1681 字
8 分钟
⚡ 优先级队列(堆!堆!堆!)
2025-08-12
浏览量:加载中...访问次数:加载中...

⬅(click)


今天就让我们来聊聊这个让无数程序员又爱又恨的数据结构——堆(Heap)。

一、优先级队列 vs 普通队列#

特性普通队列优先级队列
出队顺序FIFO(先进先出)按优先级高低(默认小的先出)
底层实现数组/链表通常用堆实现
时间复杂度O(1)插入O(logN),删除O(logN)
Java实现Queue接口PriorityQueue类
典型应用场景消息队列、BFS算法任务调度、TopK问题
graph TD A[队列] --> B[普通队列] A --> C[优先级队列] B --> D[FIFO] C --> E[基于优先级] C --> F[实现方式] F --> G[堆] F --> H[有序数组] F --> I[无序数组]

二、堆:一棵”偏心的”完全二叉树#

堆的类型对比#

类型特点应用场景
大根堆父节点 ≥ 子节点堆排序(升序)、TopK最小
小根堆父节点 ≤ 子节点堆排序(降序)、TopK最大
二叉堆完全二叉树实现,常用数组存储最常用实现
斐波那契堆更优的理论时间复杂度,但实现复杂图算法优化
// 堆的数组表示
parent(i) = (i-1)/2 // 找父节点
left(i) = 2*i + 1 // 左孩子
right(i) = 2*i + 2 // 右孩子
graph TD A[堆] --> B[完全二叉树] A --> C[数组存储] B --> D[大根堆] B --> E[小根堆] C --> F[空间利用率高] C --> G[索引计算快]

三、堆的核心操作:上下调整#

操作复杂度对比#

操作时间复杂度空间复杂度说明
插入(offer)O(logN)O(1)需要向上调整(shiftUp)
删除(poll)O(logN)O(1)需要向下调整(shiftDown)
查看(peek)O(1)O(1)直接返回堆顶元素
建堆O(N)O(1)自底向上调整比逐个插入更高效
// 向下调整示例(小根堆)
void shiftDown(int[] arr, int parent, int len) {
int child = 2*parent + 1;
while (child < len) {
// 找出较小的孩子
if (child+1 < len && arr[child+1] < arr[child]) child++;
// 如果父节点已经比孩子小,调整结束
if (arr[parent] <= arr[child]) break;
swap(arr, parent, child); // 交换父子
parent = child; // 继续向下调整
child = 2*parent + 1;
}
}

四、堆排序 vs 快速排序#

特性堆排序快速排序
时间复杂度O(NlogN)O(NlogN)平均
空间复杂度O(1)O(logN)递归栈
稳定性不稳定不稳定
最坏情况O(NlogN)O(N²)
数据访问模式跳跃访问(缓存不友好)顺序访问(缓存友好)
适用场景大数据量中小数据量
graph LR A[排序算法] --> B[比较排序] B --> C[堆排序] B --> D[快速排序] C --> E[原地排序] C --> F[不稳定] D --> G[分治思想] D --> H[平均更快]

五、PriorityQueue使用指南#

构造方法对比#

构造方法说明
new PriorityQueue<>()默认容量11,自然排序
new PriorityQueue<>(int capacity)指定初始容量
new PriorityQueue<>(Comparator)自定义比较器(可实现大根堆)
new PriorityQueue<>(Collection)用已有集合初始化(自动建堆)
// 大根堆实现
PriorityQueue<Integer> maxHeap = new PriorityQueue<>((a,b) -> b-a);
// 自定义对象排序
PriorityQueue<Student> pq = new PriorityQueue<>(
(s1, s2) -> s1.score != s2.score ?
s2.score - s1.score : // 分数高的在前
s1.name.compareTo(s2.name) // 分数相同按名字
);

六、TopK问题的三种解法对比#

方法时间复杂度空间复杂度适用场景
快速排序+取前KO(NlogN)O(logN)数据可全部装入内存
堆排序O(NlogK)O(K)海量数据,K较小
冒泡K次O(N*K)O(1)K非常小(如K=1,2)
graph TB A[TopK问题] --> B[排序法] A --> C[堆方法] A --> D[分治法] B --> E[全排序后取前K] C --> F[维护大小为K的堆] D --> G[类似快速选择] F --> H[小根堆求最大K] F --> I[大根堆求最小K]

七、堆的常见面试题#

1. 堆的建立过程(以小根堆为例)#

//向下调整方法(复杂度logN)
public static void shiftDown(int[] array, int index){
//要调整的父节点
int parent = index;
//要调整的孩子节点
int child = 2*parent + 1;
while (child < array.length){
//child+1其实代表的是右子树
//判断左右子树大小
if(child+1<array.length && array[child+1] < array[child]){
//左右子树对调
child = child+1;
}
//判断左子树和父节点的大小
if (array[child] >= array[parent]){
break;
}
else{
int temp = array[parent];
array[parent] = array[child];
array[child] = temp;
//更新父节点和子节点的指向
parent = child;
child = 2*parent +1;
}
}
}
/**
*建堆操作复杂度O(n)
* @param array
*/
public static void createHeap(int[] array){
//要先找到最后一个非叶子节点
int lastLeaf = array.length-1;
int lastParent = (lastLeaf-1)/2;
for (int i = lastParent; i >= 0; i--){
shiftDown(array, i);
}
}

2. 堆的应用场景总结#

应用场景使用的堆类型原因说明
堆排序大根堆/小根堆升序用大根堆,降序用小根堆
TopK最大元素小根堆维护K个元素的小根堆,淘汰小的
TopK最小元素大根堆维护K个元素的大根堆,淘汰大的
任务调度(优先级高的先执行)大根堆优先级高的在堆顶
合并K个有序链表小根堆每次取最小节点,效率O(logK)
Dijkstra算法小根堆每次取距离最小的节点

八、总结:堆的”堆”德#

堆的优缺点分析#

优点:

  1. 插入/删除时间复杂度稳定在O(logN)
  2. 获取极值(堆顶)只需O(1)
  3. 可以高效解决TopK问题
  4. 堆排序是原地排序,空间复杂度O(1)

缺点:

  1. 访问非堆顶元素效率低(需要遍历)
  2. 不是稳定排序(相同元素可能换位)
  3. 缓存不友好(数组跳跃访问)
graph LR A[堆的优点] --> B[高效插入删除] A --> C[快速获取极值] A --> D[解决TopK] A --> E[原地排序] F[堆的缺点] --> G[非随机访问] F --> H[不稳定] F --> I[缓存不友好]

九、终极对比表:堆 vs 其他数据结构#

特性二叉搜索树跳表哈希表
查找极值O(1)O(logN)O(logN)O(N)
插入/删除O(logN)O(logN)O(logN)O(1)平均
有序性部分有序(仅堆顶)完全有序完全有序无序
空间复杂度O(N)O(N)O(N)O(N)
实现难度中等中等困难中等
典型应用优先级队列、TopK范围查询、有序数据高性能有序数据结构快速查找、去重

最后的小幽默

程序员的世界里:

  • 当你学会堆:哇!我”堆”数据结构理解好深!
  • 当你写堆代码:这bug怎么”堆”了这么多!
  • 当你面试被问堆:面试官,咱们能”堆”心一点吗?
⚡ 优先级队列(堆!堆!堆!)
https://mizuki.mysql.com/posts/datastructure/f/content/
作者
Overthinker
发布于
2025-08-12
许可协议
CC BY-NC-SA 4.0
封面
示例歌曲
示例艺术家
封面
示例歌曲
示例艺术家
0:00 / 0:00