堆：学习笔记

概念：

「堆 heap」是一种满足特定条件的完全二叉树（只有最底层的节点未被填满，且最底层节点尽量靠左 填充。），主要可分为下图所示的两种类型。

‧「大顶堆 max heap」：任意节点的值 ≥ 其子节点的值。

‧「小顶堆 min heap」：任意节点的值 ≤ 其子节点的值。

堆作为完全二叉树的一个特例，具有以下特性。

‧ 最底层节点靠左填充，其他层的节点都被填满。

‧ 我们将二叉树的根节点称为“堆顶”，将底层最靠右的节点称为“堆底”。

‧ 对于大顶堆（小顶堆），堆顶元素（即根节点）的值分别是最大（最小）的。

堆常用操作

需要指出的是，许多编程语言提供的是「优先队列 priority queue」，这是一种抽象数据结构，定义为具有优 先级排序的队列。

实际上， 堆通常用作实现优先队列，大顶堆相当于元素按从大到小顺序出队的优先队列 。从使用角度来看， 我们可以将“优先队列”和“堆”看作等价的数据结构。因此，本文对两者不做特别区分，统一使用“堆“来 命名。

堆的常用操作见下表 ，方法名需要根据编程语言来确定

方法名	描述	时间复杂度
push()	元素入堆	𝑂( log 𝑛)
pop()	堆顶元素出堆	𝑂(log 𝑛)
peek()	访问堆顶元素（大 / 小顶堆分别为最大 / 小值）	𝑂(1)
size()	获取堆的元素数量	𝑂(1)
isEmpty()	判断堆是否为空	𝑂(1)

描述时间复杂度的常见释义：

1. O(1) - 常数时间复杂度：

   • 表示算法的执行时间是一个常数，不随输入规模的增加而变化。
   • 示例：取数组中的第一个元素。

2. O(log n) - 对数时间复杂度：

   • 表示算法的执行时间与输入规模的对数成正比。
   • 示例：二分查找算法。
   • 通常以2为底，如O(log 16)他的值就是4

3. O(n) - 线性时间复杂度：

   • 表示算法的执行时间与输入规模成线性关系。
   • 示例：遍历数组。

4. O(n log n) - 线性对数时间复杂度：

   • 表示算法的执行时间与输入规模的对数乘以线性关系。
   • 示例：快速排序、归并排序等基于分治思想的排序算法。

5. O(n^2) - 平方时间复杂度：

   • 表示算法的执行时间与输入规模的平方成正比。
   • 示例：简单的嵌套循环，如选择排序。

6. O(n^k) - 多项式时间复杂度：

   • 表示算法的执行时间与输入规模的 k 次方成正比，其中 k 是常数。
   • 示例：决策树算法。

7. O(2^n) - 指数时间复杂度：

   • 表示算法的执行时间与输入规模的指数关系成正比。
   • 示例：解决某些组合优化问题的朴素递归算法。

8. O(n!) - 阶乘时间复杂度：

   • 表示算法的执行时间与输入规模的阶乘成正比。
   • 示例：解决某些排列组合问题的朴素递归算法。

在实际应用中，我们可以直接使用编程语言提供的堆类（或优先队列类）。

 // 初始化小顶堆
        PriorityQueue<Integer> minHeap = new PriorityQueue<>();

        //初始化大顶堆：任意节点大于他的子节点
        PriorityQueue<Integer> maxHeap = new PriorityQueue<>((a,b)->b-a);

        maxHeap.offer(1);
        maxHeap.offer(2);
        maxHeap.offer(3);
        maxHeap.offer(4);
        maxHeap.offer(5);

        System.out.println(maxHeap.poll());//输出5
        System.out.println(maxHeap.poll());//输出4
        System.out.println(maxHeap.poll());//输出3
        System.out.println(maxHeap.poll());//输出4
        System.out.println(maxHeap.poll());//输出1

        System.out.println(maxHeap.size());//输出0

        System.out.println(maxHeap.isEmpty());//输出true

        /* 输入列表并建堆 */
        minHeap = new PriorityQueue<>(Arrays.asList(1, 3, 2, 5, 4));
        System.out.println(minHeap.poll());//输出1

堆的实现（大顶堆）

1. 堆的存储与表示

我们在二叉树章节中学习到，完全二叉树非常适合用数组来表示。由于堆正是一种完全二叉树， 我们将采用 数组来存储堆 。

当使用数组表示二叉树时，元素代表节点值，索引代表节点在二叉树中的位置。 节点指针通过索引映射公式 来实现 。

如下图所示，给定索引 𝑖 ，其左子节点索引为 2𝑖 + 1 ，右子节点索引为 2𝑖 + 2 ，父节点索引为 (𝑖 − 1)/2 （向下取整）。当索引越界时，表示空节点或节点不存在。

