区分：堆排序的堆不是堆栈的堆

# 原理

堆排序可以视为一种聪明的选择排序。
堆排序适合数组这样的数据结构。
选择排序需要不断在未排序部分找最大 / 小值然后放在已排序部分后面，堆排序只是将 “找最值” 的部分用 “调整堆” 代替，调整好的堆的堆顶就是我们想要的最值。
堆排序基于二叉树结构，堆是一种按一定规律存储数据的二叉树。利用堆最值位于堆顶的特点，不断将堆顶的最值和堆最后一个元素交换（堆最后一个元素后面都是已排序部分），然后重新调整未排序部分使其再变回一个堆。

# 最大堆 / 小根堆 / 小顶堆

最大值在根节点 / 堆顶
结点的键值都小于等于其父结点的键值
排降序建最大堆

# 最小堆 / 大根堆 / 大顶堆

最小值在根节点 / 堆顶
结点的键值都大于等于其父结点的键值
排升序建最小堆

# 递归函数实现

该递归是尾部递归，可以改为循环实现

c++

	template <class Record>
	void Sortable_list< Record>:: heap_sort ()
	/* Post: The entries of the Sortable_list have been rearranged so that their keys are sorted into nondecreasing order.
	Uses: The contiguous List implementation of Chapter 6, build_heap, and in- sert _heap. */
	{
	Record current;//temporary storage for moving entries
	int last_unsorted; //Entries beyond last _unsorted have been sorted.
	build_heap(); //First phase: Turn the list into a heap.
	for (last_unsorted = count - 1; last unsorted > 0; last_unsorted--) {
	current = entry [last unsorted]; //Extract last entry from list.
	entry [last_unsorted] = entry [0]; //Move top of heap to the end.
	insert_heap(current, O, last _unsorted -1); // Restore the heap.
	}
	}

# 插入堆：

c++

	template <class Record>
	void Sortable_list< Record>::insert_heap(const Record &current, int low, int high)
	/* Pre: The entries of the Sortable_list between indices low + 1and high,inclusive, form a heap. The entry in position low wil be discarded.
	Post: The entry current has been inserted into the Sortable list and theentries rearranged so that the entries between indices low and high,inclusive, form a heap.
	Uses: The class Record, and the contiguous List implementation of Chapter 6.*/
	{
	int large; // position of child of entry [low] with the larger key
	large = 2 * low + 1; // large is now the left child of low.
	while (large =< high) {
	if (large < high & entry [large] < entry [large + 1])large ++; //large+1 refers to right child of low, large is now the child of low with the largest key.
	if(current>=entry[large])break; //current belongs ni position low.
	else { //Promote entry [large ] and move down the tree.
	entry [low] = entry [large]; //The larger one is promoted, low becomes the new vacancy and large is the left child.
	low = large;
	large=2*low +1;
	}
	}
	entry [low] = current;
	}

# 建堆：

c++

	template <class Record>
	void Sortable_Jist< Record> :: build_heap()
	/* Post:The entries of the Sortable_list have been rearranged so that it becomes a heap.
	Uses: The contiguous List implementation of Chapter 6, and insert_heap. */
	{
	int low; // All entries beyond the position low form a heap.
	for (low = count/2 - 1; low >= 0; --low ){
	Record current = entry [low];
	insert heap(current,low, count一1);
	}
	}

# 非递归实现

利用数组实现，常用下标 0 作为根节点，此时孩子节点和父亲节点的计算：

left_child = parent*2+1

right_child = parent*2+2

child-1 = parent*2+0/1

parent = (child-1)>>1

# 向上调整

插入一个节点到堆的末尾

c++

	void AdjustUp(HPDataType* a, size_t child){
	size_t parent;
	while (child > 0){
	parent = (child - 1) / 2;
	if (a[child] > a[parent]){ // 大堆
	swap(&a[child], &a[parent]);
	child = parent;
	}
	else{
	break;
	}
	}
	}

向上调整建堆

c++

	// 从数组第 2 个数直到最后一个数重复进行向上调整算法
	for(int i=1;i<n;i++){
	AdjustUp(a,i);
	}

向上调整法建堆时间复杂度: $O(nlogn)$

# 向下调整

c++

	void AdjustDown(HPDataType* a, size_t size, int parent){
	size_t child = parent * 2 + 1;
	while (child < size){
	if (child + 1 < size && a[child + 1] > a[child]){ // 比较左右孩子
	++child;
	}
	if (a[child] > a[parent]){ // 大堆
	swap(&a[parent], &a[child]);
	parent = child;
	size_t child = parent * 2 + 1;
	}
	else{
	break;
	}
	}
	}

c++

	// 从最后一个叶子的父亲开始，不断 --，直到第一个节点 (包括第一个节点)，重复进行向下调整算法
	// 最后一个叶子节点的数组下标是 n-1，最后一个叶子节点的父亲的数组下标为 (n-1-1)/2 = n/2-1
	for(int i=n/2-1;i>=0;i--){
	AdjustDown(a,n,i);
	}

向下调整法建堆时间复杂度: $O(n)$

参考：
https://blog.csdn.net/zhang_si_hang/article/details/124018889

# 性能

与快排相比，堆排序的常数部分差一点，比较次数多一些，赋值次数少一些
堆排序是不稳定排序

# 堆的应用

堆是一种常用的可以对排序、最值查找…… 优化的数据结构、技巧。

# 优先级队列

基于堆实现，c++ 里为 priority_queue

# 前 k 个最大 / 小的数

经典面试题
- 题面：给定一个有 N 个 entry 的 list ，设计一个算法，从 N 个 entry 中找出最大的 k 个。假定 N 很大且 k 很小 (例如 N = 100 亿，k = 30)。
- 题解：用堆排序，建堆需要时间复杂度： $k\dot log_{2}k$ ；调整需要时间复杂度： $N\dot log_{2}k$ ；总共为： $O((N+k)log_{2}k)$

# 第 k 个最大 / 小的数

对顶堆
基于堆维持最大值 / 最小值的特点，用于维持第 k 大 / 第 k 小的数据

CS 数据结构算法