优先队列（堆）

    本文将概括性描述优先队列ADT，只对基本的堆数据结构做简要总结，不涉及左式堆，d-堆，斜堆，二项队列等高级数据结构。（算法入门级的总结，欢迎批评指正，根据《数据结构与算法（JAVA语言描述）》一书总结）

   优先队列

1.模型

优先队列是至少支持两种操作的数据结构：insert 与 deleteMin。前者等价于队列中的入队，后者等价于出队。

此模型在贪婪算法与外部排序中有较多应用。

2.二叉堆

二叉堆是优先队列的普遍实现。

堆的两个性质：结构性和堆序性。

结构性：堆是一棵被完全填满的二叉树，底层可能是例外，从左到右插入。（完全二叉树）

一棵高为h的完全二叉树有2^h到2^(h+1) - 1个节点，即完全二叉树的高是小于logN的最大整数。

因为完全二叉树的规律性，所以他可以用数组代替链来表示。数组是对二叉树广度优先遍历的结果（数组从角标1开始存值，留下0为空位方便其他操作使用）。

堆序性：即让操作快速执行的性质，即任一节点应该小于它的所有后裔。在一个堆中，对于每一个节点X，X的父亲中的关键字小于或等于X中的关键字，根节点除外。由于此性质findMin的操作花费为O（1）。

3.基本堆操作

首先所有的工作都必须满足堆序性质。

1.insert插入

    为插入一个新元素X，我们可以在下一个可使用位置创建空穴（保证该堆为完全树，即结构性），如果X可以放在该空穴中而不破坏堆序性，那么插入完成，否则就将该堆父节点的元素移入该空穴中（即空穴深度减一）继续上述判断过程直到X放入空穴中不破坏堆序性质为止。这种操作一般称之为上滤。

上滤方法代码如下

public void insert(AnyType x)
{
    //判断是否到达数组容量上限
    if(currentSize == array.length - 1)
        enlargeArray(array.length - 1);
    //上滤操作
    int hole = ++currentSize;
   for(array[0] = x;x.compareTo(array[hole/2]) < 0;hole /= 2)
    //将父节点放在空穴处，空穴上移
      array[hole] = array[hole/2];
    array[hole] = x;
}

其实如果直接将X放入空穴反复执行与父节点的插入操作也可以完成上滤操作，可是上滤一层需要交换3次。而这里的方法只需要1次，最后再加一次赋值操作即可。至于对array[0]的赋值操作是为了保证循环的终止，假设新插入元素一直为最小值，则会被上滤到根处，这样compareTo的比较结果为0，可退出循环且此时hole值应为1.

    insert操作的最坏运行时间为O（logn）平均时间花费为O（1）；

2.deleteMin（删除最小元）

    其方法与插入操作有相似之处，因为要去除一个元素，所以我们现将堆中的最后一个元素X删除并记录它的值。然后在根节点处建立空穴，如果最后一个元素X可以放入空穴则deleteMin操作完成，否则比较他的两个儿子的大小，将小的儿子放到根节点处，重复这一过程直到X可以放入空穴或空穴被放入最后一层。然后将记录的值填入空穴完成deleteMin操作。

    注意：在比较两个儿子大小时要确保两个儿子的存在，需要通过附加测试来确定是否存在一个或两个儿子。这种测试只会在倒数第二层生效。（因为完全二叉树的特性）。代码省略。

deleteMin操作的最坏运行时间为O（logn）因为来自底层的元素X几乎都被过滤到底层，所以平均运行时间为O（logn）。

4.其他的堆操作

descreaseKey（降低关键字的值）

descreaseKey（p，x）操作降低在位置p处的值，幅度为x，上滤进行调整。

管理员可以通过此方法使他们的程序优先运行

increaseKey（增加关键字的值）

方法与上述增加方法作用相反，许多调度程序自动降低正在过多消耗CPU时间的进程的优先级

delete（删除）

delete（p）删除堆中位置为p的节点。该操作通过执行descreaseKey（p，无限大）然后执行deleteMin来完成。

buildHeap（构建堆）

由于insert操作平均花费O（1），buildHeap即对一个N项集合进行N次insert操作，所以buildHeap的运行时间应该为O（n）平均时间而不是O（nlogn）最坏运行时间（证明过程太过复杂，省略）。

5.优先队列的应用

1.选择问题

关于在N个元素中找出第k个最大元素的选择问题。

对于传统排序算法，该问题较为聪明的解法是：

现将k个元素读入数组并排序，这些元素的最小者在第

k个位置上，然后依次处理剩下的元素，如果大于第k个元素则将其放入数组中正确的位置并将原来的第k个元素除去。算法结束时第k个元素即为解，此方法运行时间为O（N*k）（N^2 - (N - K) * K）.如果k正好为N的一半则是这个问题最复杂的解答O(N^2)。（因为任意的k可以对称）。即求中位数，正好这是我们用的最频繁的一种情况。

通过buildHeap可以将此最坏运行时间降至O（NlogN）

为简单起见，我们找出第k个小的元素，我们先构建一个堆O（n）然后执行k 次deleteMin操作，每次用时O（logn）因此此算法在k比较小的情况为O（N）最坏运行时间为O（nlogn）。

对于原问题：求第k个大的元素，我们可以先构建拥有K个元素的堆S，然后执行数次insert与deleteMin操作。。。

over