/* 数组表示下的二叉树类 */
public class ArrayBinaryTree {
    private List<Integer> tree;
    /* 构造方法 */
    public ArrayBinaryTree(List<Integer> arr) {
        tree = new ArrayList<>(arr);
    }

    /* 节点数量 */
    public int size() {
        return tree.size();
    }

    /* 获取索引为 i 节点的值 */
    public Integer val(int i) {
        // 若索引越界，则返回 null ，代表空位
        if (i < 0 || i >= size())
            return null;
        return tree.get(i);
    }

    /* 获取索引为 i 节点的左子节点的索引 */
    public Integer left(int i) {
        return 2 * i + 1;
    }
    /* 获取索引为 i 节点的右子节点的索引 */
    public Integer right(int i) {
        return 2 * i + 2;
    }
    /* 获取索引为 i 节点的父节点的索引 */
    public Integer parent(int i) {
        return (i - 1) / 2;
    }

    //访问堆顶元素
    int peek(){
        return tree.get(0);
    }

    /* 层序遍历 */
    public List<Integer> levelOrder() {
        List<Integer> res = new ArrayList<>();
        // 直接遍历数组
        for (int i = 0; i < size(); i++) {
            if (val(i) != null)
                res.add(val(i));
        }
        return res;
    }

    /* 深度优先遍历 */
    private void dfs(Integer i, String order, List<Integer> res) {
        // 若为空位，则返回
        if (val(i) == null)
            return;

        // 前序遍历
        if (order == "pre")
            res.add(val(i));
            dfs(left(i), order, res);

        // 中序遍历
        if (order == "in")
            res.add(val(i));
            dfs(right(i), order, res);

        // 后序遍历
        if (order == "post")
            res.add(val(i));
    }

    /* 前序遍历 */
    public List<Integer> preOrder() {
        List<Integer> res = new ArrayList<>();
        dfs(0, "pre", res);
        return res;
    }
    /* 中序遍历 */
    public List<Integer> inOrder() {
        List<Integer> res = new ArrayList<>();
        dfs(0, "in", res);
        return res;
    }
    /* 后序遍历 */
    public List<Integer> postOrder() {
        List<Integer> res = new ArrayList<>();
        dfs(0, "post", res);
        return res;
    }

}

1.元素入堆

给定元素 val ，我们首先将其添加到堆底。添加之后，由于 val 可能大于堆中其他元素，堆的成立条件可能 已被破坏。因此，需要修复从插入节点到根节点的路径上的各个节点 ，这个操作被称为「堆化 heapify」。

考虑从入堆节点开始， 从底至顶执行堆化 。如图所示，我们比较插入节点与其父节点的值，如果插入节点更大，则将它们交换。然后继续执行此操作，从底至顶修复堆中的各个节点，直至越过根节点或遇到无须交换的节点时结束。

设节点总数为 𝑛 ，则树的高度为 𝑂( log 𝑛) 。由此可知，堆化操作的循环轮数最多为 𝑂( log 𝑛) ， 元素入堆操 作的时间复杂度为 𝑂( log 𝑛) 。

    /* 元素入堆 */
    void push(int val) {
        // 添加节点
        tree.add(val);
        // 从底至顶堆化
        siftUp(size() - 1);
    }
    /* 从节点 i 开始，从底至顶堆化 */
    void siftUp(int i) {
        while (true) {
        // 获取节点 i 的父节点索引
            int p = parent(i);

            // 当“越过根节点”或“节点无须修复”时，结束堆化
            if (p < 0 || tree.get(i) <= tree.get(p))
                break;
            // 交换两节点
            swap(i, p);
            // 循环向上堆化
            i = p;
        }
    }

    void swap(int i, int j) {
        int tmp = tree.get(i);
        tree.set(i,tree.get(j));
        tree.set(j,tmp);
    }

2.堆顶元素出堆

堆顶元素是二叉树的根节点，即列表首元素。如果我们直接从列表中删除首元素，那么二叉树中所有节点的 索引都会发生变化，这将使得后续使用堆化修复变得困难。为了尽量减少元素索引的变动，我们采用以下操作步骤。

1. 交换堆顶元素与堆底元素（即交换根节点与最右叶节点）。

2. 交换完成后，将堆底从列表中删除（注意，由于已经交换，实际上删除的是原来的堆顶元素）。

3. 从根节点开始， 从顶至底执行堆化 。

如下图所示， “从顶至底堆化”的操作方向与“从底至顶堆化”相反 ，我们将根节点的值与其两个子节点的 值进行比较，将最大的子节点与根节点交换。然后循环执行此操作，直到越过叶节点或遇到无须交换的节点时结束。

