设计动机以及基本框架
在现实应用中，我们有这样一种需求，就是选取出当前队列中优先级最高的元素，比如操作系统中的线程调度，当前线程时间片用完的时候，需要从就绪队列中选出优先级最高的线程，对于一个无序队列，我们需要遍历所有的元素，那么时间复杂度就是O（n）。研究优先级队列的目的就是找到一种数据结构和对应的算法，实现高效的动态和静态操作。这里的动态操作指的是插入和删除元素，静态操作指的是查找。需要注意的是，删除操作和查找操作都只是针对优先级最高的元素。于是我们可以给出一个优先级队列的虚基类的定义。
template <typename T> struct PQ{
virtual void insert(T)=0;//插入新元素
virtual T getMax()=0;//选取优先级最高的元素
virtual T delMax()=0;//删除优先级最高的元素
}//其实这只是一种ADT(abstract data type)，需要根据不同的应用场景具体实现，对应的效率也不相同基本实现
优先级队列只是一种概念上的范围，我们可以有多种实现方法，这里介绍几个最简单的方法，分别用向量、有序向量、BBST（balanced binary search tree，平衡二叉查找树）来实现PQ（priority queue，下面简称PQ），下表列出了插入、删除和查找优先级最高元素的时间复杂度。
| 实现类型\抽象接口 | insert() | getMax() | delMax() |
|---|---|---|---|
| 向量 | O(1) | O(n) | O(n) |
| 有序向量 | O(n) | O(1) | O(1) |
| BBST | O(logn) | O(logn) | O(logn) |
这里简单说一下为什么时间复杂度如上表所示。对于无序向量来说，插入元素很简单，直接插到末尾就行，所以是O(1),getMax和delMax都需要遍历所有元素，其中delMax在删除元素之后还要移动后续元素，可以说，delMax在最坏情况下需要做接近2n次操作，但是在近似意义下都是O(n)。对于有序向量来说，我们可以按从小到大排序，这时候插入元素在最坏情况下需要移动接近n个元素，所以是O(n),而getMax和delMax都可以直接对最后一个元素操作（按照从小到大排序，最后一个元素优先级最高），所以是O(1)。BBST比较复杂，我们知道对于BBST来说，我们是search，insert还是remove接口（BBST的三个标准接口，在实现insert，getMax和delMax时可以直接调用）的时间复杂度都是O(logn)，但是BBST本身实现起来过于复杂，而且它相对于PQ来说功能过于强大，比方说，对于insert接口来说两者功能类似，但是对于getMax和delMax来说，PQ只需要一种偏序关系，即PQ只需要对优先级最高的元素进行操作，但是BBST可以对任何元素操作。我们希望找到一种简单的数据结构，它既可以容易实现与维护，又能高效实现上述三个功能接口，下面我们介绍完全二叉堆。
完全二叉堆
完全二叉堆实际上就是在上述需求背景下产生的，事实上它同时结合了向量的形和树的神，向量的形是指它的存储结构和向量一样，树的神是指从逻辑上我们把它理解成树。一个向量如果想理解成树，事实上只有在完全二叉树的情况下才有可能，这时树是按层次遍历的顺序存在向量里的，完全二叉堆的一个重要特征是堆序性，简单来说就是父节点一定不小于子节点，因此整个堆中的最大节点就一定是根节点，所以getMax接口非常容易实现，只需要返回_elem[0]即可，时间复杂度是O(1)，接下来我们分析框架类里实现的另两种接口的实现方案和实现效率。
对于insert()，实际上是一个上滤的过程，新插入的节点首先放在向量的末尾，相当于在完全二叉树的最后一个节点，如果它有父亲节点的话，就和父亲节点比较，如果大于父亲节点就互换，然后继续和新的父亲节点比较直至小于新的父节点或者抵达根节点，下面是对应代码,首先我们先给出用完全二叉堆的类定义。
template <typename T> class PQ_ComplHead:public PQ<T>,public vector<T>{
protected: int percolateDown(int n,int i);//下滤
int percolateUp(int i);//上滤
void heapify(int n);//Floyd建堆算法
public: PQ_ComplHeap(T *A,int n)
void insert(T);
T getMax(){return _elem[0]};
T delMax();
}接下来我们来看insert接口的实现
template <typename T> void PQ_ComlHeap<T>::insert(T e){
Vector<T>::insert(e);
percolateUp(_size-1);
}
template <typename T> int PQ_ComplHeap<T>::percolateUp(int i){
while(ParentValid(i)){
int j=Parent(i);
if(_elem[i]<=_elem[j])
break;
