挑战408——数据结构（17）——优先队列与二叉堆

优先队列

我们回顾之前我们学过的队列，队列中的元素按照特定的顺序进行储存，并只能先进先出。然而，在现实生活中，我们却想把元素按照一定的优先级储存起来。举个现实中的例子：

• 我们平时坐高铁，会有所谓的头等舱，二等舱，普通舱。
• 在银行排队，总会有vip客户提前办理业务

所谓优先队列（priority queue），就是把元素按照一定的优先级储存起来，而不是根据特定的顺序。因此，它与我们之前接触的基于位置的数据结构有着本质的区别。因为这里并没有所谓的特定位置（类似于数组的下标）这个概念。
假设这里存在一个优先队列P,那么优先队列P应该有下面三个基本操作：

优先级队列也有一些较少的的基本函数：

可以看到，优先队列比我们传统的队列简单多了，因为我们不用考虑元素的位置问题，也就是说我们不用去实现复杂的insert，add功能。我们要做的只是，enqueue跟dequeue操作。原理如下

二叉堆(binary heap)

那么怎么去实现这个优先级队列呢？可能第一的反应就是使用我们的链表吧，一个存储优先级一个存储我们的值，但是作为扩展，我们介绍一个更方便的结构——二叉堆.。
堆，是一种基于树的结构，它具有以下属性： 父母的优先权要高于他们的孩子。
而一般的，我们有以下两种形式的堆：小根堆（左），大根堆（右）

注意：小根堆的根一定是堆中最小的元素，而且他们的父亲一定是要小于他们的任一个儿子。大根堆中的根一定是堆中的最大的元素。且他们的父亲一定是要大于他们的任一个儿子。如下图，显然左边不是小堆右边才是（因为左边的12比11大）：

当然，如果我们再仔细观察，我们可以发现，每一个堆除了最底层，都是充满的。因此，堆是一种完全二叉树（complete binary trees）。那么什么又是完全二叉树？我们从它的命名来解释：

• 完全（complete）：除了最后一层，其他层都是满的。
• 二叉（binary）：每个父亲节点都只有两个儿子。

下图是一个堆，也是一个完全二叉树：

二叉堆的存储

那么应该如何来存储我们的二叉堆。假设我们有下面的这个二叉堆：

我们看到这个，也许我们第一反应是用一个基于节点的方式储存（因为这样确实很像）
我们看到这个，也许我们第一反应是用一个基于节点的方式储存（因为确实长得很像！）：

是的，这就是一个很正常也是最容易想到的方式。然而，科学家却发现使用基于数组的方式能更好的存储我们的二叉堆。我们把根（root），放在下标为1的位置（而不是0），这是为了我们能从数学的角度更好的理解这个原理。 如下图所示：


为什么是这样存放我们的数组呢？因为用数组表示二叉堆，使得我们确定父亲与孩子之间的问题就变成了简单的算术问题：
对于每一个位于下标为 i 的元素来说

• 它的左孩子一定在 2i 的位置
• 右孩子一定在 2i + 1 的位置
• 父亲一定在[i / 2]的位置（向上取整）

我们举例子，上面的元素12，下标为4，所以它的左孩子的下标就是 2 x 4 = 8.也就是上图的22元素。它的右孩子同理。它的父亲为 4 / 2 = 2的位置，也就是元素10。

二叉堆的基本操作

回到二叉堆的基本功能上：
现在，我们可以从堆的角度去解决这个问题：

peek（）

只需返回堆中的第一个元素即可。 显然树根的位置是固定的，算法复杂度为O（1）。

return heap[1];

enqueue(k）

在堆中插入元素。在这里假设我们要在堆中插入一个元素为9.我们应该要经过下面的一些步骤：

1. 我们先把元素插入到旧数组元素的尾部，也就是heap[heap.size() + 1]的位置。
2. 执行“冒泡”（bubble up）或“上堆”（up-heap）操作：比较添加的元素与其父亲， 如果按正确的顺序，停止操作，如果不是，交换并重复步骤2。（这一步实际上就是把插入的元素正确的放入堆中的位置）。

下面，假设在下列的堆中插入一个元素9

首先，们把新元素插入到旧数组的尾部，也就是堆中的空白位置（注意，这不是随意放入哪个空白的位置，因为我们完全可以通过下标计算父亲是谁，比如9放在数组的尾部，就是位置10，所以他应该在位置为5的节点下面。并且是左节点），也就是heap[heap.size() + 1]的位置，在这个例子中就是我们的下标10：

然后，根据堆的属性，我们找到下标为10的元素的父亲位于哪个位置。也就是计算10 / 2 = 5，也就是位于5的元素就是新插入元素的父亲，那么它符不符合小堆的要求？11 > 9 显然是不符合，所以我们把他们进行交换位置。如下面两幅图所示：


这个时候我们再对比5号位置的值与它的父亲位置的值，这个时候我们计算 5 / 2 = 2.5,可是这里并没有下标为2.5的元素，我们采取的是向下取整（其实设置为int型就会自动转换的），所以下标为2的元素10，仍然大于9，于是我们再交换，（这一步实际上是上一步的重复）：

重复上述判断，发现此时位置正确。

对于算法复杂度，我们通常都讨论的是最坏情况下的算法复杂度。而插入元素的操作，显然是个递归的过程，（这与我们之前讨论的合并排序一样）。非递归操作并不需要循环执行，我们只需要关心交换节点的操作要做多少次。显然，最差情况下，我们只需要看这颗树最多可以有多少层即可。所以，算法复杂度为O（log N）。平均复杂度为O（1）.

dequeue()

这个操作是要移除堆中的堆顶（也就是树根），那么移除之后，需要整个堆都需要重组（因为移除了堆顶后就破坏了堆的结构，需要找一个新的节点来做这个堆顶）。具体操作如下：

1. 当我们删除根的时候，我们仍然需要保留一个完全树：于是我们用最后一个元素替换根。
2. 使用下堆（down-heap）操作，寻找新符合条件的新的根：将根与它的孩子们进行比较，如果他们的顺序正确，操作停止。否则将根与两个孩子中最小的那个进行交换，然后继续重复步骤2.
3. 要时刻注意该节点是否存在孩子，如果没有孩子或者只有一个，那么就不用执行比较操作。那么如何判断呢？可以这样想，如果有该节点有右孩子，那么它的左孩子也必定存在！！（在实现的时候，可以作为递归的simple case）。

假设我们的初始堆如下：

那么移除了堆顶后，情况是这样的：

此时将最后一个元素（此时它的位置当然是在 heap[heap.size()] 处）移动到堆顶处，准备我们的down-heap操作。（注意，移动了堆顶以后，不要忘记了堆的大小是要减一的）

递归地将与它的较小的节点进行比较，如果符合要求就交换（这里指的是13和8）

如果有必要，那么我们继续保持交换，直到它再也没有更多的孩子跟它比较了，我们也就完成工作了！

至此，简单的二叉堆的基本操作就完成了，但是这有个问题。这些操作都是建立在已有堆的操作上的。但是如果给的是一堆无关的数字呢？显然我们要学会怎么建立一个二叉堆！

下次再说，如何建立二叉堆与如何完成堆排序。