C++学习记录004——C语言数据结构(下)

C/C++知识总结

`
第一章 C语言基础知识
第二章 C语言高级编程
第三章 C语言数据结构
第四章 C语言高级数据结构

---

一、图

1.1 图的相关概念

• 图的定义和术语：图是由顶点的有穷非空集合和顶点之间的边的集合组成，通常表示为：G = (V,E)，其中，G表示一个图，V是图G中顶点的集合，E是图G中边的集合。

	无向边：若顶点Vi 到Vj 的边没有方向，则称这条边为无向边，用无序偶对（Vi ，Vj）来表示。
	有向边：若从顶点Vi 到Vj的边有方向，则称这条边为有向边，也称为弧(Arc)。用有序偶对<Vi ，Vj>来表示。Vi称为弧尾(Tail)或初始点，Vj称为弧头(Head)或终端点。
	无向图: 如果图中任意两个顶点之间的边都是无向边，则称该图为无向图。
	有向图: 如果图中任意顶点之间的边都是有向边，则称该图为有向图。
	无向完全图：在无向图中，如果任意两个顶点之间都存在边，则称该图为无向完全图。含有n个顶点的无向完全图有n(n-1)/2条边。
	有向完全图：在有向图中，如果任意两个顶点之间都存在方向互为相反的两条弧，则称该图为有向完全图。含有n个顶点的有向完全图有n(n-1)条边。
	稀疏图: 有很少条边或弧的图。
	稠密图: 有很多条边或弧的图。
	权: 有时图的边或弧具有与它相关的数,这种与图的边或弧相关的数叫做权。
	网：带权的图通常称为网。
	度：顶点的度是指和该顶点关联的边的数目。
	入度：有向图中以顶点（v）为头的弧的数目，称为（v）的入度。
	出度：有向图中以顶点（v）为尾的弧的数目，称为（v）的出度。
	邻接点：对于无向图，同一边上的两个顶点称为邻接点。
	子图: 假设两个图G=(V,E)和G1=(V1,E1),如果V1⊆V且E1⊆E则G1为G的子图
	路径的长度: 路径上的边或弧的数目。
	连通图：在无向图G=(V,E)中，如果从顶点v到顶点w有路径，则称v和w是相通的。如果对图中任意两个顶点Vi和Vj 属于E，则两个顶点是连通的，则称G是连通图。
	极小连通子图：连通图的生成树是一个极小的连通子图，它含有图中全部的n个顶点，但只有足以构成一棵树的n-1条边。极小连通子图是相对于连通图来说的。

• 如果一个图有n个顶点和小于n-1条边，则是非连通图，如果它多于n-1条边，必定构成一个环，因为这条边使得它依附的那两个顶点之间有了第二条路径。不过有n-1条边并不一定是生成树。例如：图1是一个普通图，但显然不是生成树，当去掉两条构成环的边后，比如图2或图3，就满足n个顶点n-1条边且连通的定义了，它们都是一棵生成树。而图4有n-1条边但不是生成树。
• 

1.2 图的存储结构

• 图的邻接矩阵存储方式是用两个数组来表示图。
    一个一维数组存储图中顶点信息，
    一个二维数组（邻接矩阵）存储图中的边或弧的信息。
• 设图G有n个顶点，则邻接矩阵是一个n*n的方阵，定义为：
  
• 无向图的邻接矩阵：无向图的邻接矩阵是一个对称矩阵。
  
  从这个矩阵中，很容易知道图中的信息。
    （1）判断任意两顶点是否有边无边；
    （2）某个顶点的度，其实就是这个顶点vi在邻接矩阵中第i行或（第i列）的元素之和；
    （3）求顶点vi的所有邻接点就是将矩阵中第i行元素扫描一遍，arc[i][j]为1就是邻接点；
• 有向图的邻接矩阵：有向图讲究入度和出度，顶点v2的入度为2，正好是第i列各数之和。顶点v2的出度为1，即第i行的各数之和。
  