swap(_elem[i],_elem[j]);
i=j;
}
return i;
}接下来分析删除操作，删除操作只是针对最大元素，所以只需要删除掉_elem[0]即可，问题的关键是，在删除掉_elem[0]之后如何保持堆序性。原理是：首先将最后一个节点放在根节点的位置，然后执行下滤操作。无论是上滤操作还是下滤操作，虽然不是一次就能完成，但是在操作的过程中能保证单调性，即问题始终在逐渐简化，下面给出代码。
template <typename T> T PQ_ComplHeap<T>::delMax(){
T maxElem=_elem[0];
_elem[0]=_elem[--size];
percolateDown(_size,0);
return maxElem;
}template <typename T> int PQ_ComplHead<T>::percolateDown(int n,int i){
int j;
while(i!=(j=ProperParent(_elem,n,i))){//这里的ProperParent是返回i和它最多两个孩子中最大者的秩
swap(_elem[i],_elem[j]);
i=j;
}
return i;
}OK,到这里完全二叉堆的基本框架和算法时间都完成了，下面我们分析性能。
性能分析
这里我们和之前的三种实现方式做以对比,这里先给出时间复杂度，再介绍这个时间复杂度是如何算出来的。
| 实现类型\抽象接口 | insert() | getMax() | delMax() |
|---|---|---|---|
| 向量 | O(1) | O(n) | O(n) |
| 有序向量 | O(n) | O(1) | O(1) |
| BBST | O(logn) | O(logn) | O(logn) |
| 完全二叉堆 | O(logn) | O(1) | O(logn) |
对于getMax来说，时间复杂度是O(1)应该很好理解，因为只需要取_elem[0]就行了，insert操作其实最主要的就是一个上滤过程，这个过程每次都会至少上升一层，每次上升只需要做常数次比较操作，而完全二叉堆是严格意义上最多只有logn层，所以它的时间复杂度是O(logn)。其实delMax()操作和insert类似，需要做一个下滤操作，在每层也需要做常数次比较操作，然后下降一层，在最坏情况下也不过是下降logn层，所以也是O(logn)。
由堆衍生而来的堆排序算法思路也非常简单，不过是每次取出最大的元素然后输出就可以了，每次取出最大元素都要执行一次getMax()和delMax()，时间复杂度为O(logn+1)，也就是O(logn)，一共执行n次，所以总体的时间复杂度是O(n*logn)，这也是全排序算法中效率最高的情况了，当然我们可以对它做常数意义下的优化。
接下来我们介绍另一种堆，它是为了弥补二叉完全堆在某些特定应用场景下的不足应运而生的。
左式堆
左式堆是为了高效的实现两个堆的合并（merge）操作，设想一下，如果用完全二叉堆我们如何实现两个堆的合并呢？假设有两个堆，堆A和堆B，我们可以首先判对一下它们的长度，不失一般性，假设size(A)>size(B)，一种很简单的算法就是不断输出B堆的数据插入到A堆中去，每次插入的时间复杂度都是logn，假设b堆有m个元素，那就是mlogn，一般我们认为n和m是同阶的，那就是O(nlogn)，这种性能开销我们是无法接受的，因为我们把堆A和堆B中的元素混搭在一起，重新排序也就是O(n*logn)的时间复杂度，而且堆是一种偏序关系（偏序关系体现在只要能找到最大或最小元素即可），那么它的开销应该小于全排序才行，所以我们引入左式堆。
这里我们引入一个NPL的概念，NPL是Null Path Length的缩写，它是指对应节点到外部节点的最近距离，这里引入两条规则：
- npl(NULL)=0;
- npl(x)=1+min(npl(lc(x)),npl(rc(x)));
我们首先给出左式堆的类定义，代码如下。
template <typename T> class PQ_LeftHeap:public PQ<T>,public BinTree<T>{
public:
void insert(T);
T getMax(){
return root->data;
}
T delMax();
}在满足左倾性的情况下，我们给出一种递归的合并算法的实现，代码如下。
template <typename T> static BinNodePosi(T) merge(BinNodePosi(T) a,BinNodePosi(T) b){
if(!a)
return b;
if(!b)
return a;
if(a->data<=b->data)
swap(b,a) //因为需要让b作为a的子树
a->rc=merge(a->rc,b);//将a的右子堆与b合并
a->rc->parent=a;
if(!a->lc||a->lc->npl<a->rc->npl)
swap(a->lc,a->rc);
a->npl=a->rc?a->rc->npl+1:1;
return a;
}先介绍到这儿吧，有机会我在详细展开，读者可以自己画一些图帮助理解一下。