本篇会加入个人的所谓鱼式疯言

❤️❤️❤️鱼式疯言:❤️❤️❤️此疯言非彼疯言

而是理解过并总结出来通俗易懂的大白话,

小编会尽可能的在每个概念后插入鱼式疯言,帮助大家理解的.

🤭🤭🤭可能说的不是那么严谨.但小编初心是能让更多人能接受我们这个概念 ！！！

我们深知，在这个多元化的时代，每个人的兴趣与偏好都独一无二。

因此，我们精心挑选了各类题材，从深邃的宇宙奥秘到细腻的日常生活琐事，从古老的文明遗迹到未来的科技幻想，力求满足每一位读者的好奇心与求知欲。

我们相信，每一个有趣的灵魂都能在这里找到属于自己的那片天空，与作者进行跨越时空的对话，享受阅读带来的纯粹快乐。

前言

提及优先级队列，就会 回忆起我们之前学习过的队列

并且我们提及过 队列 ，队列是一种 先入先出 的数据结构， 但是不能考虑数据本身优先级的高低，那该怎么办呢？

在上篇文章中我们主要讲解了传说中 <code>地狱级别难 其实 也没有那么难 的的二叉树， 而在本篇中也是讲解和二叉树相同的 树状的结构 的 优先级队列，我们也称之为 堆 的一种 数据结构 。

