Merge pull request #937 from WAAutoMaton/master

### 结构

从二叉堆的结构说起，它是一棵二叉树，并且是完全二叉树，每个结点中存有一个元素（或者说，有个权值）。

堆性质：父亲的权值不大于儿子的权值（小根堆）。

由堆性质，树根存的是最小值（getmin 操作就解决了）。

### 插入操作

首先，要保证插入后也是一棵完全二叉树。

最简单的方法就是，最下一层最右边的叶子之后插入。

如果最下一层已满，就新增一层。

插入之后可能会不满足堆性质？

向上调整：如果这个结点的权值大于它父亲的权值，就交换，重复此过程直到不满足或者到根。

可以证明，插入之后向上调整后，没有其他结点会不满足堆性质。

向上调整的时间复杂度是 $O(\log n)$ 的。

### 删除操作

删除根结点。

如果直接删除，则变成了两个堆，难以处理。

所以不妨考虑插入操作的逆过程，设法将根结点移到最后一个结点，然后直接删掉。

然而实际上不好做，我们通常采用的方法是，把根结点和最后一个结点直接交换。

于是直接删掉（在最后一个结点处的）根结点，但是新的根结点可能不满足堆性质……

向下调整：在该结点的所有儿子中，找一个最小的，与该结点交换，重复此过程直到底层。

可以证明，删除并向下调整后，没有其他结点不满足堆性质。

时间复杂度 $O(\log n)$ 。

### 减小某个点的权值

很显然，直接修改后，向上调整一次即可，时间复杂度为 $O(\log n)$ 。

### 实现

我们发现，上面介绍的几种操作主要依赖于两个核心：向上调整和向下调整。

（伪代码）

```c++

up(x) {

  while (x > 1 && h[x] > h[x / 2]) {

    swap(h[x], h[x / 2]);

    x /= 2;

  }

}

down(x) {

  while (x * 2 <= n) {

    t = x * 2;

    if (t + 1 <= n && h[t + 1] < h[t]) t++;

    if (h[t] >= h[x]) break;

    swap(h[x], h[t]);

    x = t;

  }

}

```

### 建堆

考虑这么一个问题，从一个空的堆开始，插入 $n$ 个元素，不在乎顺序。

直接一个一个插入需要 $O(n \log n)$ 的时间，有没有更好的方法？

#### 方法一：使用 decreasekey（即，向上调整）

从根开始，按 BFS 序进行。

```text

build_heap_1() {

	for (i = 1; i <= n; i++) up(i);

}

```

为啥这么做：对于第 $k$ 层的结点，向上调整的复杂度为 $O(k)$ 而不是 $O(\log n)$ 。

总复杂度： $\log 1 + \log 2 + \cdots + \log n = \Theta(n \log n)$ 。

（在「基于比较的排序」中证明过）

#### 方法二：使用向下调整

这时换一种思路，从叶子开始，逐个向下调整

```text

build_heap_2() {

	for (i = n; i >= 1; i--) down(i);

}

```

换一种理解方法，每次「合并」两个已经调整好的堆，这说明了正确性。

注意到向下调整的复杂度，为 $O(\log n - k)$ 。

$$

\begin{aligned}

总复杂度 & = n \log n - \log 1 - \log 2 - \cdots - \log n \\

& \leq n \log n - 0 \times 2^0 - 1 \times 2^1 -\cdots - (\log n - 1) \times \frac{n}{2} \\\

& = n \log n - (n-1) - (n-2) - (n-4) - \cdots - (n-\frac{n}{2}) \\

& = n \log n - n \log n + 1 + 2 + 4 + \cdots + \frac{n}{2} \\

& = n - 1 \\ &  = O(n)