• 网的邻接矩阵：wij表示(vi,vj)上的权值。无穷大表示一个计算机允许的、大于所有边上权值的值，也就是一个不可能的极限值。
  
  
• 邻接表：对于边数相对顶点较少的图，邻接矩阵结构对存储空间极大浪费。因此，找到一种数组与链表相结合的存储方法称为邻接表。
    （1） 图中顶点用一个一维数组存储，当然，顶点也可以用单链表来存储，不过，数组可以较容易的读取顶点的信息，更加方便。
    （2） 图中每个顶点vi的所有邻接点构成一个线性表，由于邻接点的个数不定，所以，用单链表存储，无向图称为顶点vi的边表，有向图则称为顶点vi作为弧尾的出边表。
• 邻接表的数据类型定义：顶点表的各个结点由data和firstedge两个域表示，data是数据域，存储顶点的信息，firstedge是指针域，指向边表的第一个结点，即此顶点的第一个邻接点。边表结点由adjvex和next两个域组成。adjvex是邻接点域，存储某顶点的邻接点在顶点表中的下标，next则存储指向边表中下一个结点的指针。
  
• 无向图的邻接表的结构：
  
• 网的邻接表：对于带权值的网图，可以在边表结点定义中再增加一个weight的数据域，存储权值信息即可。
  

1.3 图的遍历

• 深度优先遍历：简称DFS，就像是一棵树的前序遍历。从图中某个结点v出发，访问此顶点，然后从v的未被访问的邻接点出发深度优先遍历图，直至图中所有和v有路径相通的顶点都被访问到。若图中尚有顶点未被访问，则另选图中一个未曾被访问的顶点作起始点，重复上述过程，直至图中的所有顶点都被访问到为止。
• 深度优先搜索是通过栈来实现的。下图中的数字显示了深度优先搜索顶点被访问的顺序。
  
• 实现深度优先搜索：
    重建一个数组和vertex顶点数组形成对应关系，标记该顶点是否被访问过。
    取一个没访问的顶点入栈，并且标记为访问，开始遍历。
    取栈顶元素邻接点，入栈，标记访问。
    没有邻接点了栈顶出栈，找新的栈顶元素邻接点入栈，标记访问。
• 广度优先遍历：简称BFS，类似于树的层序遍历。在深度优先搜索中，算法表现得好像要尽快地远离起始点似的。相反，在广度优先搜索中，算法好像要尽可能地靠近起始点。它首先访问起始顶点的所有邻接点，然后再访问较远的区域。
• 广度优先遍历用队列来实现的。下面图中的数字显示了广度优先搜索顶点被访问的顺序。
  
• 实现广度优先搜索：
    访问下一个未来访问的邻接点，这个顶点必须是当前顶点的邻接点，标记它，并把它插入到队列中。
    如果因为已经没有未访问顶点而不能执行规则1时，那么从队列头取一个顶点，并使其成为当前顶点。
    如果因为队列为空而不能执行规则2，则搜索结束。

1.4 最小生成树

• 生成树：一个连通图的生成树是它的极小连通子图，在n个顶点的情形下，有n-1条边。生成树是对连通图而言的，是连同图的极小连通子图，包含图中的所有顶点，有且仅有n-1条边。
• 最小生成树：在图论中，常常将树定义为一个无回路连通图。对于一个带权的无向连通图，其每个生成树所有边上的权值之和可能不同，我们把所有边上权值之和最小的生成树称为图的最小生成树。造价最优问题就是一个最小生成树问题。
• 普里姆（Prim）算法：设G=(V, E)是具有n个顶点的连通网，T=(U, TE)是G的最小生成树，T的初始状态为U={u0}（u0∈V），TE={}，重复执行下述操作：在所有u∈U，v∈V-U的边中找一条代价最小的边(u, v)并入集合TE，同时v并入U，直至U=V。即：
    从连通网络 G = { V, E }中的某一顶点 u0 出发，选择与它关联的具有最小权值的边(u0, v)，将其顶点加入到生成树的顶点集合U中。
    以后每一步从一个顶点在U中，而另一个顶点不在U中的各条边中选择权值最小的边(u, v),把它的顶点加入到集合U中。如此继续下去，直到网络中的所有顶点都加入到生成树顶点集合U中为止。
  此时，TE中必有n-1条边，T=(V，TE)为G的最小生成树。Prim算法的核心:始终保持TE中的边集构成一棵生成树。
  
• 克鲁斯卡尔（Kruskal）算法：设无向连通网为G＝(V, E)，令G的最小生成树为T＝(U, TE)，其初态为U＝V，TE＝{ }，然后，按照边的权值由小到大的顺序，考察G的边集E中的各条边。若被考察的边的两个顶点属于T的两个不同的连通分量，则将此边作为最小生成树的边加入到T中，同时把两个连通分量连接为一个连通分量；若被考察边的两个顶点属于同一个连通分量，则舍去此边，以免造成回路，如此下去，当T中的连通分量个数为1时，此连通分量便为G的一棵最小生成树。
  