提及难度的话，小伙伴这点可以放心， 当然是不及 二叉树 的 💖 💖 💖 💖

关于 堆 的定义和特性，如何创建 堆 并通过调整维护好这个 堆 的各种方法，小编都会在本篇文章中重点讲解。

目录

堆的初识

堆的调整

堆的数据插入和删除

堆实现优先级队列

一. 堆的初识

是否有以一种 数据结构 是可以考虑优先级的，就是说当我们需要对某个数据或某个事务进行考虑，就可以做到优先执行

比如当小伙伴打游戏时，把优先级设置为最大的，如果有电话过来，就会优先选择电话接听的提示

、

比如小伙伴正在上课， 不想有消息发过来，就会把消息通知设置为优先级最小的， 这样即使有消息发送过来，也不会受到提示消息。

那么就是它了 ， 我们的 优先级队列（堆） 就可以在我们的根节点表示优先级最大或最小的，就可以进行优先级最大或最小的数据的管理。

1. 堆的简介

<1>. 概念

像上面这种能够有 优先级特性 的，并且 返回 优先级对象 ，并且能够 插入新对象 的我们称之为 优先级队列（堆） 。

2. 存储方式

在我们上一篇二叉树的学习当中，二叉树存储是用链式结构

堆的存储方式是顺序结构，也就是说它这些有着优先级的数据是存储在一个一位数组中的。

存储方式有了，我们就需要根据父节点和子节点之间的关系来接替的进行遍历。

具体关系

假设 i 的起始下标为 0

当 i 为子节点 且 <code>i 不为 0 时，我们可以确定 父节点 为 （i - 1）/ 2

当 i 为子节点且 2 * i + 1 不超过最大节点数的下标， 2 * i + 1 为 左子节点

当 i 为子节点且 2 * i + 2 不超过最大节点数 的下标， 2 * i + 2 为 右子节点

鱼式疯言

JDK1.8 的源码中就有 PriorityQueue 这个类为优先级队列，

3. 堆的特性

根节点大于或小于子节点

是一颗完全二叉树

1） 根节点大于或小于子节点

我们必须明确的是，只有 根节点 都小于或大于其两边的 子节点 （两边的叶子节点都存在时）

才能实现我们的 优先级对象的返回 。

2) 一颗完全二叉树

上面我们提及堆自身的存储是顺序结构存储的， 所以我们就要构造一颗完全二叉树来管理我们的堆

什么居然有小伙伴们不知道完全二叉树是什么？

完全二叉树学习链接

如果不是一颗完全二叉树时，就会出现在一维数组中 有部分为null 的情况

就会出现如下情况 🦊🦊🦊🦊

鱼式疯言

解释

这里我们指的 <code>完全二叉树 说的不是我们上篇学习过的二叉树， 而是一种 树型结构 哦，小伙伴们一定要搞清楚。

所以上图告诉 小伙伴们

对于 非完全二叉树 来说

因为是 从上往下, 从左往右 存储在 一维数组 中的，就会出现数据分布比较散乱， 既不好集中管理 ，也会 浪费空间 。

所以我们的顺序存储的 堆 就必须严格保证是 完全二叉树

二. 堆的调整

对于堆本身来说，要符合他优先级大或者小的特性，我们就需要通过一些方法来实现。

常用的有两种方法

向下调整

向上调整

1 . 向下调整

对于向下调整的规则

以 小根堆 为例

找出左节点和右节点 两者较小的节点 （如果都<code>存在 的话，不可能只出现右节点，所有只会出现左节点，并且左节点就为最小的 ）

如果 父节点 比 子节点 中较小的那个 还小 就成立

否则就讲父节点和 较小节点 进行交换

向下调整，讲父节点修改为之前 较小子节点 的位置（child的位置） ，子节点向下走到该子节点的位置 （2*child+1的位置） 再循环进行 比对和调整。

终止条件

父节点都要比当前 左右子节点都小

遍历完 所有 的 非叶子节点

2. 向上调整

对于向上调整，整体的思路和向上调整差不多

还是以小根堆为例

找出左节点和右节点 两者较小的节点 （如果都<code>存在 的话，不可能只出现右节点，所有只会出现左节点，并且左节点就为最小的 ）

如果 父节点 比 子节点 中较小的那个 还小 就成立

否则就讲父节点和 较小节点 进行交换

主要区别：

3. 让子节点成为旧父节点， 让旧父节点修改成自身的父节点 （2*parent+1） 。

终止条件

父节点都小于左右子节的值

父节点 < 0

三. 堆的数据插入和删除

我们清楚在队列中我们就有增添(插入)数据， 删除数据。

而我们的堆同时也有 相同的功能 。

1. 数据的插入

<1>. 原理剖析

堆的数据插入必然是在一维数组的最后一位进行插入

那么问题来咯，如果我们插入之后，会不会影响堆的优先级呢，答案是肯定的

所以当我们插入一个数据后，就需要调整，那么我们上面学习过两种调整的方法，该适用于哪一种呢？

相比聪明的小伙伴已经想到了，当然是我们的 向上调整 ，原因很简单

我们是在最后插入的，当我们需要数据的 <code>大小足够大 时，就需要不断的向上调整 ，找到该数组在 完全二叉树中 所处的位置。

<2>. 代码展示

/**

* 入队：仍然要保持是大根堆

* @param val

* 先插入到堆尾

* 利用向上调整为大根堆

*/

public void push(int val) {

if (isFull()) {

elem= Arrays.copyOf(elem,2*elem.length);

}

elem[usedSize]=val;

usedSize++;

int child= usedSize-1;

shiftUp(child);

}

/**

* 想上调整为

* @param child 孩子节点

* 向上调整

* 时间复杂度为 o(N*log(N))

*/

private void shiftUp(int child) {

int parent=(child-1)/2;

while (parent >= 0 && elem[child] > elem[parent]) {

swapElem(elem,parent,child);

child=parent;

parent=(parent-1)/2;

}

}

public boolean isFull() {

return usedSize==elem.length;

}

2. 数据的删除

优先级队列的数据删除，是一种比较巧妙的方式

<1>. 原理剖析

我们既要做到堆顶元素的删除 ，也要保证元素的 <code>个数减少

联想我们学习 顺序表 时，删除最后一个元素只需要把数组 大小-1 即可

那么我们删除堆中的数据，不妨就可以先把 最后一个元素 和 堆顶的第一个元素 进行 交换 ，然后再利用顺序表中的 删除方式 来进行 元素的删除 。

当我们 删除完最后一个元素 也就是堆顶元素时，我们的优先级是不是也发生了改变， 答案也是肯定的

那么我们只需要把最开始我们换到 堆 的那个元素，进行 向下调整 即可，根据 元素大小 的 向下调整 到处在符合条件的优先级位置。

<2>. 代码展示

/**

* 出队【删除】：每次删除的都是优先级高的元素

* 仍然要保持是大根堆

*/

public int pollHeap() {

if (isEmpty()) {

return -1;

}

int ret=elem[0];

swapElem(elem,0,usedSize-1);

usedSize--;

shiftDown(0,usedSize);

return ret;

}

public boolean isEmpty() {

return usedSize==0;

}

四. 堆实现优先级队列

上面对于堆的核心分析

小编认为已经差不多了，下面该是小伙伴们自己 动手实践 的过程了

代码就贴在这里了，小伙们自取哦 💖 💖 💖 💖

1. 代码展示

<code>package PriorityQueue;

import java.util.Arrays;

/**

* Created with IntelliJ IDEA.

