前言
最近明顯文章更新頻率降低了，那是因為我在惡補數據結構和算法的相關知識，相當於是從零開始學習。
找了很多視頻和資料，最后發現 b 站尚硅谷的視頻教程還是相對不錯的，總共 195 集。每個小節都是按先概念、原理，然后代碼實現的步驟講解。如果你也准備入門數據結構和算法，我推薦可以看下這個系列教程。
昨天一天一下子肝了 40 多集，從樹的后半部分到圖的全部部分。可以看到，每一集其實時間也不算長，短的幾分鍾，長的也就半個小時。開 2 倍速看，倍兒爽。
話不多說，下面進入正題。
二叉堆介紹
我們知道，樹有很多種，最常用的就是二叉樹了。二叉樹又有滿二叉樹和完全二叉樹。而二叉堆，就是基於完全二叉樹的一種數據結構。它有以下兩個特性。
- 首先它是一個完全二叉樹
- 其次，堆中的任意一個父節點的值都大於等於（或小於）它的左右孩子節點。
因此，根據第二個特性，就把二叉堆分為大頂堆（或叫最大堆），和小頂堆（或叫最小堆）。
顧名思義，大頂堆，就是父節點大於等於左右孩子節點的堆，小頂堆就是父節點小於左右孩子節點的堆。
看一下大頂堆的示例圖，小頂堆類似，只不過是小值在上而已。
注意：大頂堆只保證父節點大於左右孩子節點的值，不需要保證左右孩子節點之間的大小順序。如圖中，7 的左子節點 6 比右子節點 1 大，而 8 的左子節點 4 卻比右子節點 5 小。（小頂堆同理）
構建二叉堆
二叉堆的定義我們知道了，那么給你一個無序的完全二叉樹，怎么把它構建成二叉堆呢？
我們以大頂堆為例。給定以下一個數組，（完全二叉樹一般用數組來存儲）
{4, 1, 9, 3, 7, 8, 5, 6, 2}
我們畫出它的初始狀態，然后分析怎么一步一步構建成大頂堆。
由於大頂堆，父節點的值都大於左右孩子節點，所以樹的根節點肯定是所有節點中值最大的。因此，我們需要從樹的最后一層開始，逐漸的把大值向上調整（左右孩子節點中較大的節點和父節點交換），直到第一層。
其實，更具體的說，應該是從下面的非葉子節點開始調整。想一想，為什么。
反向思考一下，如果從第一層開始調整的話，例如圖中就是 4 和 9 交換位置之后，你不能保證 9 就是所有節點的最大值（額，圖中的例子可能不是太好，正好是 9 最大）。如果下邊還有比 9 大的數字，你最終還是需要從下面向上遍歷調整。那么，我還不如一開始就直接從下向上調整呢。
另外，為什么從從最下面的非葉子節點（圖中節點 3 ）開始。因為葉子節點的下面已經沒有子節點了，它只能和父節點比較，從葉子節點開始沒有意義。
第一步，以 3 為父節點開始，比較他們的子節點 6和 2 ，6最大，然后和 3 交換位置。
第二步，6 和 7 比較，7 最大，7 和 1 交換位置。
第三步，7 和 9 比較，9 最大，9 和 4 交換位置。
第四步，我們發現交換位置之后，4 下邊還有比它大的，因此還需要以 4 為父節點和它的左右子節點進行比較。發現 8 最大，然后 8 和 4 交換位置。
最終，實現了一個大頂堆的構建。下面以代碼實現交換過程。
/**
* 調整為大頂堆
* @param arr 待調整的數組
* @param parent 當前父節點的下標
* @param length 需要對多少個元素進行調整
*/
private static void adjustHeap(int[] arr, int parent, int length){
//臨時保存父節點
int temp = arr[parent];
//左子節點的下標
int child = 2 * parent + 1;
//如果子節點的下標大於等於當前需要比較的元素個數，則結束循環
while(child < length){
//判斷左子節點和右子節點的大小,若右邊大，則把child定位到右邊
if(child + 1 < length && arr[child] < arr[child + 1]){
child ++;
}
//若child大於父節點，則交換位置，否則退出循環
if(arr[child] > temp){
//父子節點交換位置
arr[parent] = arr[child];