• prim算法适合稠密图，其时间复杂度为O(n2)，其时间复杂度与边得数目无关，而kruskal算法的时间复杂度为O(nlogn)跟边的数目有关，适合稀疏图。

1.5 最短路径

• 最短路径：从图中某一顶点（源点）到达另一顶点（终点）找到一条路径，沿此路径上各边的权值总和（称为路径长度）达到最小。
• 单源最短路径：已知有向带权图(简称有向网)G=(V，E)，找出从某个源点s∈V到V中其余各顶点的最短路径。
• 最短路径的最优子结构性质：如果P(i,j)={Vi…Vk…Vs…Vj}是从顶点i到j的最短路径，k和s是这条路径上的一个中间顶点，那么P(k,s)必定是从k到s的最短路径。反证法证明。
• 迪杰斯特拉(Dijkstra)算法：由上述性质，Dijkstra就提出了以最短路径长度递增，逐次生成最短路径的算法。譬如对于源顶点V0，首先选择其直接相邻的顶点中长度最短的顶点Vi，那么当前已知可得从V0到达Vj顶点的最短距离dist[j]=min{dist[j],dist[i]+matrix[i][j]}。根据这种思路，假设存在G=<V,E>，源顶点为V0，U={V0},dist[i]记录V0到i的最短距离，path[i]记录从V0到i路径上的i前面的一个顶点：
    从V-U中选择使dist[i]值最小的顶点i，将i加入到U中；
    更新与i直接相邻顶点的dist值。(dist[j]=min{dist[j],dist[i]+matrix[i][j]})
    直到U=V，停止。
• 在下面图中找出 A 城到 D 城最近的一条公路。注：在带权图中求最短路径问题，此时路径的长度不是路径上边的数目，而是路径上的边所带权值的总和。
  
• 分析：可看出A到D的最短路径ABED，倒推出最短路径，从D往回推，程序中也一样。dist[]数组：从出发点到各个点最短的距离。path[]数组：到当前点的最近的邻接点。先初始化所有数据，开始进入循环，遍历所有点的关系，更新最小点。
• Prim算法和Dijkstra算法的异同：
    Prim是计算最小生成树的算法，比如为N个村庄修路，怎么修花销最少。Dijkstra是计算最短路径的算法，比如从a村庄走到其他任意村庄的距离。
    Prim算法中有一个统计总len的变量，每次都要把到下一点的距离加到len中；Dijkstra算法中却没有，只需要把到下一点的距离加到cls数组中即可。
    Prim算法的更新操作更新的low是已访问集合到未访问集合中各点的距离。Dijkstra算法的更新操作更新的dist是源点到未访问集合中各点的距离，已经访问过的相当于已经找到源点到它的最短距离了。

二、查找

2.1 二叉排序树

• 二叉排序树又称二叉查找(搜索)树：它是一颗空树，或者是满足如下性质的二叉树：
    ①若它的左子树非空，则左子树上所有结点的值均小于等于根结点的值；
    ②若它的右子树非空，则右子树上所有结点的值均大于等于根结点的值；
    ③左、右子树本身又各是一棵二叉排序树。
• 二叉排序树特点：二叉排序树中任一结点x，其左(右)子树中任一结点y(若存在)的关键字必小(大)于x的关键字。各结点关键字是惟一的。 按中序遍历该树所得到的中序序列是一个递增有序序列。
• 下图所示两棵树均是二叉排序树,他们的中序序列均为有序序列:2,3,4,5,6,7,8
  
• 二叉排序树操作：一个无序序列可以通过构造一棵二叉排序树变成一个有序序列，构造树的过程即是对无序序列进行排序的过程。每次插入的新的结点都是二叉排序树上新的叶子结点，在进行插入操作时，不必移动其它结点，只需改动某个结点的指针，由空变为非空即可。
• 搜索、插入、删除的时间复杂度等于树高，期望O(logn)，最坏O(n)（数列有序，树退化成线性表，如右斜树）。虽然二叉排序树的最坏效率是O(n)，但它支持动态查找，且有很多改进版的二叉排序树可以使树高为O(logn)，如AVL、红黑树等。
• 插入算法：

	若二叉排序树T为空，则为待插入的关键字key申请一个新结点，并令其为根；
	若二叉排序树T不为空，则将key和根的关键字比较：
		若二者相等，则说明树中已有此关键字key，无须插入。
		若key<T→key，则将key插入根的左子树中。
		若key>T→key，则将它插入根的右子树中。

