srcmini优先队列（priority queue）类似于一般队列（queue），一般队列是一种简单的数据结构，特点是先进先出，详情可查看队列数据结构和实例详解。数据结构从最简单的线性结构，到树结构（二叉树、AVL平衡二叉树、伸展树、B-树和B+树原理），然后是上一节谈到的散列表实现原理，本节讨论的优先队列和堆（heap）相对而言常用于辅助实现其它算法，例如数据压缩赫夫曼编码算法、Dijkstra最短路径算法、Prim最短生成树算法，优先队列还可以实现事件模拟、选择问题，另外人工智能中的A*搜索算法和操作系统的线程调度也使用优先队列。
优先队列的特点是元素正常入队，按照优先级的大小进行出队。堆是另一种与优先队列不同的数据结构，一般来说，堆是用来实现优先队列的，非严格来说，优先队列可以等同于堆，因为堆是用来实现优先队列的，所以优先队列的大部分内容都是在讨论堆，但不要忘记主要内容还是优先队列。下面会首先介绍优先队列的定义，然后讨论各中堆的原理和实现。
一、优先队列的概念和定义
优先队列和普通队列不同的地方在于，在优先队列中，每个记录保存一个优先级值或关键字（本文使用关键字表示），任意记录正常从队尾入队，按照优先级大小或关键字的大小进行出队。最大关键字先出队，称为最大优先队列或降序优先队列；最小关键字先出队，称为最小优先队列或升序优先队列，如下图是一个使用普通数组表示的最大优先队列：
第一次出队操作，关键字12最大，所以12先出队，第二次进行出队操作，此时11最大，所以11出队，如果遇到关键字相等的情况，则按照它们在队中的位置进行出队。
优先队列的实现方式有哪些呢？一般来说，实现优先队列的方式有：有序表或无序表（即数组，或顺序表和链表）、二叉树、AVL平衡二叉树、堆和二叉堆。使用普通的表实现优先队列的性能比较低，有序表插入为O(1)，无序表取出为O(n)，另外使用普通二叉树实现优先队列只能保证平均时间为O(log n)，但最差情况是O(n)，AVL树则需要复杂的无关操作，而堆可以实现性能较好的优先队列，取出效率可达到O(1)，一般的操作都能达到O(log n)。
二、堆和二叉堆（binary heap）
堆主要用来实现优先队列，二叉堆是堆的一种。堆是一个完全二叉树，也就是一棵二叉树，在叶子上从左到右被完全填满元素，结点中至少包括优先级值或关键字，堆的主要特点是：任意结点的关键字大于或等于（小于或等于）儿子结点，又可分为最大堆（max heap），结点的关键字大于或等于儿子结点；最小堆（min），其结点关键字小于或等于儿子结点，这个特点又称为堆的有序性，下图是最大堆的一个实例：
1、二叉堆的概念和定义
上图就是一个二叉堆，二叉堆是堆的最简单形式，设二叉堆的高度为h，二叉堆的所有叶子结点位于第h层或第h-1层（h>0），高度为h的二叉堆有2^h到2^(h+1)-1个结点，其中h=log n。堆的实现方式可使用顺序表或数组和二叉树，不管哪种实现方式，优先队列或堆的表示一般都是使用二叉树或多叉树。看下图中的二叉堆和对应的数组，根据它们的索引，我们看另一种二叉堆的逻辑定义：
上图是一个最小堆，任意结点关键字小于或等于儿子结点，给堆中的结点从左到右加上索引，对应于数组中的索引和关键字。这是二叉堆使用数组表示的一种常见形式，得出二叉堆的逻辑定义如下：
- n个元素序列{k1, k2, …, ki, …, kn}，k为关键字或优先级值，i为元素的索引；
- 任取i属于{1, 2, 3, …, n/2}；
- 最小堆表示为：ki <= k2i，ki <= k(2i+1)；
- 最大堆表示为：ki >= k2i，ki >= k(2i+1)。
以上定义从1开始，也可以从0开始，两者的区别是，使用0开始需要对0进行检测，若使用1开始，最大堆第0个放一个极大的值，最小堆放一个极小的值，因为使用数组表示二叉堆，所以堆的大小需要预先进行预测。下面索引从第0个开始，结点间的索引关系为：
- i为第i个结点，根结点没有父结点；
- 父结点索引为：(i-1)/2；
- 左结点索引为：2*i+1；
- 右结点索引为：2*i+2。
2、二叉堆的基本操作详细实现
下面讨论的二叉堆操作是优先队列的基本操作，其它堆实现时也是提供类似的操作，其中最重要的两个操作就是入队和出队，入队又称为插入操作，出队又称为删除最小/最大元素，下面是常见的优先队列操作，首先看看下面，最小二叉堆的ADT声明：
