初识数据结构——优先级队列（堆！堆！堆！）

数据结构专栏 ⬅(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

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

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

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K	O(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）

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）

九、终极对比表：堆 vs 其他数据结构

特性	堆	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？