  子树中的插入过程与上述的树中插入过程相同。如此进行下去，直到将key作为一个新的叶结点的关键字插入到二叉排序树中，或者直到发现树中已有此关键字为止。

• 查找算法：

	若二叉树T为空树,则搜索失败,否则:
	若查找的数x等于T根节点的数据域的值,则查找成功,否则:
	若查找的数x小于T根节点的数据域的值,则搜索左子树,否则:
	查找右子树

• 删除算法：

	1.	若p结点为叶子结点，即该节点左子树PL和右子树PR均为空树。由于删去叶子结点不破坏整棵树的结构，则只需修改其双亲结点的指针即可。
	2.	若p结点只有左子树PL或右子树PR，此时只要令PL或PR直接成为其双亲结点f的左子树（当p是左子树）或右子树（当p是右子树）即可，
	作此修改也不破坏二叉排序树的特性。
	3.  若p结点的左子树和右子树均不空。在删去p之后，为保持其它元素之间的相对位置不变，可按中序遍历保持有序进行调整。
	比较好的做法是，找到p的直接前驱（或直接后继）s，用s来替换结点p，然后再删除结点s。

• 二叉排序树性能分析：每个结点的Ci为该结点的层次数。最好的情况是二叉排序树的形态和折半查找的判定树相同，其平均查找长度和logn成正比（O(log2(n))）。最坏情况下，当先后插入的关键字有序时，构成的二叉排序树为一棵斜树，树的深度为n，其平均查找长度为(n + 1) / 2。也就是时间复杂度为O(n)，等同于顺序查找。因此，如果希望对一个集合按二叉排序树查找，最好是把它构建成一棵平衡的二叉排序树（平衡二叉树）。

2.2 平衡二叉树

• 平衡二叉树：要求对于每一个节点来说，它的左右子树的高度之差不能超过1，如果插入或者删除一个节点使得高度之差大于1，就要进行节点之间的旋转，将二叉树重新维持在一个平衡状态。这个方案很好的解决了二叉查找树退化成链表的问题，把插入，查找，删除的时间复杂度最好情况和最坏情况都维持在O(logN)。但是频繁旋转会使插入和删除牺牲掉O(logN)左右的时间，不过相对二叉查找树来说，时间上稳定了很多。
• 平衡二叉树实现的大部分过程和二叉查找树是一样的，区别就在于插入和删除之后要写一个旋转算法去维持平衡，维持平衡需要借助一个节点高度的属性。
• 满足平衡二叉树的条件：一棵空树是平衡二叉树；若 T 是一棵非空二叉树，其左、右子树为 TL 和 TR ，令 hl 和 hr 分别为左、右子树的深度。当且仅当TL 、 TR 都是平衡二叉树；｜ hl － hr ｜≤ 1时，则 T 是平衡二叉树。定义 hl － hr 为二叉平衡树的平衡因子 (balance factor) 。因此，平衡二叉树上所有结点的平衡因子可能是 -1，0 ，1 。若一棵二叉树上任一结点的平衡因子的绝对值都不大于 1 ，则该树是就平衡二叉树。
• 最小不平衡子树：以离插入结点最近、且平衡因子绝对值大于 1 的结点作根结点的子树。假设二叉排序树的最小不平衡子树的根结点为 A，调整该子树的规律可归纳为下列四种情况：LL型、RR型、LR型和RL型。
• LL型：新结点 X 插在 A 的左孩子的左子树里，以 B 为轴心，将 A 结点从 B 的右上方转到 B 的右下侧，使 A 成为 B 的右孩子。
• RR型：新结点 X 插在 A 的右孩子的右子树里。以 B 为轴心，将 A 结点从 B 的右上方转到 B 的右下侧，使 A 成为 B 的右孩子。
• LR型：新结点 X 插在 A 的左孩子的右子树里。分为两步进行：第一步以 X 为轴心，将 B 从 X 的左上方转到 X 的左下侧，使 B 成为 X 的左孩子， X 成为 A 的左孩子。第二步跟 LL 型一样处理 ( 应以 X 为轴心 ) 。
• RL型：新结点 X 插在 A 的左孩子的右子树里。分为两步进行：第一步以 X 为轴心，将 B 从 X 的左上方转到 X 的左下侧，使 B 成为 X 的左孩子， X 成为 A 的左孩子。第二步跟 LL 型一样处理 ( 应以 X 为轴心 ) 。