\end{aligned}

$$

之所以能 $O(n)$ 建堆，是因为堆性质很弱，二叉堆并不是唯一的。

要是像排序那样的强条件就难说了。

## 堆

# 堆简介

堆是一种数据结构，维护一个数的集合（或者，一个支持比较的元素的集合）。

## 堆的分类

一个有趣的事实是，这些堆都是用基于树的数据结构实现的。

在 NOIP 中，我们只要求一个能支持主要操作的堆就行，也就是二叉堆。

-   二叉堆_(binary heap)_

最基础的堆，不支持 merge 和可持久化，所有操作的复杂度都是 $O(\log n)$ 的。

-   二项堆_(binomial heap)_

支持 merge 的堆，（也能可持久化），所有操作的复杂度都是 $O(\log n)$ 。

-   Fib 堆_(Fibonacci heap)_

除了不能可持久化，支持全部功能，而且除了 deletemin 以外都是均摊 $O(1)$ 的。

## 二叉堆

### 结构

从二叉堆的结构说起，它是一棵二叉树，并且是完全二叉树，每个结点中存有一个元素（或者说，有个权值）。

堆性质：父亲的权值不大于儿子的权值（小根堆）。

由堆性质，树根存的是最小值（getmin 操作就解决了）。

### 插入操作

首先，要保证插入后也是一棵完全二叉树。

最简单的方法就是，最下一层最右边的叶子之后插入。

如果最下一层已满，就新增一层。

插入之后可能会不满足堆性质？

向上调整：如果这个结点的权值大于它父亲的权值，就交换，重复此过程直到不满足或者到根。

可以证明，插入之后向上调整后，没有其他结点会不满足堆性质。

向上调整的时间复杂度是 $O(\log n)$ 的。

### 删除操作

删除根结点。

如果直接删除，则变成了两个堆，难以处理。

所以不妨考虑插入操作的逆过程，设法将根结点移到最后一个结点，然后直接删掉。

然而实际上不好做，我们通常采用的方法是，把根结点和最后一个结点直接交换。

|         操作\\数据结构        |                                    配对堆                                    |       二叉堆      |       左偏树      |      二项堆      | 斐波那契堆         |

| :---------------------: | :-----------------------------------------------------------------------: | :------------: | :------------: | :-----------: | ------------- |

|        插入（insert）       |                                   $O(1)$                                  |   $O(\log n)$  |   $O(\log n)$  |     $O(1)$    |  $O(1)$       |

|     查询最小值（find-min）     |                                   $O(1)$                                  |     $O(1)$     |     $O(1)$     |  $O(\log n)$  |  $O(1)$       |

|    删除最小值（delete-min）    |                                $O(\log n)$                                |   $O(\log n)$  |   $O(\log n)$  |  $O(\log n)$  |  $O(\log n)$  |

|        合并 (merge)       |                                   $O(1)$                                  |     $O(n)$     |   $O(\log n)$  |  $O(\log n)$  |  $O(1)$       |

| 减小一个元素的值 (decrease-key) |  $o(\log n) (下界\Omega(\log \log n) ，\\\\上界 O(2^{2\sqrt{\log \log n}}) )$  |   $O(\log n)$  |    $O(logn)$   |  $O(\log n)$  |  $O(1)$       |

|         是否支持可持久化        |                                  $\times$                                 |  $\checkmark$  |  $\checkmark$  |               |  $\times$     |

于是直接删掉（在最后一个结点处的）根结点，但是新的根结点可能不满足堆性质……

向下调整：在该结点的所有儿子中，找一个最小的，与该结点交换，重复此过程直到底层。

可以证明，删除并向下调整后，没有其他结点不满足堆性质。

时间复杂度 $O(\log n)$ 。

### 减小某个点的权值

很显然，直接修改后，向上调整一次即可，时间复杂度为 $O(\log n)$ 。

### 实现

我们发现，上面介绍的几种操作主要依赖于两个核心：向上调整和向下调整。

（伪代码）

```c++

up(x) {

  while (x > 1 && h[x] > h[x / 2]) {

    swap(h[x], h[x / 2]);

    x /= 2;

  }

}

down(x) {

  while (x * 2 <= n) {

    t = x * 2;

    if (t + 1 <= n && h[t + 1] < h[t]) t++;

    if (h[t] >= h[x]) break;

    swap(h[x], h[t]);

    x = t;

  }

}

```

### 建堆

考虑这么一个问题，从一个空的堆开始，插入 $n$ 个元素，不在乎顺序。

直接一个一个插入需要 $O(n \log n)$ 的时间，有没有更好的方法？

#### 方法一：使用 decreasekey（即，向上调整）

从根开始，按 BFS 序进行。

```text

build_heap_1() {

	for (i = 1; i <= n; i++) up(i);

}

```

为啥这么做：对于第 $k$ 层的结点，向上调整的复杂度为 $O(k)$ 而不是 $O(\log n)$ 。

总复杂度： $\log 1 + \log 2 + \cdots + \log n = \Theta(n \log n)$ 。

（在「基于比较的排序」中证明过）

#### 方法二：使用向下调整

这时换一种思路，从叶子开始，逐个向下调整

```text

build_heap_2() {

	for (i = n; i >= 1; i--) down(i);

}

```

换一种理解方法，每次「合并」两个已经调整好的堆，这说明了正确性。

注意到向下调整的复杂度，为 $O(\log n - k)$ 。

$$

\begin{aligned}

总复杂度 & = n \log n - \log 1 - \log 2 - \cdots - \log n \\\\

& \leq n \log n - 0 \times 2^0 - 1 \times 2^1 -\cdots - (\log n - 1) \times \frac{n}{2} \\\\

& = n \log n - (n-1) - (n-2) - (n-4) - \cdots - (n-\frac{n}{2}) \\\\

& = n \log n - n \log n + 1 + 2 + 4 + \cdots + \frac{n}{2} \\\\

& = n - 1 \\\\ &  = O(n)

\end{aligned}

$$

之所以能 $O(n)$ 建堆，是因为堆性质很弱，二叉堆并不是唯一的。

一个有趣的事实是，这些堆都是用基于树的数据结构实现的。

要是像排序那样的强条件就难说了。

在 OI 中，最常用的堆是二叉堆，习惯上不加限定提到“堆”时往往也指二叉堆。