{
  "id": "binary-heap",
  "title": "二叉堆",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "二叉堆是满足堆序约束的完全二叉树，可高效访问和移除最小或最大元素。",
  "category": "computer-science",
  "subcategory": "algorithms-theory",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/binary-heap/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/binary-heap/",
      "json": "https://aiwiki.page/en/binary-heap.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "二叉堆是一种采用完全二叉树形式组织的数据结构，其中每个父节点的键与其子节点的键之间都满足特定的顺序关系。在最小堆中，每个父节点的键都不大于其子节点的键；在最大堆中，则都不小于其子节点的键。因此，两者的根节点分别包含最小键或最大键。二叉堆通常存储在数组中，广泛用于实现优先队列和堆排序算法。"
    },
    {
      "heading": "结构与顺序",
      "text": "二叉堆满足两个相互独立的条件：\n\n- **形状性质：**除最底层可能未填满外，其余各层均填满，且最底层从左到右依次填充。\n- **堆序性质：**在选定的优先级顺序下，每个父节点的优先级都高于或等于其子节点。\n\n对于键函数为 \\(k\\) 的最小堆，顺序条件为\n\n\\[k(\\operatorname{parent}(v)) \\leq k(v)\\]\n\n其中 \\(v\\) 为任意非根节点。最大堆则将不等号反向。堆中允许存在重复键。\n\n形状性质保证了包含 \\(n\\) 个元素的非空堆，其高度为\n\n\\[h=\\lfloor \\log_2 n \\rfloor,\\]\n\n这里的高度以边数计量。这一对数级高度限制了插入和移除操作需要经过的层数。\n\n堆序只是元素之间的一种偏序关系。它约束祖先节点与后代节点之间的顺序，但通常不规定兄弟节点之间或不同子树中元素之间的顺序。例如，数组\n\n[2, 5, 3, 9, 7, 8, 4]\n\n虽然并未排序，却表示一个有效的最小堆。\n\n因此，二叉堆不同于二叉搜索树。搜索树通过规定左右子树中键的顺序来支持查找；堆则让极值键可以直接访问，但并不维护足以高效查找任意键的顺序信息。"
    },
    {
      "heading": "数组表示",
      "text": "二叉堆通常用数组（数据结构）表示，而不是使用分别分配、通过指针连接的节点。完全二叉树的结构使得节点间的关系可以直接由数组位置推导出来。\n\n采用从零开始的索引时，索引为 \\(i\\) 的节点具有以下关系：\n\n\\[\\operatorname{parent}(i)=\\left\\lfloor\\frac{i-1}{2}\\right\\rfloor \\quad \\text{for } i>0,\\]\n\n\\[\\operatorname{left}(i)=2i+1, \\qquad \\operatorname{right}(i)=2i+2.\\]\n\n只有当子节点的索引小于当前堆大小 \\(n\\) 时，该子节点才存在。采用从一开始的索引时，对应的索引分别为 \\(\\lfloor i/2\\rfloor\\)、\\(2i\\) 和 \\(2i+1\\)。\n\n这种表示无需显式保存节点之间的链接，并按层序存储堆。它的单个元素额外开销较低，通常具有良好的空间局部性，不过在较大的堆中，从根到叶的路径仍可能跨越多个CPU 缓存行。\n\n堆的逻辑大小必须与数组容量区分开来。超出逻辑大小的数组槽位不属于堆。"
    },
    {
      "heading": "基本操作",