• 平衡二叉树的创建：平衡二叉树上插入节点采用递归的方式进行。递归算法如下：

	1	若该树为一空树，那么插入一个数据元素为e的新节点作为平衡二叉树的根节点，树的高度增加1。
	2	若待插入的数据元素e和平衡二叉树的根节点的关键字相等，那么就不需要进行插入操作。
	3	若待插入的元素e比平衡二叉树的根节点的关键字小，而且在平衡二叉树的左子树中也不存在和e有相同关键字的节点，则将e插入在平衡二叉树的左子树上，并且当插入之后的左子树深度增加1时，分别就下列情况处理之：
		1 平衡二叉树的根节点的平衡因子为-1（右子树的深度大于左子树的深度）：则将根节点的平衡因子更改为0，平衡二叉树的深度不变；
		2 平衡二叉树的根节点的平衡因子为0（左右子树的深度相等）：则将根节点的平衡因子修改为1，平衡二叉树的深度增加1；
		3 平衡二叉树的根节点的平衡因子为1（左子树的深度大于右子树的深度）：若平衡二叉树的左子树根节点的平衡因子为1，则需要进行单向右旋转平衡处理，并且在右旋处理后，将根节点和其右子树根节点的平衡因子更改为0，树的深度不变；
		4 若平衡二叉树的左子树根节点的平衡因子为-1，则需进行先向左，后向右的双向旋转平衡处理，并且在旋转处理之后，修改根节点和其左，右子树根节点的平衡因子，树的深度不变；
	4	若e的关键字大于平衡二叉树的根节点的关键字，而且在平衡二叉树的右子树中不存在和e有相同关键字的节点，则将e插入到平衡二叉树的右子树上，并且当插入之后的右子树深度加1时，分别就不同的情况处理之：
		1 平衡二叉树的根节点的平衡因子是1（左子树的深度大于右子树的深度）：则将根节点的平衡因子修改为0，平衡二叉树的深度不变；
		2 平衡二叉树的根节点的平衡因子是0（左右子树的深度相等）：则将根节点的平衡因子修改为-1，树的深度加1；
		3 平衡二叉树的根节点的平衡因子为-1（右子树的深度大于左子树的深度）：若平衡二叉树的右子树根节点的平衡因子为1，则需要进行两次选择，第一次先向右旋转，再向左旋转处理，并且在旋转处理之后，修改根节点和其左，右子树根节点的平衡因子，树的深度不变；
		4 若平衡二叉树的右子树根节点的平衡因子为1，则需要进行一次向左的旋转处理，并且在左旋之后，更新根节点和其左，右子树根节点的平衡因子，树的深度不变；
		

• 举例：设一组记录的关键字按以下次序进行插入： 4 、 5 、 7 ， 2 、 1 、 3 、 6 ，创建平衡二叉树。
  
• 红黑树：红黑树，一种二叉查找树，但在每个结点上增加一个存储位表示结点的颜色，可以是Red或Black。通过对任何一条从根到叶子的路径上各个结点着色方式的限制，红黑树确保没有一条路径会比其他路径长出俩倍，因而是接近平衡的。
• 红黑树的性质：红黑树上每个结点内含五个域，color，key，left，right，parent。如果相应的指针域没有，则设为NULL。只有满足以下全部性质的树，我们才称之为红黑树：
    1 每个结点要么是红的，要么是黑的。
    2 根结点是黑的。
    3 每个叶结点，即空结点（NULL）是黑的。
    4 如果一个结点是红的，那么它的俩个儿子都是黑的。
    5 从根到叶节点的每条路径,必须包含相同数目的黑色节点。
• 红黑树操作：当我们在对红黑树进行插入和删除等操作时，对树做了修改，那么可能会违背红黑树的性质。为了保持红黑树的性质，我们可以通过对树进行旋转，即修改树种某些结点的颜色及指针结构，以达到对红黑树进行插入、删除结点等操作时，红黑树依然能保持它特有的性质。

