数据结构之 —— 堆

一、定义

堆是一种特殊的树结构，堆是一个完全二叉树，并且堆中的每个节点必须大于等于（或小于等于）其子树中的每个节点的值。对于大于等于其左右节点的堆称为“大顶堆”；小于等于其左右节点的堆称为“小顶堆”。

二、存储方式

因为堆是一个完全二叉树的结构，所以可以直接使用数组来进行保存数据，从数组的下标1开始存储数据节点，左子树存储的位置就是2*i的位置，右子树的位置就是2*i + 1的位置进行存储。

三、堆提供的操作

向堆中添加一个元素：插入数据后，为了保持堆的特性，需要对现有的结构进行调整，这个过程就称为堆化。堆化的过程又分为两种，一种是从上往下，一种是从下往上；堆化过程非常简单，就是顺着节点所在的路径，向下或者向上移动数据。

public void insert(int data) {
    if (count >= n) {
        return;
    }
    count++;
    a[count] = data;
    int i = count;
    // 自下往上进行堆化
    while (i/2 > 0 && a[i] > a[i/2]) {
        // 数据进行交换
        swap(a, i, i/2);
        i = i/2;
    }
}

删除堆顶元素：在堆中，堆顶元素就是整个堆中最大值（最小值），删除元素可以将堆中的最后一个元素与堆顶元素进行互换，然后在自上向下进行堆化，保证堆的两个特性；堆化的时间复杂度，也就是树的高度，所以时间复杂度为O（logn）。

public void removeMax() {
    if (count == 0) {
        return ;
    }
    a[1] = a[count];
    --count;
    heapify(a, count, 1);
}

private void heapify(int[] a, int count, int i) {
    while (true) {
        int maxPos = i;
        if (i*2 < n && a[i] < a[i*2]) {
            maxPos = i*2;
        }
        if (i*2 + 1 < n && a[maxPos] < a[i*2 + 1]) {
            maxPos = i*2 + 1;
        }
        if (maxPos == i) {
            break;
        }
        // 数据交换
        swap(a, maxPos, i);
        i = maxPos;
    }
}

基于堆进行排序：使用堆排序的时间复杂度为O（nlogn），并且堆排序为原地排序，堆排序的过程大致可以分为两步，分为建堆和排序。

• 建堆：就是使用原本的数组进行构建一个符合堆的要求的数据，并且这个过程不借助新的数组；建堆的时间复杂度为O（n）

private void buildHeap(int[] a, int n) {
    for (int i = n/2; i>=1; i--) {
        heapify(a, n, i);
    }
}

private void heapify(int[] a, int count, int i) {
    while (true) {
        int maxPos = i;
        if (i*2 < n && a[i] < a[i*2]) {
            maxPos = i*2;
        }
        if (i*2 + 1 < n && a[maxPos] < a[i*2 + 1]) {
            maxPos = i*2 + 1;
        }
        if (maxPos == i) {
            break;
        }
        swap(a, maxPos, i);
        i = maxPos;
    }
}

• 排序：建堆完成后，最大的数据已经在堆顶了，这是时候我们将堆顶的元素与最后一个元素进行位置互换，然后将n-1的数据在进行建堆操作，重复上述步骤，直到数据全部排序完成，这就是堆排序的过程。

public void sort(int[] a, int n) {
    buildHeap(a, n);
    int k = n;
    while (k > 1) {
        swap(a, 1, k);
        --k;
        heapify(a, k, 1);
    }
}

四、堆的应用场景

1. 实现优先级队列：普通的队列是满足先进先出的特性，但是优先级队列是优先级高的先出队列，一个堆就可以看做是一个优先级队列，往优先级队列中插入一个元素，就相当于往堆中插入一个元素；而从队列中取出优先级高的队列，就相当于从堆顶删除一个元素
2. 利用堆求解Top K：我们可以维护一个K大小的小顶堆，然后顺序遍历数组，与堆顶进行比较，当大于堆顶数据时，就替换堆顶元素，然后重新堆化，这样重复步骤，遍历数据的时间复杂度为O（n），一次堆化需要的时间复杂度为O（logK），总的时间复杂度为O（nlogK）
3. 用堆求中位数：这时候我们需要手动维护两个堆，一个大顶堆，一个小顶堆，如果一个新加入的元素小于大堆顶，就将其插入到大堆顶中，否则就插入到小堆顶中，当两个堆中的数据不相等时，我们就需要从一个堆中的数据插入到另一个堆中。