* Description:

* User:周次煜

* Date: 2024-04-13

* Time：13:39

*/

public class MyPriorityQueue {

public int[] elem;

public int usedSize;

private static final int FAULTMAXSIZE=10;

public MyPriorityQueue() {

elem=new int[FAULTMAXSIZE];

}

/**

* 建堆的时间复杂度：

*

* @param array

*/

public void createHeap(int[] array) {

usedSize=array.length;

// 初始化堆

for (int i = 0; i < usedSize; i++) {

elem[i]=array[i];

}

int len= usedSize;

int pareindex=(usedSize-2)/2;

// 调整为大堆

for (int i =pareindex ; i >= 0 ; i--) {

shiftDown(i,len);

}

}

/**

*

* @param parent 是每棵子树的根节点的下标

* @param len 是每棵子树调整结束的结束条件

* 向下调整的时间复杂度：O(logn)

*/

private void shiftDown(int parent,int len) {

int child=parent*2+1;

while (child+1 <len && elem[child] > elem[parent]) {

if (elem[child] < elem[child+1]) {

child++;

}

swapElem(elem,child,parent);

parent=child;

child=child*2+1;

}

}

private void swapElem(int []array,int begin,int end ) {

int tmp=array[begin];

array[begin]=array[end];

array[end]=tmp;

}

/**

* 入队：仍然要保持是大根堆

* @param val

* 先插入到堆尾

* 利用向上调整为大根堆

*/

public void push(int val) {

if (isFull()) {

elem= Arrays.copyOf(elem,2*elem.length);

}

elem[usedSize]=val;

usedSize++;

int child= usedSize-1;

shiftUp(child);

}

/**

* 想上调整为

* @param child 孩子节点

* 向上调整

* 时间复杂度为 o(N*log(N))

*/

private void shiftUp(int child) {

int parent=(child-1)/2;

while (parent >= 0 && elem[child] > elem[parent]) {

swapElem(elem,parent,child);

child=parent;

parent=(parent-1)/2;

}

}

public boolean isFull() {

return usedSize==elem.length;

}

/**

* 出队【删除】：每次删除的都是优先级高的元素

* 仍然要保持是大根堆

*/

public int pollHeap() {

if (isEmpty()) {

return -1;

}

int ret=elem[0];

swapElem(elem,0,usedSize-1);

usedSize--;

shiftDown(0,usedSize);

return ret;

}

public boolean isEmpty() {

return usedSize==0;

}

/**

* 获取堆顶元素

* @return 返回该对顶第一个元素

*/

public int peekHeap() {

if (isEmpty()) {

return -1;

}

return elem[0];

}

public int size() {

return usedSize;

}

}

public class TestPriorityQueue {

public static void main(String[] args) {

int[] array = { 2, 4, 5, 8, 9, 10, 11};

MyPriorityQueue mpq = new MyPriorityQueue();

mpq.createHeap(array);

mpq.push(18);

mpq.push(19);

System.out.println("======抛出堆顶元素=======");

System.out.println(mpq.pollHeap());

System.out.println(mpq.pollHeap());

System.out.println("========查看堆顶元素=======");

System.out.println(mpq.peekHeap());

System.out.println(mpq.peekHeap());

System.out.println(mpq.peekHeap());

}

}

鱼式疯言

向上面不仅介绍了直接对 原数组 进行 <code>建堆的方式

public void createHeap(int[] array) {

usedSize=array.length;

// 初始化堆

for (int i = 0; i < usedSize; i++) {

elem[i]=array[i];

}

int len= usedSize;

int pareindex=(usedSize-2)/2;

// 调整为大堆

for (int i =pareindex ; i >= 0 ; i--) {

shiftDown(i,len);

}

}

这个的 时间复杂度 为 O( N )

而直接插入的时间复杂度为 O(N*log(N))

public void push(int val) {

if (isFull()) {

elem= Arrays.copyOf(elem,2*elem.length);

}

elem[usedSize]=val;

usedSize++;

int child= usedSize-1;

shiftUp(child);

}

综上所得，建堆的时间复杂度 是 优于 我们的一个一个 插入的时间复杂度 的。

总结

堆的初识： 我们认识到了堆本质上一中有着优先级的， 并且融合了完全二叉树和队列的特性，用顺序存储， 一种特殊的树状结构。

堆的调整： 向上调整和向下调整各种细节和调整顺序

堆的数据插入和删除： 对于插入的场景我们一般用向上调整，对于删除场景， 我们一般向下调整。

堆实现优先级队列 ： 从大局中我们用堆实现了优先级队列， 并且从时间复杂度的角度来看，建堆比堆中插入元素更高效。

如果觉得小编写的还不错的咱可支持 三连 下 (定有回访哦) , 不妥当的咱请评论区 指正

希望我的文章能给各位宝子们带来哪怕一点点的收获就是 小编创作 的最大 动力 💖 💖 💖