堆排序时间复杂度为O(nlgn), 空间复杂度为O(1).
应用：最大堆用于堆排序，最小堆用于构造优先队列。
6.1堆
二叉堆是一个数组，可被看作一个近似的完全二叉树。除了最底层外，该树是完全满的。
所以可以计算得到父结点、左孩子和右孩子的下标。
Parent(i)
return i/2
Left(i)
return 2i
Right(i)
return 2i+1.
6.2维护堆的性质
Max-Heapify通过使A[i]的值在最大堆中逐级下降，使以下标i为根结点堆子树重新遵循最大堆的性质
//伪代码
Max-Heapify(A,i)//A为输入数组，i为下标
{
l=Left(i);
r=right(i);
if l<=A.heap-size and A[l]>A[i]
largest=l;
else largest=I;
if r<=A.heap-size and A[largest]>A[i]
largest=r;
if largest!=i
exchange A[i] with A[largest];
Max-Heapify(A,largest);
}这段代码通过将下标为i的值与其左孩子和右孩子的值进行比较，并将最大下标存在largest中。如果A[i]为最大值，程序结束。如果A[i]小于其左孩子或者右孩子，那么，首先将A[i]与A[largest]进行交换，将最大值换到根（也就是A[i]的位置）。此时，本来的A[i]存在A[largest]的位置，要考虑这时以该结点（换下来的A[i]）为根结点的子树是否满足最大堆的性质，所以需要递归调用Max-Heapify.
维护一个堆的时间复杂度为O(lgn)，即O(h)，h为树高。实际上就是，在最坏情况下，最小的结点开始存放在根结点，需要换到最底部，走过的长度就是树高。每一次交换的时间复杂度为常数。
6.3建堆
Build-Max-Heap(A)
{
A.heap-size=A.length;
for i=A.length/2 down 1
Max-Heapify(A,i);
}以上代码通过对每个非叶子结点调用Max-Heapify，把一个大小为n=A.length的数组转换为最大堆。
时间复杂度为O(n)，即把一个无序数组构造成最大堆的时间为O(n)
将上述代码修改为Build-Min-Heap，即将第三行修改为Min-Heapify即可构造成一个最小堆。
6.4堆排序算法
初始化堆：利用Build-Max-Heap将输入A[1..n]构建成最大堆。
将根结点的元素放到正确位置：由于构造的是最大堆，整个数组中最大的元素一定在A[1]位置，通过将它与A[n]交换，可以将该元素放到正确的位置（这个正确的位置指的是排序后，最大的元素放在最后）。
去掉排好的结点：从堆中去掉此时放好的n（可通过减少A.heap-size实现）。
维护剩下的结点：通过调用Max-Heapify(A,1)，在A[1..n-1]上构造一个新的最大堆。
循环：重复以上过程，直到堆的大小从n-1降到2.
HeapSort(A)
{
Build-Max-Heap(A);//先建堆
for i=A.length downto 2
{
exchange A[1] with A[i];
A.heap-size--;
Max-Heapify(A,1);
}
}时间复杂度为O(nlgn)，因为每次调用Build-Max-Heap的时间复杂度为O(n)，而n-1次调用Max-Heapify，每次的时间为O(lgn)。
6.5优先队列
优先队列分为：最大优先队列和最小优先队列。优先队列是一种用来维护由一组元素构成的集合S的数据结构，其中每个元素都有一个相关的值，称为关键字。
优先队列的操作：
Insert(S,x):把元素x插入集合S。
Maximum(S):返回S中具有最大键值的元素。
Extract-Max(S):去掉并返回S中具有最大键值的元素。
Increase-Key(S,x,k):将元素x的值增加到k。
最大优先队列的应用：共享计算机系统的作业调度，最大优先队列用于记录将要执行的各个作业以及它们的相对优先级。
最小优先队列的应用：被用于基于事件驱动的模拟器。
用堆来实现优先队列：
Maximum: 该代码在O(1)时间内实现Maximum操作。（前提是最大堆已经建好）
Heap-Maximum(A)
return A[1];Extract-Max：（类比于HeapSort）
时间复杂度为O(lgn). 将最大值保存在max中，把A[A.heap-size]的值换到A[1]，然后重新维护一个最大堆。
Heap-Extract-Max(A)
{
if A.heap-size<1
return error;
max=A[1];
A[1]=A[A.heap-size];
A.heap-size--;
Max-Heapify(A,1);
return max;
}Increase-Key：在将元素A[i]值从x增大到k时，可能会使其违反最大堆的性质。所以需要在从当前结点到根结点到路径上，为新增的关键字寻找恰当的插入位置。在进行Increase-Key的操作中，当前元素通过不断与其父结点进行比较，判断是否需要与父结点交换位置，直到当前元素的值小于其父结点。
时间复杂度为O(lgn).在更新关键字值时，更新结点到根结点的路径长度为O(lgn).
Heap-Increase-Key(A,x,key)
{
if key<A[i];
return error;//这里需要key值大于A[i]，即x
A[i]=key;
while i>1 and A[parent(i)]<A[i]
{
exchange A[i] with A[parent(i)];
i=parent(i);
}
}Insert：输入为要被插入到最大堆中的A中的新元素的关键字。首先通过增加一个关键字为极小值的叶结点来扩展最大堆。然后调用Heap-Increase-Key为新结点设置对应的关键字，同时保持最大堆的性质。时间复杂度为O(lgn).
Max-Heap-Insert(A,key)
{
A.heap-size++;
A[A.heap-size]=-10000000;
Heap-Increase-Key(A,A.heap-size,key);
}在包含一个n个元素的堆中，所有优先队列的操作的时间复杂度都为O(lgn).