数据结构与算法（六）二叉堆、优先队列和Java PriorityQueue

本文主要包括以下内容：

1. 堆的基本概念
2. 堆的基本操作
3. 构建大顶堆和小顶堆
4. 优先队列的基本概念
5. 实现一个优先队列
6. Java PriorityQueue源码分析

优先队列通常是使用二叉堆来实现的 ，接下来先介绍一下二叉堆。

二叉堆的基本概念

二叉堆(binary heap)是一个由二叉树组织的堆数据结构。二叉堆是 J. W. J. Williams于1964提出的用于堆排序的数据结构。

一个二叉堆需要满足一下两个特性：

1. 二叉堆是一个完全二叉树。什么是完全二叉树，通俗点来说就是在一棵二叉树上从左到右一层一层的排列数据。
   完全二叉树是一个平衡二叉树。但平衡二叉树不一定是完全二叉树。
2. 二叉堆的节点大于等于或小于等于它的子节点

二叉堆分类：

• 如果二叉堆的节点大于等于它的子节点，那么这个二叉堆是一个大顶堆(max-heap)
• 如果二叉堆的节点小于等于它的子节点，那么这个二叉堆是一个小顶堆(min-heap)

二叉堆是一个完全二叉树，所以可以很方便地通过数组来存储数据。

如果二叉堆的顶部元素的索引从0开始：

• 获取某个索引的父节点索引公式为：(index - 1) / 2
• 获取某个索引的左子节点索引公式为：index * 2 + 1
• 获取某个索引的右子节点索引公式为：index * 2 + 2

如果二叉堆的顶部元素的索引从1开始：

• 获取某个索引的父节点索引公式为：index / 2
• 获取某个索引的左子节点索引公式为：index * 2
• 获取某个索引的右子节点索引公式为：index * 2 + 1

二叉堆的基本操作

插入(Insert)

执行插入操作需要对二叉堆执行siftUp操作( 也称为bubble-up, percolate-up, up-heap, trickle-up, heapify-up, or cascade-up)，下面以大顶堆为例图解下siftUp的流程：

假设有一个如下的二叉堆：

向该二叉堆插入一个元素18：

插入后发现当前的二叉树不符合二叉堆的特性，所以需要对18和8两个元素交换位置

交换位置后还是不符合二叉堆的特性，需要对18和16交换位置

据上所述，siftUp操作就是先在二叉堆尾部添加元素，然后新插入的元素和父节点对比，如果不符合二叉堆特性就和父节点交换位置直到符合二叉树的特性。

移除堆顶元素(Extract)

移除堆顶元素需要对二叉堆进行 siftDown 操作(也称为bubble-down, percolate-down, sift-down, trickle down, heapify-down, cascade-down, and extract-min/max)

依然以上面的大顶堆为例：

使用二叉树的最后一个节点的替换二叉树的根节点(要删除的节点)

新的根节点和它的子节点对比，看是否符合二叉堆的性质，发现根节点没有它的右子节点，与其交换位置：

据上所述，siftDown操作是让新的根节点往下和它的左右节点对比， 如果不符合二叉堆特性则交换位置，直到符合二叉堆的特性。

数组转成二叉堆(Heapify)

把一个数组转成二叉堆有两种方法：对每个元素add进二叉堆、对数组进行heapify操作。

对每个元素add进二叉堆很简单，只要遍历数组，然后调用二叉堆的add方法即可。
heapify操作主要是把数组当成二叉堆，然后对二叉堆的非叶子节点（从二叉堆的最后一个非叶子节点开始）进行siftDown操作。

假设有一个数组 [3 , 7 , 5 , 9 , 4 , 8]，需要对其转成二叉堆(大顶堆)

从最后一个非叶子节点开始对其siftDown操作：

发现5比8小，交换位置：

然后对倒数第二个非叶子节点进行siftDown操作：

发现7比9小，交换位置：

最后对倒数第三个非叶子节点siftDown操作：

发现3比9小，交换位置：

交换位置后，发现3比7小，继续交换位置：

最终完成了heapify操作。

构建大顶堆和小顶堆

//大顶堆
public class MaxHeap<T extends Comparable<T>> {

    private T[] data;
    private int size;

    public MaxHeap() {
        this(16);
    }

    public MaxHeap(int capacity) {
        data = (T[]) new Comparable[capacity];
    }

