hello-algo/docs/chapter_heap/build_heap.md

建堆操作

在某些情况下，我们希望使用一个列表的所有元素来构建一个堆，这个过程被称为“建堆操作”。

借助入堆操作实现

我们首先创建一个空堆，然后遍历列表，依次对每个元素执行“入堆操作”，即先将元素添加至堆的尾部，再对该元素执行“从底至顶”堆化。

每当一个元素入堆，堆的长度就加一。由于节点是从顶到底依次被添加进二叉树的，因此堆是“自上而下”构建的。

设元素数量为 n ，每个元素的入堆操作使用 O(\log{n}) 时间，因此该建堆方法的时间复杂度为 O(n \log n) 。

通过遍历堆化实现

实际上，我们可以实现一种更为高效的建堆方法，共分为两步。

1. 将列表所有元素原封不动地添加到堆中，此时堆的性质尚未得到满足。
2. 倒序遍历堆（层序遍历的倒序），依次对每个非叶节点执行“从顶至底堆化”。

每当堆化一个节点后，以该节点为根节点的子树就形成一个合法的子堆。而由于是倒序遍历，因此堆是“自下而上”构建的。

之所以选择倒序遍历，是因为这样能够保证当前节点之下的子树已经是合法的子堆，这样堆化当前节点才是有效的。

值得说明的是，由于叶节点没有子节点，因此它们天然就是合法的子堆，无须堆化。如以下代码所示，最后一个非叶节点是最后一个节点的父节点，我们从它开始倒序遍历并执行堆化：

[file]{my_heap}-[class]{max_heap}-[func]{__init__}

复杂度分析

下面，我们来尝试推算第二种建堆方法的时间复杂度。

• 假设完全二叉树的节点数量为 n ，则叶节点数量为 (n + 1) / 2 ，其中 / 为向下整除。因此需要堆化的节点数量为 (n - 1) / 2 。
• 在从顶至底堆化的过程中，每个节点最多堆化到叶节点，因此最大迭代次数为二叉树高度 \log n 。

将上述两者相乘，可得到建堆过程的时间复杂度为 O(n \log n) 。但这个估算结果并不准确，因为我们没有考虑到二叉树底层节点数量远多于顶层节点的性质。

接下来我们来进行更为准确的计算。为了降低计算难度，假设给定一个节点数量为 n 、高度为 h 的“完美二叉树”，该假设不会影响计算结果的正确性。

如上图所示，节点“从顶至底堆化”的最大迭代次数等于该节点到叶节点的距离，而该距离正是“节点高度”。因此，我们可以对各层的“节点数量 \times 节点高度”求和，得到所有节点的堆化迭代次数的总和。

$$ T(h) = 2^0h + 2^1(h-1) + 2^2(h-2) + \dots + 2^{(h-1)}\times1

化简上式需要借助中学的数列知识，先将 T(h) 乘以 2 ，得到：

$$ \begin{aligned} T(h) & = 2^0h + 2^1(h-1) + 2^2(h-2) + \dots + 2^{h-1}\times1 \newline 2 T(h) & = 2^1h + 2^2(h-1) + 2^3(h-2) + \dots + 2^{h}\times1 \newline \end{aligned}

使用错位相减法，用下式 2 T(h) 减去上式 T(h) ，可得：

$$ 2T(h) - T(h) = T(h) = -2^0h + 2^1 + 2^2 + \dots + 2^{h-1} + 2^h

观察上式，发现 T(h) 是一个等比数列，可直接使用求和公式，得到时间复杂度为：

$$ \begin{aligned} T(h) & = 2 \frac{1 - 2^h}{1 - 2} - h \newline & = 2^{h+1} - h - 2 \newline & = O(2^h) \end{aligned}

进一步，高度为 h 的完美二叉树的节点数量为 n = 2^{h+1} - 1 ，易得复杂度为 O(2^h) = O(n) 。以上推算表明，输入列表并建堆的时间复杂度为 O(n) ，非常高效。