学习 清华大学 尊敬的邓俊辉老师的C++数据结构与算法课程 第10章 优先级队列，本文旨在摘要和心得体会。

1 优先级队列需求

计算机系统里CPU的任务调度，$\color{red}{循优先级访问}$。

不同于队列结构的先进先出，找队列里最大值先出。

约定：优先级队列里的每个数据项目都有一个关键码key，可以进行比较大小（可依靠重载比较操作符实现），关键码越大，优先级越高。

操作接口描述：

| 操 作 接 口 | 功 能 描 述 |

-------- | -----

size() | 报告优先级队列的规模，即其中词条的总数

insert() | 将指定词条插入优先级队列

getMax() | 返回优先级最大的词条（若优先级队列非空）

delMax() |删除优先级最大的词条（若优先级队列非空）

借助无序列表、有序列表、无序向量或有序向量，都难以同时兼顾insert()和

delMax()操作的高效率。而采用一些树结构如平衡二叉搜索树BBST又有点牛刀杀鸡，需要一种轻量级的数据结构，只需要考虑最大值，无需全部排序（无需维护全序，只需要关心“偏序”），使得我们能在效率和消耗上有一个平均，能完成我们需要的ADT接口。

2 完全二叉堆

2.1 定义

何为堆？

• 堆中某个节点的值总是不大于或不小于其父节点的值；$\color{red}堆序性，最顶上是最大值的也叫大项堆，反之叫最小堆。$

• 堆总是一棵完全二叉树。$\color{red}结构性$

常见的堆有完全二叉堆。$\color{red}完全二叉堆性质：结构性与堆序性$

由于完全二叉树性质，n个词条组成的堆的高度h =$\mathbf{1} \mathbf{o} \mathbf{g}_{2} \mathbf{n}$ = O(logn)。

基于向量的紧凑表示：

2.2 getMax()

取出最顶端元素的操作即是返回向量的首单元_elem[0]。

2.3 insert() 插入与上滤

插入算法分为两个步骤：

首先将新词条接至向量末尾；

再对该词条实现上滤调整。

cpp
template <typename T> void PQ_ComplHeap<T>::insert ( T e ) { 
Vector<T>::insert ( e );  //首先将新词条接至向量末尾
percolateUp ( _size - 1 ); //再对该词条实现上滤调整

$\color{red}上滤$：将插入的新节点与其父节点比较，若大于父节点值，则进行节点交换，交换后再次将这个新插入节点与新的父节点比较；若小于父节点值，则算是完成上滤过程。若来插入的新节点来到堆顶，也算是完成了上滤过程。

整体时间复杂度：O(logn)。

$\color{red}效率改进$

代码里每次需要交换swap需要三次赋值操作，时间复杂度就是3*logn。

改进后步骤：

（1）插入新节点后，新节点数值赋值给一个副本；

（2）进行不断比较，新节点值大于父节点则需要一次赋值操作（只将父节点值往下移）；

（3）直到找到一个父节点比自身大，停止比较，将新节点数值赋值给上次的父节点。

如下图的表示，时间复杂度就是2+logn。

2.4 delMax() 删除与下滤

删除算法分为两个步骤：

对新堆顶实施下滤；

返回此前备份的最大词条。

cpp
 template <typename T> T PQ_ComplHeap<T>::delMax() { //删除非空完全二叉堆中优先级最高的词条
 T maxElem = _elem[0]; _elem[0] = _elem[ --_size ]; //删除堆顶（首词条），代之以末词条
 percolateDown ( _size, 0 ); //对新堆顶实施下滤
 return maxElem; //返回此前备份的最大词条
 }

$\color{red}下滤$：

父节点与子节点的不断的比较与交换，直到下滤完成。

2.5 heapification 建堆

给定一组无序词条，如何快速组建成堆结构？

蛮力算法（自上而下的上滤）：

从空堆开始，不断调用insert()，将词条插入。时间复杂度大。

$o(\log 1+\log 2+\ldots+\log n)=O(\log n !)=o(n \log n)$

Floyd 建堆算法（自下而上的下滤）：

依照层次遍历顺序找到最后一个子节点，不断通过下滤来合并堆（和父节点比较和交换过程）。

时间复杂度

$\sum_{i=0}^{n}\left((d-i) \cdot 2^{i}\right)=2^{d+1}-(d+2)=n-\log _{2}(n+1)=o(n)$

cpp
template <typename T> void PQ_ComplHeap<T>::heapify ( Rank n ) { //Floyd建堆算法，O(n)时间
for ( int i = LastInternal ( n ); InHeap ( n, i ); i-- ) //自底而上，依次
percolateDown ( n, i ); //下滤各内部节点
}