与元素入堆操作相似，堆顶元素出堆操作的时间复杂度也为 𝑂( log 𝑛) 。

/* 元素出堆 */
    int pop() {
        // 判空处理
        if (isEmpty())
            throw new IndexOutOfBoundsException();
        // 交换根节点与最右叶节点（即交换首元素与尾元素）
        swap(0, size() - 1);
        // 删除节点
        int val = tree.remove(size() - 1);
        // 从顶至底堆化
        siftDown(0);
        // 返回堆顶元素
        return val;
    }

    /* 从节点 i 开始，从顶至底堆化 */
    void siftDown(int i) {
        while (true) {
            // 判断节点 i, l, r 中值最大的节点，记为 ma
            int l = left(i), r = right(i), ma = i;

            //左索引在数组长度内且左节点大于他的父节点
            if (l < size() && tree.get(l) > tree.get(ma))
                ma = l;//存储左索引

            //右索引在数组长度内且左节点大于他的父节点或者左节点，在这一步就能找出三个值中最大的了
            if (r < size() && tree.get(r) > tree.get(ma))
                ma = r;

            // 若节点 i 最大或索引 l, r 越界，则无须继续堆化，跳出
            if (ma == i)//最大的就是传入的
                break;
            // 交换两节点
            swap(i, ma);
            // 循环向下堆化
            i = ma;
        }
    }

堆常见应用

‧ 优先队列 ：堆通常作为实现优先队列的首选数据结构，其入队和出队操作的时间复杂度均为

𝑂( log 𝑛) ，而建队操作为 𝑂(𝑛) ，这些操作都非常高效。

‧ 堆排序 ：给定一组数据，我们可以用它们建立一个堆，然后不断地执行元素出堆操作，从而得到有序数据。然而，我们通常会使用一种更优雅的方式实现堆排序，详见后续的堆排序章节。

‧ 获取最大的 𝑘 个元素 ：这是一个经典的算法问题，同时也是一种典型应用，例如选择热度前 10 的新闻 作为微博热搜，选取销量前 10 的商品等。

建堆操作

在某些情况下，我们希望使用一个列表的所有元素来构建一个堆，这个过程被称为“建堆操作”

1.实现一：借助入堆操作实现

我们首先创建一个空堆，然后遍历列表，依次对每个元素执行“入堆操作”，即先将元素添加至堆的尾部，再 对该元素执行“从底至顶”堆化。

每当一个元素入堆，堆的长度就加一。由于节点是从顶到底依次被添加进二叉树的，因此堆是“自上而下” 地构建的。

设元素数量为 𝑛 ，每个元素的入堆操作使用 𝑂( log 𝑛) 时间，因此该建堆方法的时间复杂度为 𝑂(𝑛 log 𝑛)

2.实现二：通过遍历堆化实现

实际上，我们可以实现一种更为高效的建堆方法，共分为两步。

1. 将列表所有元素原封不动添加到堆中，此时堆的性质尚未得到满足。

2. 倒序遍历堆（即层序遍历的倒序），依次对每个非叶节点执行“从顶至底堆化”。

每当堆化一个节点后，以该节点为根节点的子树就形成一个合法的子堆 。而由于是倒序遍历，因此堆是“自 下而上”地被构建的。

之所以选择倒序遍历，是因为这样能够保证当前节点之下的子树已经是合法的子堆，这样堆化当前节点才是 有效的。

值得说明的是， 叶节点没有子节点，天然就是合法的子堆，因此无需堆化 。如以下代码所示，最后一个非叶节点是最后一个节点的父节点，我们从它开始倒序遍历并执行堆化。

/* 构造方法，根据输入列表建堆 */
MaxHeap(List<Integer> nums) {
    // 将列表元素原封不动添加进堆
    maxHeap = new ArrayList<>(nums);
    // 堆化除叶节点以外的其他所有节点
    //size()-1就是最后一个元素的下标，然后找到这个元素的父节点在数组中的索引
    for (int i = parent(size() - 1); i >= 0; i--) {
        /* 从节点 i 开始，从顶至底堆化 */
//方法是一个用于维护最大堆性质的操作，确保当前节点和其子树中的最大元素在当前节点的位置。
//在这个构造函数中，通过遍历所有的父节点，对每个父节点进行下沉操作，最终整个堆就满足了最大 
 //堆的性质。
        siftDown(i);
    }
}

复杂度分析

下面，我们来尝试推算第二种建堆方法的时间复杂度。

‧ 假设完全二叉树的节点数量为 𝑛 ，则叶节点数量为 (𝑛 + 1)/2 ，其中 / 为向下整除。因此需要堆化的节点数量为 (𝑛 − 1)/2（需要堆化的节点也就是非叶子节点） 。

