void heapify(struct heap *heap, int parent)

        struct element **elem = heap->elem;
        int elements = heap->elements;
        int left, right, max;

        while (true) 
                left = parent * 2;
                right = left + 1;

                max = parent;
                if (left <= elements && elem[max]->data < elem[left]->data)
                        max = left;
                if (right <= elements && elem[max]->data < elem[right]->data)
                        max = right;

                if (max == parent)
                        break;

                swap(heap, max, parent);
                parent = max;
        



void build_heap(struct heap *heap)

        int i;

        for (i = heap->elements / 2; i >= 1; i--)
                heapify(heap, i);

2、排序

按照大顶堆：数组中的第一个元素就是堆顶，我们把它跟后一个元素交换，那么最大元素就放到了下标为n的位置。再次堆化，取堆顶元素，放在n-1位置上。这样交换完数据就排序好了

void swap(struct heap *heap, int i, int j)

        struct element *tmp;

        tmp = heap->elem[j];
        heap->elem[j] = heap->elem[i];
        heap->elem[i] = tmp;


int heap_sort(struct heap *heap)

        int elements = heap->elements;

        while (heap->elements) 
                swap(heap, 1, heap->elements);
                heap->elements--;
                heapify(heap, 1);
        

        return elements;

排序时间复杂度 O(logn)

堆排序是不稳定的排序算法，在排序过程中，存在将堆的最后一个节点跟堆顶互换。有可能改变相同数据的原始相对顺序。

与快速排序比较

在实际开发中，为什么快速排序要比堆排序性能好

1、堆排序的数据访问方式没有快速排序友好

2、对于相同的数据，堆排序数据交换次数多余快速排序

堆的应用

一、优先级队列

队列最大特点先进先出，而优先级队列，数据的出队顺序不是先进先出，而是按照优先级来，优先级高的先出队。

堆和优先级队列非常相似，一个堆看作一个优先级队列。

1、合并有序小文件：

100个小文件，每个文件大小是100MB,每个文件中存储的都是有序的字符串。

使用优先级队列，从各文件拿出第一个string,将小文件中取出来的字符串放入到小顶堆中,100个文件的string组成的小顶堆，堆顶的元素，就是优先级队列首元素，就是最小的字符串。

将这个小字符串从堆中删除，再从小文件中取出下一个字符串，放入堆中。循环执行

时间复杂度：O(logn)

2、高性能定时器

定时器中维护很多定时任务，每个任务都设定了一个要触发执行的时间点。定时器定时扫描任务，查看任务设置的执行时间，如果到了，就拿出来执行。

每过1秒扫描一遍任务列表做法低效

1、任务定时可能很久，1s扫描很多都是徒劳

2、每次都扫描整个任务列表，如果任务表很大，必然会很耗时。

使用优先级队列

按照任务设定的执行时间，将这些任务存储在优先级队列中，队列首部存储的是最先执行的任务。

拿队首任务的执行时间点，与当前时间相减，得到时间间隔T；T就是需要等待多久。

时间到，从队首取出任务，然后再计算新的任务执行时间与当前时间点的差值。

二、求Top K和中位数

1、TopK问题

1、静态数据，数据事先确定，不会改变

维护一个大小为K的小顶堆，顺序遍历数组，从数组中取出数据与堆顶元素比较。如果比堆顶元素大，把堆顶元素删除，并且将这个元素插入到堆中；

如果比堆顶元素小，则不做处理。等数据都遍历完后，堆数据就是前K大数据。

时间复杂度：遍历数组O(n)时间复杂度，一次堆化操作需要O(logk)的时间复杂度，最坏情况下，n个元素都入堆一次，时间复杂度O(nlogk)

2、动态数据

两个操作：1、添加数据；2、询问当前的K大数据

一直维护一个K大小的小顶堆。

当有数据添加到集合中，拿堆它与堆顶元素对比。如果比堆顶元素大，就把堆顶元素删除，并将这个元素加入到堆中；如果比堆顶元素小，不变。

无论任何时候都需要查询当前的K大数据，都可以得到。

时间复杂度：如果每次询问前K大数据，基于当前的数据重新计算的话，时间复杂度O(nlogk),n表示当前数据的大小。

2、利用堆求中位数（动态数据）

先将数据排序，再将数据一分为二，维护两个堆，一个大顶堆，一个小顶堆。

当有数据插入时，如果数据小于等于大顶堆的元素，就将这个数据添加到大顶堆中；否则，小顶堆。

调整：数据插入，破坏了数据均分的特性；将一个堆顶元素，移动到另一个堆中。

插入数据涉及堆化，时间复杂度为O(logn)，查找时间复杂度O(1)

以上是关于数据结构与算法—堆（heap）的主要内容，如果未能解决你的问题，请参考以下文章