// 使用最小二叉堆使用优先队列
// 基本数据记录
typedef struct Song{
char name[128];
char singer[128];
} Song;
// 结点
typedef struct qnode{
int key; // 关键字或优先级值
Song song;
} QNode;
// 优先队列对外ADT
typedef struct priorityqueue{
int length; // 数组长度
int size; // 记录数量
QNode **list; // 记录数组，使用一个数组表示一个二叉堆/二叉树
} PriorityQueue;
// 最小堆优先队列函数声明
extern PriorityQueue *pqueue_init(int length);
extern int pqueue_is_empty(PriorityQueue *queue);
extern int pqueue_is_full(PriorityQueue *queue);
extern int pqueue_push(PriorityQueue *queue, int key, Song *song);
extern QNode *pqueue_top(PriorityQueue *queue); // 获取顶部元素
extern int pqueue_pop(PriorityQueue *queue); // 释放顶部元素
extern int pqueue_decrease(PriorityQueue *queue, int index, int delta);
extern int pqueue_increase(PriorityQueue *queue, int index, int delta);
extern int pqueue_delete(PriorityQueue *queue, int index);
extern PriorityQueue *pqueue_build(QNode *list, int length);
extern void pqueue_traverse(PriorityQueue *queue);
extern int pqueue_clear(PriorityQueue *queue);
该最小二叉堆优先队列的实现提供了完整的操作，包括检查优先队列是否已满、入队或插入操作、删除或出队操作、增加和降低关键字的值、删除关键字和直接构建优先队列的操作。
（1）二叉堆插入和上滤操作图解
（2）二叉堆删除和下滤操作图解
注意，以上是使用一个数组来表示一个二叉树，虽然是使用数组表示，但是操作方式依然是按照二叉树的形式操作，后面还可能会有类似的表示方式，以上最小二叉堆优先队列完整实现可在github上查看，在main.c文件中提供类似STL库的使用方式：https://github.com/onnple/priorityqueue。
三、d-堆（d-heap）
d-堆是二叉堆的推广，d-堆的每个结点有d个儿子，二叉堆也就是2-堆，又类似于树中的B树或散列表中的可扩散列表。d-堆的所有基本操作时间复杂度为O(log n)，底数为d，删除/出队操作时间复杂度为O(d log n)，底数为d，下面是一个3-堆的实例：
当优先队列过大而不适合放在内存中时，可采取类似B树的方式操作d-堆。在讨论堆中有一个基本的操作：合并（merge），d-堆的合并操作比较困难，下面介绍的三种堆（左式堆、斜堆和二项堆）都支持高效率的合并。
四、左式堆（leftist heap）
1、左式堆的定义
左式堆是一种支持合并的堆，合并是集合的基本操作，在第一节有谈到集合这种数据结构，其特点是数据结构之间没有任何关系，和数学中的集合是类似的。所有支持高效合并的数据结构都需要使用指针，但是可能会导致其它操作变慢。
如上图是一个左式堆的例子，类似于AVL平衡二叉树，提供相关的平衡信息，和二叉堆一样具有相同的堆序性，同样也是二叉树的形式，左式堆的所有操作都是以合并为主，删除和插入都是使用合并，合并操作的时间复杂度为O(log n)。