//因為交換位置之后，不能保證當前的子節點是它子樹的最大值，所以需要繼續向下比較，
//把當前子節點設置為下次循環的父節點，同時，找到它的左子節點，繼續下次循環
parent = child;
child = 2 * parent + 1;
}else{
//如果當前子節點小於等於父節點，則說明此時的父節點已經是最大值了，
//因此無需繼續循環
break;
}
}
//把當前節點值替換為最開始暫存的父節點值
arr[parent] = temp;
}
public static void main(String[] args) {
int[] arr = {4,1,9,3,7,8,5,6,2};
//構建一個大頂堆，從最下面的非葉子節點開始向上遍歷
for (int i = arr.length/2 - 1 ; i >= 0; i--) {
adjustHeap(arr,i,arr.length);
}
System.out.println(Arrays.toString(arr));
}
//打印結果： [9, 7, 8, 6, 1, 4, 5, 3, 2]。 和我們分析的結果一模一樣
在 while 循環中，if(arr[child] > temp) else的邏輯， 對應的就是圖中的第三步和第四步。即需要確保，交換后的子節點要比它下邊的孩子節點都大，不然需要繼續循環，調整位置。
堆排序
堆排序就是利用大頂堆或者小頂堆的特性來進行排序的。
它的基本思想就是：
- 把當前數組構建成一個大頂堆。
- 此時，根節點肯定是所有節點中最大的值，讓它和末尾元素交換位置，則最后一個元素就是最大值。
- 把剩余的 n - 1個元素重新構建成一個大頂堆，就會得到 n-1 個元素中的最大值。重復執行此動作，就會把所有的元素調整為有序了。
步驟：
還是以上邊的數組為例，看一下堆排序的過程。
一共有九個元素，把它調整為大頂堆，然后把堆頂元素 9 和末尾元素 2 交換位置。
此時，9已經有序了，不需要調整。然后把剩余八個元素調整為大頂堆，再把這八個元素的堆頂元素和末尾元素交換位置，如下，8 和 3 交換位置。
此時，8和 9 已經有序了，不需要調整。然后把剩余七個元素調整為大頂堆，再把這七個元素的堆頂元素和末尾元素交換位置。如下， 7 和 2 交換位置。
以此類推，經過 n - 1 次循環調整，到了最后只剩下一個元素的時候，就不需要再比較了，因為它已經是最小值了。
看起來好像過程很復雜，但其實是非常高效的。沒有增刪，直接在原來的數組上修改就可以。因為我們知道數組的增刪是比較慢的，每次刪除，插入元素，都要移動數組后邊的 n 個元素。此外，也不占用額外的空間。
代碼實現：
//堆排序，大頂堆，升序
private static void heapSort(int[] arr){
//構建一個大頂堆，從最下面的非葉子節點開始向上遍歷
for (int i = arr.length/2 - 1 ; i >= 0; i--) {
adjustHeap(arr,i,arr.length);
}
System.out.println(Arrays.toString(arr));
//循環執行以下操作：1.交換堆頂元素和末尾元素 2.重新調整為大頂堆
for (int i = arr.length - 1; i > 0; i--) {
//將堆頂最大的元素與末尾元素互換，則數組中最后的元素變為最大值
int temp = arr[i];
arr[i] = arr[0];
arr[0] = temp;
//從堆頂開始重新調整結構，使之成為大頂堆
// i代表當前數組需要調整的元素個數，是逐漸遞減的
adjustHeap(arr,0,i);
}
}
時間復雜度和空間復雜度：
堆排序，每次調整為大頂堆的時間復雜度為 O(logn)，而 n 個元素，總共需要循環調整 n-1 次 ，所以堆排序的時間復雜度就是 O(nlogn)。它的數學推導比較復雜，感興趣的同學可以自己查看相關資料。
由於沒有占用額外的內存空間，因此，堆排序的空間復雜度為 O(1)。