its size becomes greater than its capacity.
*
* <p>This method is identical in functionality to the
* {@link #add(Object) add(E)}
* method (which is part of the {@link List} interface).
*
* @param obj the component to be added
*/
public synchronized void addElement(E obj) {
modCount++;
ensureCapacityHelper(elementCount + 1);
elementData[elementCount++] = obj;
}
入栈 操作即将数据插入数组尾部。ps:入栈之前会去进行容量检查，如果不够，会进行内部数组的扩容操作，会重新产生大容量数组，并将原来老数组拷贝到新数组，完成扩容。过程跟ArrayList的类似。
下面来看下出栈：
/**
* Removes the object at the top of this stack and returns that
* object as the value of this function.
*
* @return The object at the top of this stack (the last item
* of the <tt>Vector</tt> object).
* @throws EmptyStackException if this stack is empty.
*/
public synchronized E pop() {
E obj;
int len = size();
obj = peek();
removeElementAt(len - 1);
return obj;
}
public synchronized void removeElementAt(int index) {
modCount++;
if (index >= elementCount) {
throw new ArrayIndexOutOfBoundsException(index + " >= " +
elementCount);
}
else if (index < 0) {
throw new ArrayIndexOutOfBoundsException(index);
}
int j = elementCount - index - 1;
if (j > 0) {
System.arraycopy(elementData, index + 1, elementData, index, j);
}
elementCount--;
elementData[elementCount] = null; /* to let gc do its work */
}
这里，直接将数组尾部的数移除。
深度优先搜索（DFS）
首先来看DFS的简单递归实现：
/*
* 基于递归实现DFS
*/
boolean DFS(Node cur, Node target, Set<Node> visited) {
if (cur == target) {
return true;
}
if (cur.tails == null || cur.tails.size() < 1) {
return false;
}
for (Node n : cur.tails) {
visited.add(n);
if (DFS(n, target, visited)) {
return true;
}
}
return false;
}
基于递归的实现，系统会自动帮我们生成堆栈调用，但是如果递归的深度过高的话，终将造成堆栈溢出。这时候，我们就需要自己用Stack实现这一过程：
/**
* 基于stack
*
* @param cur
* @param target
* @return
*/
boolean DFS(Node cur, Node target) {
Set<Node> visited = new HashSet<>();
Stack<Node> stack = new Stack();
stack.push(cur);
while (!stack.isEmpty()) {
Node temp = stack.pop();
if (temp == target) {
return true;
}
for (Node n : temp.tails) {
if (!visited.contains(n)) {
visited.add(n);
stack.push(n);
}
}
}
return false;
}