左式堆的平衡信息使用结点的零路径长，零路径长是指结点到一个没有两个儿子的叶子结点的最短路径长，空结点的最短路径长为-1，零路径长实际是结点的最短高度，也就是到最近树叶的距离，如上图的蓝色数字是对应结点的零路径长。
2、左式堆的性质
（1）堆序性，一般左式堆都是使用最小堆（也可以实现最大堆），对于最小堆，任意结点关键字大于或等于其父结点的关键字，也就是key(i) >= key(parent(i))。
（2）左边树更深，任意结点的左儿子零路径长大于或等于右儿子零路径长，也就是distance(left(i)) >= distance(right(i))；任意结点的零路径长比右儿子的零路径长最小值多1，也就是distance(i)=1+distance(right(i))。
在右路径上有r个结点的左式树必然至少有2^r-1个结点，函数n个结点的左式树，其右路径最多有log(n+1)个结点，因此将左式堆的所有操作放在右路径上进行会更加节省时间，相关操作可能需要相应的恢复性质的操作。
3、左式堆的数据结构
左式堆的实现不使用数组表示，而是使用二叉树表示，其数据结构成员至少包括：
- 数据项，实体数据；
- 关键字或优先级值；
- 左右儿子，和二叉树的一样；
- 零路径长，和AVL树的结点高度一样。
4、左式堆的合并操作
左式堆的所有基本操作都可以使用合并操作，插入是合并的特殊情况，即合并操作已经包括插入操作，插入可看作是一个单结点堆和一个大的堆的合并。
合并的核心主要是将两个堆的右路径上的结点进行合并（这里使用最小堆），每次递归合并处理，更新已合并根结点的零路径长，检查根结点左右儿子是否符合左式堆属性。
h1和h2是两个最小左式堆，若h1和h2中有一个空堆，则返回非空堆，如果两个都不是空堆，则进行合并操作，下面是详细的合并步骤：
- 比较h1和h2根关键字大小，如key(root(h1)) > key(root(h2))；
- 将最小的关键字结点入栈，在最小关键字的堆中位置移动到下一个最右边的儿子（下移操作）；
- 递归比较两个堆的关键字，将最小关键字结点入栈，并在最小关键字的堆中下移到下一个右儿子；
- 重复操作，知道遇到一个null结点；
- 将最后处理的结点作为栈顶的右儿子，并调整该子树转为左式堆；
- 递归将栈元素出栈，将出栈的元素作为栈顶的右儿子，并调整为左式堆。
下图是两个左式堆合并的完整实例图解：
5、左式堆完整代码实现
上面解释的合并步骤是以栈为基础的，可以使用栈作为辅助，也可以不使用栈辅助仅是作为一种逻辑处理方式，我们可以使用递归的方式进行处理，上图是递归处理的实例图解，下面是左式堆的ADT声明：
// 左式堆实现优先队列（最小堆）
// 实体数据
typedef struct label{
int color;
char title[128];
} Label;
// 左式堆结点
typedef struct lnode{
int key;
int dist;
Label label;
struct lnode *left;
struct lnode *right;
} LNode;
// 左式堆对外ADT
typedef struct leftistheap{
int size;
LNode *root;
} LeftistHeap;
// 左式堆操作函数声明（参考优先队列的基本操作）
extern LeftistHeap *lheap_init();
extern int lheap_is_full(LeftistHeap *heap);
extern int lheap_is_empty(LeftistHeap *heap);
extern int lheap_push(LeftistHeap *heap, int key, Label *label);
extern LNode *lheap_top(LeftistHeap *heap);
extern int lheap_pop(LeftistHeap *heap);
extern void lheap_traverse(LeftistHeap *heap);
extern int lheap_clear(LeftistHeap *heap);
以上左式堆的实现相对比较简单，主要是合并操作，使用栈也会比较简单，其完整源码可在github上查看：https://github.com/onnple/leftistheap，其中调用例子中的左式堆如下：