三、排序

• 排序的稳定性：如果在序列中有两个数据元素r[i]和r[j]，它们的关键字k[i] == k [j]，且在排序之前，对象r[i]排在r[j]前面。如果在排序之后，对象r[i]仍在r[j]前面，则称这个排序方法是稳定的，否则称这个排序方法是不稳定的。
• 排序的时间性能是区分排序算法好坏的主要因素。
• 选择排序：每一次从待排序的数据元素中选出最小（或最大）的一个元素，存放在序列的起始位置，直到全部待排序的数据元素排完。是不稳定的排序方法。
• 冒泡排序：设数组长度为N。比较相邻的前后两个数据，如果前面数据大于后面的数据，就将二个数据交换。这样对数组的第0个数据到N-1个数据进行一次遍历后，最大的一个数据就“升”到数组第N-1个位置。N=N-1，如果N不为0就重复前面二步，否则排序完成。冒泡排序是一种效率低下的排序方法，在数据规模很小时，可以采用。可以对冒泡进行优化，添加flag作为标记，记录序列是否已经有序，减少循环次数。是一种稳定的排序算法。
• 插入排序：每一次从无序序列中拿出一个数据，将它放到已排序的序序列的正确位置，如此重复，直到所有的无序序列中的数据都找到了正确位置。设数组为a[0…n-1]。 初始时，a[0]自成1个有序区，无序区为a[1…n-1]。令i=1；将a[i]并入当前的有序区a[0…i-1]中形成a[0…i]的有序区间；i++并重复第二步直到i==n-1。排序完成。它是一种稳定的排序算法，对局部有序的数据具有较高的效率。
• 希尔排序：希尔排序的实质就是分组插入排序，又称缩小增量排序。先将整个待排元素序列分割成若干个子序列（由相隔某个“增量”的元素组成的）分别进行直接插入排序，然后依次缩减增量再进行排序，待整个序列中的元素基本有序（增量足够小）时，再对全体元素进行一次直接插入排序。因为直接插入排序在元素基本有序的情况下（接近最好情况），效率是很高的，因此希尔排序在时间效率上比前三种方法有较大提高。是不稳定的排序算法。
• 快速排序：一种划分交换排序。它采用了一种分治的策略，通常称其为分治法(Divide-and-ConquerMethod)。先从数列中取出一个数作为基准数（枢轴）。分区过程将比这个数大的数全放到它的右边，小于或等于它的数全放到它的左边。再对左右区间重复第二步，直到各区间只有一个数。是一种不稳定的排序算法。
• 归并排序：采用分治法，基本思路就是将数组分成二组A，B，如果这二组组内的数据都是有序的，那么就可以很方便的将这二组数据进行排序。如何让这二组组内数据有序了？可以将A，B组各自再分成二组。依次类推，当分出来的小组只有一个数据时，可以认为这个小组组内已经达到了有序，然后再合并相邻的二个小组就可以了。这样通过先递归的分解数列，再合并数列就完成了归并排序。是一种稳定的排序算法。如何合并两个有序序列？只要从比较二个数列的第一个数，谁小就先取谁，取了后就在对应数列中删除这个数。然后再进行比较，如果有数列为空，那直接将另一个数列的数据依次取出即可。
• 堆排序：二叉堆是完全二叉树或者是近似完全二叉树。满足二个特性：
    1 父结点的键值总是大于或等于（小于或等于）任何一个子节点的键值。
    2 每个结点的左子树和右子树都是一个二叉堆（都是最大堆或最小堆）。
    当父结点的键值总是大于或等于任何一个子节点的键值时为最大堆。当父结点的键值总是小于或等于任何一个子节点的键值时为最小堆。
• 一般都用数组来表示堆，从数组的1号位置开始存储树的根节点,i结点的父结点下标就为i / 2。它的左右子结点下标分别为2 * i 和2 * i + 1。如第1个结点左右子结点下标分别为2和3。数组的零号位置一般空闲不用。
  
• 堆的插入（向上渗透）：每次插入都是将新数据放在数组最后。可以发现从这个新数据的父结点到根结点必然为一个有序的数列，现在的任务是将这个新数据插入到这个有序数据中——这就类似于直接插入排序中将一个数据并入到有序区间中。
• 堆的删除（向下渗透）：按定义，堆中每次都只能删除第0个数据。为了便于重建堆，实际的操作是将最后一个数据的值赋给根结点，然后再从根结点开始进行一次从上向下的调整。调整时先在左右儿子结点中找最小的，如果父结点比这个最小的子结点还小说明不需要调整了，反之将父结点和它交换后再考虑后面的结点。相当于从根结点将一个数据的“下沉”过程。

---

总结

本文章涉及代码：https://github.com/wangchengyongnevergiveup/C3_data_structure.git
笔记来源：黑马程序员C语言课程