‧ 在从顶至底堆化的过程中，每个节点最多堆化到叶节点，因此最大迭代次数为二叉树高度 log

𝑛 。

将上述两者相乘，可得到建堆过程的时间复杂度为 𝑂(𝑛 log 𝑛) 。 但这个估算结果并不准确，因为我们没有 考虑到二叉树底层节点数量远多于顶层节点的性质 。

接下来我们来进行更为准确的计算。为了减小计算难度，假设给定一个节点数量为 𝑛 ，高度为 ℎ 的“完美二 叉树”，该假设不会影响计算结果的正确性。

如上图所示，节点“从顶至底堆化”的最大迭代次数等于该节点到叶节点的距离，而该距离正是“节点高 度”。因此，我们可以将各层的“节点数量 × 节点高度”求和， 从而得到所有节点的堆化迭代次数的总和 。

Top‑K 问题

给定一个长度为 𝑛 无序数组 nums ，请返回数组中前 𝑘 大的元素。

对于该问题，我们先介绍两种思路比较直接的解法，再介绍效率更高的堆解法

方法一：遍历选择

我们可以进行下图所示的 𝑘 轮遍历，分别在每轮中提取第 1、 2 、 … 、 𝑘 大的元素，时间复杂度为

𝑂(𝑛𝑘) 。 此方法只适用于 𝑘 ≪ 𝑛 的情况，因为当 𝑘 与 𝑛 比较接近时，其时间复杂度趋向于

𝑂(𝑛 2 ) ，非常耗时。

当 𝑘 = 𝑛 时，我们可以得到完整的有序序列，此时等价于“选择排序”算法。

方法二：排序

如下图所示，我们可以先对数组 nums 进行排序，再返回最右边的 𝑘 个元素，时间复杂度为 𝑂(𝑛 log 𝑛) 。

显然，该方法“超额”完成任务了，因为我们只需要找出最大的 𝑘 个元素即可，而不需要排序其他元素。

方法三：堆

我们可以基于堆更加高效地解决 Top‑K 问题，流程如下图所示。

1. 初始化一个小顶堆，其堆顶元素最小。

2. 先将数组的前 𝑘 个元素依次入堆。

3. 从第 𝑘 + 1 个元素开始，若当前元素大于堆顶元素，则将堆顶元素出堆，并将当前元素入堆。

4. 遍历完成后，堆中保存的就是最大的 𝑘 个元素。

总共执行了

𝑛 轮入堆和出堆，堆的最大长度为 𝑘 ，因此时间复杂度为 𝑂(𝑛 log 𝑘) 。该方法的效率很高，当

𝑘 较小时，时间复杂度趋向 𝑂(𝑛) ；当 𝑘 较大时，时间复杂度不会超过

𝑂(𝑛 log 𝑛) 。

另外，该方法适用于动态数据流的使用场景。在不断加入数据时，我们可以持续维护堆内的元素，从而实现最大 𝑘 个元素的动态更新。

/* 基于堆查找数组中最大的 k 个元素 */
Queue<Integer> topKHeap(int[] nums, int k) {
    // 初始化小顶堆
    Queue<Integer> heap = new PriorityQueue<Integer>();
    // 将数组的前 k 个元素入堆
    for (int i = 0; i < k; i++) {
        heap.offer(nums[i]);
    }
    // 从第 k+1 个元素开始，保持堆的长度为 k
    for (int i = k; i < nums.length; i++) {
        // 若当前元素大于堆顶元素，则将堆顶元素出堆、当前元素入堆
        if (nums[i] > heap.peek()) {
            heap.poll();
            heap.offer(nums[i]);
        }
    }
    return heap;
}

总结

1. 重点回顾

‧ 堆是一棵完全二叉树，根据成立条件可分为大顶堆和小顶堆。大（小）顶堆的堆顶元素是最大（小）的。

‧ 优先队列的定义是具有出队优先级的队列，通常使用堆来实现。

‧ 堆的常用操作及其对应的时间复杂度包括：元素入堆 𝑂(log 𝑛) 、堆顶元素出堆 𝑂( log 𝑛) 和访问堆顶元素O（1）

‧ 完全二叉树非常适合用数组表示，因此我们通常使用数组来存储堆。

‧ 堆化操作用于维护堆的性质，在入堆和出堆操作中都会用到。

‧ 输入𝑛 个元素并建堆的时间复杂度可以优化至 𝑂(𝑛) ，非常高效。

‧ Top‑K 是一个经典算法问题，可以使用堆数据结构高效解决，时间复杂度为 𝑂(𝑛 log 𝑘) 。

2Q&A

数据结构的“堆”与内存管理的“堆”是同一个概念吗？

两者不是同一个概念，只是碰巧都叫堆。计算机系统内存中的堆是动态内存分配的一部分，程序在运行时可以使用它来存储数据。程序可以请求一定量的堆内存，用于存储如对象和数组 等复杂结构。当这些数据不再需要时，程序需要释放这些内存，以防止内存泄露。相较于栈内存，堆内存的管理和使用需要更谨慎，不恰当的使用可能会导致内存泄露和野指针等问题。