五、斜堆（skew heap）
斜堆类似于伸展树，也就是对左式堆的扩展，不需要相关的平衡信息，只需要保留堆的基本有序性，和上面使用数组表示的二叉堆对比，斜堆则是使用二叉树表示的。斜堆的最坏执行情况为O(n)（链表的形式），每次操作的摊还时间为O（log n），斜堆的基本操作也是合并。
1、斜堆合并操作
斜堆的基本操作和左式堆一样，主要对右路径的结点进行合并，其中有两个例外的地方，如下：
- 左式堆需要检查左右儿子是否满足左式堆的性质，斜堆则不需要；
- 斜堆除了最大关键字结点外，其它结点都无条件交换左右儿子。
下图是斜堆合并操作的完整图解：
2、斜堆代码实现
和左式堆的实现类似，可借用栈或直接处理，另外要注意上面提到的两点，下面是斜堆的ADT声明：
// 斜堆实现优先队列
// 数据实体
typedef struct process{
int threads;
int memsize;
} Process;
// 斜堆结点
typedef struct knode{
int key;
Process process;
struct knode *left;
struct knode *right;
} KNode;
// 斜堆对外ADT
typedef struct skewheap{
int size;
KNode *root;
} SkewHeap;
// 斜堆实现优先队列，函数操作声明
extern SkewHeap *sheap_init();
extern int sheap_is_full(SkewHeap *heap);
extern int sheap_is_empty(SkewHeap *heap);
extern int sheap_push(SkewHeap *heap, int key, Process *process);
extern KNode *sheap_top(SkewHeap *heap);
extern int sheap_pop(SkewHeap *heap);
extern void sheap_traverse(SkewHeap *heap);
extern int sheap_clear(SkewHeap *heap);
斜堆的实现和左式堆的实现差不多，同样可以使用栈作为辅助，完整实现源码可查看github项目：https://github.com/onnple/skewheap，项目调用实例其中的堆为：
六、二项队列（binomial queue）
二项队列使用二项堆（binomial heap）实现，二项堆的主要应用是实现优先队列，而二项堆是二项树的合集，也就是多个二项树形式一个二项堆，又称为森林。
0阶二项树有1个结点，k阶二项树由两个k-1阶的二项树组成，其中一个二项树作为另一个的最左儿子（也可以放在最右边），k阶二项树的特点如下：
- k阶二项树有2^k个结点；
- 深度为k；
- 深度i处有kCi个结点，0 <= i <=k；
- 根结点的度数为k，从右到左的子树阶数k-1, k-2, …, 0。
一个二项堆中的二项树的数量等于二项堆结点数量n的二进制表示中的1的个数，或为O(log n)，下面是一个二项堆的实例：
以上二项堆的元素个数为n=12，二进制表示为1100，也就是有2棵二项树，分别是2阶二项树和3阶二项树组成，log(12)向上取整也为3，二项堆的最坏运行时间为O(log n)。
1、二项堆的数据结构
二项堆的表示形式同样使用类似二叉树的形式，基本数据结构是类似的，但有些地方稍有不同，后面会有提到。
- 关键字和数据项；
- 度数；
- 最左儿子；
- 其它儿子（兄弟）数组；
- 父结点。
2、二项堆的基本操作
（1）合并操作
二项堆的所有主要操作都依赖于合并操作，h1和h2是两个二项堆，如果其中有一个为空堆则返回另一个堆。
合并的第一个操作是直接合并：找出h1和h2的多个二项树，按照二项树的度数或阶数从左到右升序的方式预先合并两个二项堆。
接着对已合并的树进行调整，以确保满足二项堆的性质：
- 最多只有一个二项树是任意阶数，也就是说，在一个二项堆中每个二项树的阶数都不一样，若遇到相同阶数的二项树则合并，这是调整的最主要原则。合并操作从左到右遍历已合并的各个二项树根结点。