      "text": "以下描述以最小堆为例。最大堆的操作只需将比较方向反转。\n\n查看最小值\n\n最小值存储在根节点，因此查看它需要 \\(O(1)\\) 时间。对于空堆，除非接口规定了错误、哨兵值或可选结果，否则该操作没有定义。\n\n插入与上浮\n\n插入时，首先将元素追加到下一个可用位置，以保持完全二叉树的形状。随后将该元素与其父节点比较。如果它的键更小，就与父节点交换，并继续向上进行这一过程。\n\n这一操作称为上浮（sift-up、bubble-up 或 percolate-up）。只有新元素到根的祖先路径可能违反堆序，因此修复这条路径即可恢复不变式。\n\n在最坏情况下，插入所需的堆调整工作为 \\(O(\\log n)\\)。如果底层数组需要扩容，单次插入还可能需要 \\(O(n)\\) 的复制或移动操作。若容量按几何倍数增长，数组扩容带来的开销摊还到每次插入为 \\(O(1)\\)。\n\n移除最小值与下沉\n\n移除根节点的步骤如下：\n\n- 保存根元素。\n- 将最后一个元素移到根位置，并减小堆大小。\n- 将替换上来的元素与其子节点比较。\n- 如果它大于较小的那个子节点，就交换两者，并继续向下进行这一过程。\n\n这一修复操作称为下沉（sift-down、bubble-down 或 percolate-down）。选择较小的子节点至关重要：如果将较大的子节点上移，它可能仍大于其兄弟节点。\n\n移除操作在最坏情况下需要 \\(O(\\log n)\\) 时间。只有一个元素的堆在移除后直接变为空堆。\n\n以下伪代码在从零开始索引的最小堆中执行下沉操作，假设各子树已经满足堆序：\n\nsift_down(A, i, n):\n    while 2*i + 1 < n:\n        child = 2*i + 1\n        right = child + 1\n\n        if right < n and A[right] < A[child]:\n            child = right\n\n        if A[i] <= A[child]:\n            break\n\n        swap A[i], A[child]\n        i = child\n\n实现时可以借助一个临时“空位”移动元素，而不必反复交换，从而减少赋值次数，同时保持相同的渐近界。\n\n修改优先级与删除已知位置的元素\n\n如果已知元素的位置，在最小堆中减小它的键可能需要上浮，增大它的键则可能需要下沉。两种操作都需要 \\(O(\\log n)\\) 时间。\n\n对于位置已知的任意元素，可以用最后一个元素替换它，再视情况向上或向下修复，从而完成删除。这同样需要 \\(O(\\log n)\\) 时间。\n\n“位置已知”这一前提十分重要。在普通二叉堆中查找特定值，最坏情况下需要 \\(O(n)\\) 时间。索引优先队列会额外维护从元素标识符到堆中位置的映射，通常使用数组或哈希表实现。堆中每次移动元素时，都必须更新这一映射。"
    },
    {
      "heading": "建堆",
      "text": "可以通过反复插入元素来构建堆，最坏情况下需要 \\(O(n\\log n)\\) 时间。更高效的方法是自底向上构建。\n\n对于长度为 \\(n\\)、从零开始索引的数组，从 \\(\\lfloor n/2\\rfloor\\) 开始的所有位置都是叶节点，各自已经满足堆序。算法从最后一个内部节点 \\(\\lfloor n/2\\rfloor-1\\) 开始，按索引递减的顺序对每个位置执行下沉，直至根节点。\n\n这一过程通常称为自底向上建堆或 build-heap，需要 \\(\\Theta(n)\\) 时间。它通常与罗伯特·W. 弗洛伊德关于堆排序的工作联系在一起。\n\n线性时间界源于大多数节点都靠近叶节点，只能移动很短的距离。总工作量的一个上界正比于\n\n\\[n\\sum_{h=0}^{\\lfloor\\log_2 n\\rfloor}\\frac{h}{2^{h+1}} =O(n).\\]\n\n虽然一次下沉可能花费 \\(O(\\log n)\\) 时间，但只有很少一部分节点具有这么大的可下沉高度。因此，将下沉的最大开销乘以节点总数，只能得到一个较宽松的上界。\n\nheapify 一词存在歧义：有些接口用它表示构建整个堆，而有些算法说明则用它表示一次下沉操作。"
    },
    {
      "heading": "复杂度",
      "text": "在键比较和元素移动均耗费常数时间的通常模型下，主要操作的时间复杂度如下：\n\n操作 | 时间界\n查看最小值或最大值 | \\(O(1)\\)\n插入，不计数组重新分配 | 最坏情况 \\(O(\\log n)\\)\n移除最小值或最大值 | 最坏情况 \\(O(\\log n)\\)\n修改已知位置的键 | 最坏情况 \\(O(\\log n)\\)\n删除已知位置的元素 | 最坏情况 \\(O(\\log n)\\)\n查找任意键 | 最坏情况 \\(O(n)\\)\n自底向上建堆 | \\(\\Theta(n)\\)\n拼接两个堆后重新建堆以完成合并 | \\(\\Theta(n+m)\\)\n\n存储 \\(n\\) 个元素需要 \\(O(n)\\) 空间。迭代式上浮和下沉使用 \\(O(1)\\) 辅助空间。递归实现则可能使用 \\(O(\\log n)\\) 的调用栈空间。\n\n这些界不包含存储对象本身带来的开销。比较长字符串或移动大型记录，可能使名义上为常数时间的步骤变得更加昂贵。"