    //Heapify
    public MaxHeap(T[] arr) {
        data = arr;
        size = arr.length;
        //对所有非叶子节点进行siftDown操作，从倒数第一个非叶子节点开始
        for (int i = getParent(data.length - 1); i >= 0; i--) {
            siftDown(i);
        }
    }

    public int size() {
        return size;
    }

    public boolean isEmpty() {
        return size == 0;
    }

    public void clear() {
        size = 0;
        Arrays.fill(data, null);
    }

    public int getParent(int index) {
        if (index == 0) {
            return -1;
        }
        return (index - 1) / 2;
    }

    public int getLeft(int index) {
        return index * 2 + 1;
    }

    public int getRight(int index) {
        return index * 2 + 2;
    }

    public void add(T element) {
        data[size++] = element;
        if (size == data.length) {
            doubleCapacity();
        }
        siftUp(size - 1);
    }

    private void doubleCapacity() {
        data = Arrays.copyOf(data, data.length << 1);
    }

    private void swap(int i, int j) {
        T tmp = data[i];
        data[i] = data[j];
        data[j] = tmp;
    }

    private void siftUp(int index) {
        int parentIndex;
        //如果当前的节点比父节点要大
        while (index > 0 && data[index].compareTo(data[parentIndex = getParent(index)]) > 0) {
            swap(index, parentIndex);
            index = parentIndex;
        }
    }

    /**
     * 移除堆中最大元素
     */
    public T removeMax() {
        if (size == 0)
            throw new NoSuchElementException();

        T delete = getMax();
        swap(0, size - 1);
        data[--size] = null;

        siftDown(0);

        return delete;
    }

    private void siftDown(int index) {
        int left;
        while ((left = getLeft(index)) < size) {
            int max = left;
            //有右节点并且右节点大于左节点
            if (left + 1 < size && data[left + 1].compareTo(data[left]) > 0) {
                max = left + 1;
            }
            if (data[max].compareTo(data[index]) <= 0) {
                break;
            }
            swap(index, max);
            index = max;
        }
    }

    /**
     * 删除最大值，插入新元素
     *
     * @param element max
     * @return
     */
    public T replace(T element) {
        T max = getMax();
        data[0] = element;
        siftDown(0);
        return max;
    }

    public T getMax(){
        if(size==0)
            throw new NoSuchElementException();
        return data[0];
    }
}

实现大顶堆和小顶堆的主要逻辑是一样的，只要在大顶堆的基础上对siftUp和siftDown的时候判断条件改下即可。例如如果是要构成小顶堆，siftUp的条件是当前节点比父节点小；siftDown的条件是当前节点比它的子节点要大。

由于篇幅的原因，我就不把小顶堆的代码贴出来了，感兴趣的可以在我的github上查看。文章末尾会给出源码地址。

优先队列的基本概念

优先队列首先也是一个队列。普通的队列是先进先出的，优先队列不一样，优先队列出队的时候让优先级高的先出队。当然，我们也可以把普通的队列当做一个优先队列来看，先入队的优先级高。

这样的话，我们可以通过二叉堆来很方便的实现一个优先队列。

实现一个优先队列

上面我们实现了二叉堆，基于二叉堆可以非常方便的实现优先队列。

public class PriorityQueue<T extends Comparable<T>> implements Queue<T> {

    private MaxHeap<T> maxHeap;

    public PriorityQueue() {
        this.maxHeap = new MaxHeap<>();
    }


    @Override
    public void enqueue(T element) {
        maxHeap.add(element);
    }

    @Override
    public T dequeue() {
        return maxHeap.removeMax();
    }

    @Override
    public T getFront() {
        return maxHeap.getMax();
    }

    @Override
    public boolean isEmpty() {
        return maxHeap.isEmpty();
    }

    @Override
    public int size() {
        return maxHeap.size();
    }

    @Override
    public void clear() {
        maxHeap.clear();
    }
}

上面我们是通过一个大顶堆来实现一个优先队列，当然也可以通过小顶堆来实现一个优先队列。
优先级这个可以我们人为的来定。比如有一个关于学生的优先队列，学生的成绩高先出队。

如果用大顶堆的话，我们定义成绩高的优先级高。
如果用小顶堆的话，我们定义成绩高的反而优先级低，这样的话在siftDown和siftUp的时候能让成绩高的在堆顶。

Java PriorityQueue源码分析

Java里的 PriorityQueue 也是基于二叉堆实现的，和我们上面的实现方式很像。也是在add的时候执行siftUp操作，remove的时候执行siftDown操作。

需要注意的是Java的 PriorityQueue 默认是一个小顶堆（按自然排序）。
我们上面实现的二叉堆要么是大顶堆，要么是小顶堆，Java PriorityQueue支持传递比较器，所以呢，通过定制比较器，可以把Java PriorityQueue构造成一个大顶堆，这样更加灵活的定制优先级。

---

本文相关源代码