跳转至

堆

堆(heap)是一种满足特定条件的完全二叉树,主要可分为两种类型,如下图所示。

  • 小顶堆(min heap):任意节点的值 \(\leq\) 其子节点的值。
  • 大顶堆(max heap):任意节点的值 \(\geq\) 其子节点的值。

小顶堆与大顶堆

堆作为完全二叉树的一个特例,具有以下特性。

  • 最底层节点靠左填充,其他层的节点都被填满。
  • 我们将二叉树的根节点称为“堆顶”,将底层最靠右的节点称为“堆底”。
  • 对于大顶堆(小顶堆),堆顶元素(根节点)的值是最大(最小)的。

堆的常用操作

需要指出的是,许多编程语言提供的是优先队列(priority queue),这是一种抽象的数据结构,定义为具有优先级排序的队列。

实际上,堆通常用于实现优先队列,大顶堆相当于元素按从大到小的顺序出队的优先队列。从使用角度来看,我们可以将“优先队列”和“堆”看作等价的数据结构。因此,本书对两者不做特别区分,统一称作“堆”。

堆的常用操作见下表,方法名需要根据编程语言来确定。

表   堆的操作效率

方法名 描述 时间复杂度
push() 元素入堆 \(O(\log n)\)
pop() 堆顶元素出堆 \(O(\log n)\)
peek() 访问堆顶元素(对于大 / 小顶堆分别为最大 / 小值) \(O(1)\)
size() 获取堆的元素数量 \(O(1)\)
isEmpty() 判断堆是否为空 \(O(1)\)

在实际应用中,我们可以直接使用编程语言提供的堆类(或优先队列类)。

类似于排序算法中的“从小到大排列”和“从大到小排列”,我们可以通过设置一个 flag 或修改 Comparator 实现“小顶堆”与“大顶堆”之间的转换。代码如下所示:

heap_operations
可视化运行

@tutor heap_operations_tutor

堆的实现

下文实现的是大顶堆。若要将其转换为小顶堆,只需将所有大小逻辑判断进行逆转(例如,将 \(\geq\) 替换为 \(\leq\) )。感兴趣的读者可以自行实现。

堆的存储与表示

“二叉树”章节讲过,完全二叉树非常适合用数组来表示。由于堆正是一种完全二叉树,因此我们将采用数组来存储堆。

当使用数组表示二叉树时,元素代表节点值,索引代表节点在二叉树中的位置。节点指针通过索引映射公式来实现。

如下图所示,给定索引 \(i\) ,其左子节点的索引为 \(2i + 1\) ,右子节点的索引为 \(2i + 2\) ,父节点的索引为 \((i - 1) / 2\)(向下整除)。当索引越界时,表示空节点或节点不存在。

堆的表示与存储

我们可以将索引映射公式封装成函数,方便后续使用:

[file]{my_heap}-[class]{max_heap}-[func]{parent}

访问堆顶元素

堆顶元素即为二叉树的根节点,也就是列表的首个元素:

[file]{my_heap}-[class]{max_heap}-[func]{peek}

元素入堆

给定元素 val ,我们首先将其添加到堆底。添加之后,由于 val 可能大于堆中其他元素,堆的成立条件可能已被破坏,因此需要修复从插入节点到根节点的路径上的各个节点,这个操作被称为堆化(heapify)。

考虑从入堆节点开始,从底至顶执行堆化。如下图所示,我们比较插入节点与其父节点的值,如果插入节点更大,则将它们交换。然后继续执行此操作,从底至顶修复堆中的各个节点,直至越过根节点或遇到无须交换的节点时结束。

元素入堆步骤

heap_push_step2

heap_push_step3

heap_push_step4

heap_push_step5

heap_push_step6

heap_push_step7

heap_push_step8

heap_push_step9

设节点总数为 \(n\) ,则树的高度为 \(O(\log n)\) 。由此可知,堆化操作的循环轮数最多为 \(O(\log n)\) ,元素入堆操作的时间复杂度为 \(O(\log n)\) 。代码如下所示:

[file]{my_heap}-[class]{max_heap}-[func]{sift_up}

堆顶元素出堆

堆顶元素是二叉树的根节点,即列表首元素。如果我们直接从列表中删除首元素,那么二叉树中所有节点的索引都会发生变化,这将使得后续使用堆化进行修复变得困难。为了尽量减少元素索引的变动,我们采用以下操作步骤。

  1. 交换堆顶元素与堆底元素(交换根节点与最右叶节点)。
  2. 交换完成后,将堆底从列表中删除(注意,由于已经交换,因此实际上删除的是原来的堆顶元素)。
  3. 从根节点开始,从顶至底执行堆化。

如下图所示,“从顶至底堆化”的操作方向与“从底至顶堆化”相反,我们将根节点的值与其两个子节点的值进行比较,将最大的子节点与根节点交换。然后循环执行此操作,直到越过叶节点或遇到无须交换的节点时结束。

堆顶元素出堆步骤

heap_pop_step2

heap_pop_step3

heap_pop_step4

heap_pop_step5

heap_pop_step6

heap_pop_step7

heap_pop_step8

heap_pop_step9

heap_pop_step10

与元素入堆操作相似,堆顶元素出堆操作的时间复杂度也为 \(O(\log n)\) 。代码如下所示:

[file]{my_heap}-[class]{max_heap}-[func]{sift_down}

堆的常见应用

  • 优先队列:堆通常作为实现优先队列的首选数据结构,其入队和出队操作的时间复杂度均为 \(O(\log n)\) ,而建堆操作为 \(O(n)\) ,这些操作都非常高效。
  • 堆排序:给定一组数据,我们可以用它们建立一个堆,然后不断地执行元素出堆操作,从而得到有序数据。然而,我们通常会使用一种更优雅的方式实现堆排序,详见“堆排序”章节。
  • 获取最大的 \(k\) 个元素:这是一个经典的算法问题,同时也是一种典型应用,例如选择热度前 10 的新闻作为微博热搜,选取销量前 10 的商品等。