    },
    {
      "heading": "应用",
      "text": "优先队列\n\n优先队列是一种抽象数据类型，规定了插入、移除最高优先级元素等操作；二叉堆则是它的一种具体实现。\n\n基于堆的优先队列可用于事件仿真、任务选择和处理器调度系统。在这些系统中，下一个要处理的项目由优先级决定，而非由到达顺序决定。\n\n它们也用于图算法。迪ijkstra算法可以使用最小堆选出暂定距离最小的下一个顶点，而A星搜索则按照估计的路径总成本排列候选项。具体实现可以支持直接更新优先级，也可以插入修订后的条目，并在移除时忽略过时条目。\n\n堆排序\n\n堆排序先构建最大堆，然后反复将根元素与当前有效堆中的最后一个元素交换，缩小有效区域，再恢复堆序。最终得到升序序列。\n\n这种方法是一种排序算法，最坏情况下的运行时间为 \\(O(n\\log n)\\)。其常规迭代实现使用 \\(O(1)\\) 辅助空间，但并不稳定：键相等的元素可能改变相对顺序。\n\n选择与归并\n\n大小为 \\(k\\) 的堆可以保留数据流中迄今遇到的最大 \\(k\\) 个元素。最小堆可直接提供所保留元素中的最小值，便于判断新元素是否应替换它。当 \\(k\\geq 2\\) 时，处理 \\(n\\) 个元素需要 \\(O(n\\log k)\\) 时间和 \\(O(k)\\) 存储空间。\n\n归并 \\(k\\) 个有序序列时，可以用最小堆保存每个序列中下一个可用的元素。每次取出最小元素后，算法将该元素在原序列中的后继插入堆中。对于总计 \\(N\\) 个元素且 \\(k\\geq 2\\) 的情况，这种方法需要 \\(O(N\\log k)\\) 时间。"
    },
    {
      "heading": "局限与实现注意事项",
      "text": "不支持高效的通用查找。 堆序不足以支持在底层数组中进行二分查找。搜索树通常更适合支持有序遍历和范围查询。\n\n本身不具备稳定性。 优先级相等的元素不一定按插入顺序移除。稳定优先队列可以将优先级与插入序号组成二元组进行比较。\n\n可变键需要修复。 在外部修改键而不恢复堆序，可能导致后续操作失效。接口可以禁止此类修改，或要求显式执行更新操作。\n\n比较规则必须一致。 正确性依赖于一致的顺序关系。对于浮点非数（NaN）等值，如果语言的普通比较无法提供所需的顺序关系，就必须进行显式处理。\n\n合并并不特别高效。 拼接两个堆数组并重新建堆，所需时间与它们的总大小成线性关系。这适合批量合并，但无法提供某些其他堆结构所支持的高效合并操作。\n\n数组位置不是稳定的身份标识。 插入、移除和修复都会移动元素。外部对位置的引用需要维护，而数组重新分配还可能使直接内存引用失效。"
    },
    {
      "heading": "历史与相关结构",
      "text": "J. W. J. 威廉姆斯于 1964 年在堆排序的相关工作中提出了二叉堆。同年，弗洛伊德发表了一种改进的堆排序方法，其中包含自底向上的建堆技术，成为标准线性时间建堆过程的基础。\n\n二叉堆是d 叉堆的特例；在 d 叉堆中，每个节点最多可以有 \\(d\\) 个子节点。更大的分支因子可以降低树高，但下沉时需要检查更多子节点。\n\n其他优先队列结构采用了不同的权衡。二项堆支持高效合并，而斐波那契堆则为减小键等操作提供了更优的摊还复杂度界。二叉堆仍被广泛使用，因为它的数组表示紧凑、算法简单，而且实际开销相对较低。\n\n“堆”（heap）一词也指用于动态内存分配的区域。这一含义与二叉堆数据结构不同；内存分配器不一定将其存储空间组织为二叉堆。"
    }
  ],
  "links": [
    "binary-tree",
    "data-structure",
    "priority-queue",
    "heapsort",
    "binary-search-tree",
    "array-data-structure",
    "cpu-cache",
    "pseudocode",
    "hash-table",
    "time-complexity",
    "call-stack",
    "abstract-data-type",
    "cpu-scheduling",
    "dijkstra-algorithm",
    "a-star-search",
    "sorting-algorithm",
    "binary-search",
    "not-a-number"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}