- 遍历已合并的二项树根结点，从最左边的结点开始遍历，当前结点为x，上一个结点为prev，下一个结点为next，下一个的下一个为next-next。
- x和next的阶数不同，跳过不处理。
- x和next的阶数相同。（1）x和next-next的阶数相同，跳过处理；（2）x的关键字小于或等于next，将next作为x的最左儿子；（3）x的关键字大于next，将x作为next的最左儿子。
下图是二项堆合并操作的完整实例图解：
（2）最小元
寻找最小元可通过搜索所有二项树的根找出，也就是从根结点的最左元素开始，时间为O(log n)，一个二项堆中最多有O(log n)棵不同的树，另外或者也可以在其它操作中将最小元放到根上，即可达到O(1)。
（3）删除最小元
先找出拥有最小元的二项树C的根，除了树根外，使用该树C的其它元素创建一棵新的二项堆A，除了拥有最小元的二项树C外，其它二项树重新组成一个新的二项堆B，将这两个二项堆A和B进行合并即可完成删除操作。
3、二项队列或二项堆的实现代码
在本实现中，根结点不指向所有儿子结点，只指向最左儿子，由这个儿子的兄弟指针指向其它儿子；另外所有二项树的根结点均用一个表存起来，这里使用链表，额外实现了一个双向循环链表（如果你用其它语言实现，则可以使用类似list的容器）。代码稍微有些复杂，下面先看二项堆ADT的声明代码：
#include "list.h"
// 二项堆实现优先队列BinomialHeap
// 数据项
typedef struct area{
int width;
int height;
} Area;
// 结点
typedef struct anode{
int key;
Area value;
int degree;
struct anode *parent, *sibling, *child;
} ANode;
// 二项堆对外ADT
typedef struct binomialheap{
list *list;
int size;
} BinomialHeap;
// 二项堆优先队列操作函数声明
extern BinomialHeap *bheap_init();
extern int bheap_is_full(BinomialHeap *bheap);
extern int bheap_is_empty(BinomialHeap *bheap);
extern int bheap_push(BinomialHeap *bheap, int key, Area *value);
extern ANode *bheap_top(BinomialHeap *bheap);
extern void bheap_pop(BinomialHeap *bheap);
extern void bheap_traverse(BinomialHeap *bheap);
extern int bheap_clear(BinomialHeap *bheap);
优先队列的操作都是类似的，以上使用二项堆实现的优先队列，完整源码可以在github上的项目查看：https://github.com/onnple/binomialheap。其中在main文件中有调用实例，实例中的二项堆如下图：
七、优先队列和堆的应用
1、编程语言中的实现
C++的STL库中提供优先队列，Boost则提供更完整的优先队列和不同的堆，如二项堆、d-堆、斐波那契堆、配对堆和斜堆等，其它语言如Java、Python、PHP、Perl、Go也有提供。
2、使用优先队列的Dijkstra最短路径算法
当图以邻接表或矩阵的形式存储时，优先队列可以在实现Dijkstra算法时有效地提取最小值。
3、Prim算法
实现Prim算法存储节点密钥，每一步提取最小密钥节点。
4、数据压缩
用于压缩数据的哈夫曼编码中。
5、人工智能中的A*搜索算法
A*搜索算法寻找加权图中两个顶点之间的最短路径，先尝试最有希望的路径。优先级队列(也称为边缘)用于跟踪未探索的路由，总路径长度的下界最小的路由具有最高优先级。
6、堆排序
堆排序通常使用堆实现，堆是优先级队列的实现。
7、操作系统
它也用于操作系统的负载平衡(服务器上的负载平衡)、中断处理。
评论前必须登录！
注册