1. 堆数据结构基础认知
堆这种数据结构第一次接触时很容易让人联想到杂乱的"物品堆放",但实际上它在计算机科学中是一种精妙的完全二叉树。我在刚学算法时也曾经困惑——为什么插入删除操作都能保持在O(log n)时间复杂度?直到亲手实现了几种堆结构后才理解其设计哲学。
堆本质上是一棵满足特定性质的二叉树:对于最大堆,每个节点的值都大于等于其子节点;最小堆则相反。这个看似简单的性质,却让堆成为实现优先队列的理想选择。在实际工程中,从操作系统的任务调度到Dijkstra算法,堆都扮演着关键角色。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 堆的核心特性与实现原理
2.1 完全二叉树性质
堆使用数组存储完全二叉树,这种实现方式带来了显著的空间优势。假设父节点索引为i,那么:
- 左子节点索引 = 2i + 1
- 右子节点索引 = 2i + 2
这种映射关系使得我们可以在数组中高效地定位任意节点的父子关系,而不需要显式存储指针。我在实现第一个堆结构时,就惊讶于这种紧凑存储方式的巧妙——既节省了内存,又保持了O(1)的随机访问能力。
2.2 堆序性质维护
堆的核心魔法在于维护堆序性质的操作:上浮(swim)和下沉(sink)。当插入新元素时,我们将其放在数组末尾,然后通过上浮操作逐步与父节点比较并交换;删除堆顶时,我们将末尾元素移到堆顶,然后通过下沉操作逐步与子节点比较并交换。
python复制def heapify_up(arr, i):
parent = (i - 1) // 2
while i > 0 and arr[i] > arr[parent]:
arr[i], arr[parent] = arr[parent], arr[i]
i = parent
parent = (i - 1) // 2
def heapify_down(arr, n, i):
largest = i
left = 2 * i + 1
right = 2 * i + 2
if left < n and arr[left] > arr[largest]:
largest = left
if right < n and arr[right
