数据结构与算法_09_堆

数据结构与算法，系列文章传送地址，请点击本链接。

目录

一、如何理解“堆”？

二、如何实现一个堆？

1、堆的存储

2、堆的操作--往堆中插入一个元素

3、堆的操作--删除堆顶元素

4、堆化时间复杂度

---

一、如何理解“堆”？

堆是一种特殊的树，需要满足如下两点要求：

1、堆是一个完全二叉树；（完全二叉树要求，除了最后一层，其他层的节点个数都是满的，最后一层的节点都靠左排列。）

2、堆中每一个节点的值都必须大于等于（或小于等于）其子树中每个节点的值。（堆中每个节点的值都大于等于（或者小于等于）其左右子节点的值）

对于每个节点的值都大于等于子树中每个节点值的堆，我们叫做“大顶堆”。对于每个节点的值都小于等于子树中每个节点值的堆，我们叫做“小顶堆”。

举例：其中第 1 个和第 2 个是大顶堆，第 3 个是小顶堆，第 4 个不是堆

二、如何实现一个堆？

1、堆的存储

完全二叉树比较适合用数组来存储。用数组来存储完全二叉树是非常节省存储空间的。因为我们不需要存储左右子节点的指针，单纯地通过数组的下标，就可以找到一个节点的左右子节点和父节点。

数组中下标为 i 的节点的左子节点，就是下标为 i∗2 的节点，右子节点就是下标为 i∗2+1 的节点，父节点就是下标为 2i 的节点。

2、堆的操作--往堆中插入一个元素

往堆中插入一个元素后，我们需要继续满足堆的两个特性。如果直接插入是不满足要求的，如图，我们需要进行调整，调整的过程我们成为堆化。堆化分为：从下往上和从上往下。

堆化非常简单，就是顺着节点所在的路径，向上或者向下，对比，然后交换。如图：

代码：

public class Heap {   private int[] a; // 数组，从下标1开始存储数据   private int n;  // 堆可以存储的最大数据个数   private int count; // 堆中已经存储的数据个数   public Heap(int capacity) {     a = new int[capacity + 1];     n = capacity;     count = 0;   }   public void insert(int data) {     if (count >= n) return; // 堆满了     ++count;     a[count] = data;     int i = count;     while (i/2 > 0 && a[i] > a[i/2]) { // 自下往上堆化       swap(a, i, i/2); // swap()函数作用：交换下标为i和i/2的两个元素       i = i/2;     }   }  }

3、堆的操作--删除堆顶元素

从堆的定义的第二条中，任何节点的值都大于等于（或小于等于）子树节点的值，我们可以发现，堆顶元素存储的就是堆中数据的最大值或者最小值。

假设我们构造的是大顶堆，堆顶元素就是最大的元素。当我们删除堆顶元素之后，就需要把第二大的元素放到堆顶，那第二大元素肯定会出现在左右子节点中。然后我们再迭代地删除第二大节点，以此类推，直到叶子节点被删除。不过这种方法有点问题，就是最后堆化出来的堆并不满足完全二叉树的特性。会出现空洞，示例如下：

实际上，我们稍微改变一下思路，就可以解决这个问题。你看我画的下面这幅图。我们把最后一个节点放到堆顶，然后利用同样的父子节点对比方法。对于不满足父子节点大小关系的，互换两个节点，并且重复进行这个过程，直到父子节点之间满足大小关系为止。这就是从上往下的堆化方法。

因为我们移除的是数组中的最后一个元素，而在堆化的过程中，都是交换操作，不会出现数组中的“空洞”，所以这种方法堆化之后的结果，肯定满足完全二叉树的特性

代码：

public void removeMax() {   if (count == 0) return -1; // 堆中没有数据   a[1] = a[count];   --count;   heapify(a, count, 1); } private void heapify(int[] a, int n, int i) { // 自上往下堆化   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, i, maxPos);     i = maxPos;   } }

4、堆化时间复杂度

一个包含 n 个节点的完全二叉树，树的高度不会超过 log2n。堆化的过程是顺着节点所在路径比较交换的，所以堆化的时间复杂度跟树的高度成正比，也就是 O(logn)。插入数据和删除堆顶元素的主要逻辑就是堆化，所以，往堆中插入一个元素和删除堆顶元素的时间复杂度都是 O(logn)。

声明：文章内容是极客时间专栏学习的学习笔记，会做简化或调整，欢迎大家留言和评论。

数据结构与算法，系列文章传送地址，请点击本链接。https://blog.csdn.net/wanghaiping1993/article/details/125092448