一、引言二、普通算法算法A：算法B:三、较好算法算法C：算法D：四、总结
一、引言
这就是类似求Top（K）问题，什么意思呢？怎么在无序数组中找到第几（K）大元素？我们这里不考虑海量数据，能装入内存。
二、普通算法
算法A：
将数组中的元素升序排序，找到数组下标k-1的元素即可。这是大家最容易想到的方法，如果使用简单排序算法，时间复杂度为O(n^2)。
算法B:
- 第一步：初始化长度为K的一个数组，先读入K个元素，将元素降序排序（升序也可以），这时候第K大元素就在最后一个。
- 第二步：读入下一个元素就与已排序的第K大元素比较，如果大于，则将当前的第K大元素删掉，并将此元素放到前K-1个正确的位置上（这里就是简单的插入排序了。不了解插入排序的朋友可以看这里图解选择排序与插入排序）。
- 时间复杂度：第一步采用普通排序算法时间复杂度是O(k^2)；第二步：(N-k)*(k-1) = Nk-k^2+k。所以算法B的时间复杂度为O(NK)。当k=N/2（向下取整）时，时间复杂度还是O(n^2)。
其实求第K大问题，也可以求反，即求第N-k+1小问题。这是等价的。所以当K=N/2时，是最难的地方，但也很有趣，这时候的K对应的值就是中位数。
三、较好算法
算法C：
算法思想：将数据读入一个数组，对数组进行buildHeap(我们这里构建大顶堆)，之后对堆进行K次deleteMax操作，第K次的结果就是我们需要的值。（因为是大顶堆，所以数据从大到小排了序，堆排序以后会详细说）。
现在我们来解决上节遗留的问题，为什么buildHeap是线性的？不熟悉堆的可以看一下 图解优先队列（堆）。我们先来看看代码实现。
public PriorityQueue(T[] items) {
//当前堆中的元素个数
currentSize = items.length;
//可自行实现声明
array = (T[]) new Comparable[currentSize +1];
int i = 1;
for (T item : items){
array[i++] = item;
}
buildHeap();
}
private void buildHeap() {
for (int i = currentSize / 2; i > 0; i--){
//堆的下滤方法，可参考上面的链接
percolateDown(i);
}
}
图中初始化的是一颗无序树，经过7次percolateDown后，得到一个大顶堆。从图中可以看到，共有8条虚线，每一条对应于2次比较，总共16次比较。为了确定buildHeap的时间界，我们需要统计虚线的条数，这可以通过计算堆中所有节点的高度和得到，它是虚线的最大条数。该和是O(N)。
定理：包含2h+1-1个节点、高为h的理想二叉树（满二叉树）的节点的高度的和是2h+1-1-（h+1）。
什么叫满二叉树？满二叉树是完全填满的二叉树，最后一层都是填满的，如图中所示。完全二叉树，是除最后一层以外都是填满的，最后一层外也必须从左到右依次填入，就是上一篇中说的堆的结构。满二叉树一定是完全二叉树，完全二叉树不一定是满二叉树。
证明定理：
容易看出，满二叉树中，高度为h上，有1个节点；高度h-1上2个节点，高度h-2上有2^2个节点及一般在高度h-i上的2i个节点组成。
方程两边乘以2得到：
两式相减得到：
所以定理得证。因为堆由完全二叉树构成，所以堆的节点数在2h和2h+1之间，所以意味着这个和是O(N)。所以buildHeap是线性的。所以算法C的时间复杂度是：初始化数组为O(N)，buildHeap为O(N)，K次deleeMax需要O(klogN)，所以总的时间复杂度是：O(N+N+klogN)=O(N+klogN)，如果K为N/2时，运行时间是O(NlogN)。
算法D：
- 算法思想：我们采用算法B的思想，只是我们这里构建一个节点数为K的小顶堆，只要下一个数比根节点大，就删除根节点，并将这个数进行下滤操作。所以算法最终的第K大数就是根节点的数。
- 时间复杂度：对K个数进行buildHeap是O(k)，最坏情况下假设剩下的N-k个数都要进入堆中进行下滤操作，总的需要O(k+(N-k)logk)。如果K为N/2，则需要O(NlogN)。
四、总结
本篇详述了 求top(K)问题的几种解法，前两种十分平凡普通，后两种比较优一点，暂时给出求解中位数需要O(NlogN)时间。以后还会介绍更优的方式，可以以平均时间O(N)解决这个问题。