2.6 就地堆排序

M是堆顶元素，和堆尾元素交换，然后对x进行下滤再次将剩余部分组建成堆；重复取出堆顶元素的操作和下滤操作，直至空堆后结束。

cpp
 template <typename T> void Vector<T>::heapSort ( Rank lo, Rank hi ) { //0 <= lo < hi <= size
 PQ_ComplHeap<T> H ( _elem + lo, hi - lo ); //将待排序匙间建成一个完全二叉堆，O(n)
 while ( !H.empty() ) //反复地摘除最大元并归入已排序癿后缀，直至堆空
 _elem[--hi] = H.delMax(); //等效于堆顶不末元素对换后下滤
 }

时间复杂度O(nlogn)，空间复杂度几乎就地。但算法不稳定。

| 排序方法 | 平均时间 |最好时间 |最坏时间

-------- | -----| -----| -----

桶排序(不稳定) |O(n) |O(n) | O(n)

基数排序(稳定) |O(n) |O(n) |O(n)

归并排序(稳定) |O(nlogn) | O(nlogn) |O(nlogn)

快速排序(不稳定) | O(nlogn) |O(nlogn) | O(n^2)

堆排序(不稳定) | O(nlogn) | O(nlogn) | O(nlogn)

希尔排序(不稳定) | O(n^1.25)

冒泡排序(稳定) | O(n^2) |O(n) |O(n^2)

选择排序(不稳定) | O(n^2) |O(n^2) |O(n^2)

直接插入排序(稳定) |O(n^2) |O(n) |O(n^2)

3 左式堆

3.1 堆合并

有两个堆A和B，需要合并。

不理想的方法一：

反复取出堆B的最大词条并插入堆A中；当堆B为空时，堆A即为所需的堆H。O(mlogn)

不理想的方法二：

用Floyd 建堆算法直接将所有元素重建。O(n)

3.2 左式堆

左式堆（leftist heap）是优先级队列的另一实现方式，可高效地支持堆合并操作。

左式堆的节点的分布均偏向左侧，不再满足堆的结构性，故不再使用向量实现，而是采用二叉树。

节点x的空节点路径长度（null path length），记作npl(x)。若x为外部节点，则约定

npl(x) = npl(null) = 0。反之若x为内部节点，则npl(x)可递归地定义为：

npl(x) = 1 + min( npl(lc(x)), npl(rc(x)) )

也就是说，节点x的npl值取决于其左、右孩子npl值中的小者。

左式堆是处处满足“左倾性”的二叉堆，即任一内部节点x都满足

npl(lc(x)) >= npl(rc(x))

也就是说，就npl指标而言，任一内部节点的左孩子都不小于其右孩子。

3.3 左式堆合并算法

一言以蔽之：递归地去维护一个左倾。

3.4 左式堆 插入

等效于合并：新元素自成一个堆，原来的堆一个堆，两个堆合并。

3.5 左式堆 删除

等效于合并：删除了顶元素，剩下的两个堆合并在一起。

4 python里的heapq

https://docs.python.org/zh-cn/3/library/heapq.html

heapq实现的是最小堆。

Heaps are arrays for which a[k] <= a[2k+1] and a[k] <= a[2k+2] for all k, counting elements from 0.

python
Usage:
heap = []            # creates an empty heap
heappush(heap, item) # pushes a new item on the heap
item = heappop(heap) # pops the smallest item from the heap
item = heap[0]       # smallest item on the heap without popping it
heapify(x)           # transforms list into a heap, in-place, in linear time
item = heapreplace(heap, item) # pops and returns smallest item, and adds
                               # new item; the heap size is unchanged

接口：

python
__all__ = ['heappush', 'heappop', 'heapify', 'heapreplace', 'merge',
           'nlargest', 'nsmallest', 'heappushpop']

简单使用：

python
import heapq
import random
h = [random.randint(2,100) for i in range(10)]
print("heap is", h)
heapq.heapify(h)
print("heap is", h)
print([heapq.heappop(h) for i in range(len(h))])
print(list(heapq.merge([1,33,5,7], [0,2,4,8], [5,10,15,20], [], [25])))

5 python里的heapq 第二话

https://docs.python.org/zh-cn/3/library/heapq.html

堆是一个二叉树。

层次遍历，为每个节点编号如下。

可见，根节点root编号 i(root)=0

如果一个普通节点v的编号记作是 i(v)

那么，节点v的左孩子编号是2*i(v)+1，

节点v的右孩子编号是2*i(v)+2。

python实现的是小顶堆，满足：

heap[v] <= heap[2v+1] 和 heap[k] <= heap[2v+2]。

这个API与教材的堆算法实现有所不同，具体区别有两方面：（a）我们使用了从零开始的索引。这使得节点和其孩子节点索引之间的关系不太直观但更加适合，因为 Python 使用从零开始的索引。 （b）我们的 pop 方法返回最小的项而不是最大的项（这在教材中称为“最小堆”；而“最大堆”在教材中更为常见，因为它更适用于原地排序）。