> For the complete documentation index, see [llms.txt](https://zhenghe.gitbook.io/open-courses/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://zhenghe.gitbook.io/open-courses/mit-6.006/priority-queue-interface-and-implementation.md).

# Priority Queue Interface & Implementation

## Priority Queue Interface

Priority Queue 在 Queue 的基础上，为 Queue 中的每个元素设置优先级，从而影响 dequeue 的顺序。我们知道 Queue 的 dequeue 是遵循 FIFO 策略，但现实中有很多场景的 dequeue 需要按照一定的优先级实施调度策略：

* 飞机头等舱与经济舱的登机顺序
* 操作系统的进程调度管理
* ...

将这些场景抽象起来，就得到了 Priority Queue Interface:

| 方法                       | 功能                                |
| ------------------------ | --------------------------------- |
| $$insert(Q, x)$$         | 将元素 x 插入到队列 Q 中                   |
| $$max(Q)$$               | 返回队列 Q 中优先级最高的元素                  |
| $$extractMax(Q)$$        | 将队列 Q 中优先级最高的元素出列，并返回             |
| $$increaseKey(Q, x, k)$$ | 将队列 Q 中的元素 x 的优先级变成 k （k 大于当前优先级） |

## Implementation

在 Priority Queue 中，元素处于一种 **“半排序”** 的状态，它需要高效地支持三种操作：

* 定位优先级最高的元素
* 优先级最高的元素出列后，定位下一个优先级最高的元素
* 新的元素入列后处在合理的排序位置

这也是实现好的 Priority Queue 的关键所在。

### Binary Heap （以 Max Heap 为例）

| 方法               | 时间复杂度         | 空间复杂度    |
| ---------------- | ------------- | -------- |
| $$insert(x)$$    | $$O(log(n))$$ | $$O(1)$$ |
| $$max()$$        | $$O(1)$$      | $$O(1)$$ |
| $$extractMax()$$ | $$O(log(n))$$ | $$O(1)$$ |

Binary Heap 有两个不变特性（invariants)：

* Structure Property: 结构上它是一棵二叉完全数（binary complete tree）
* Heap Order Property: 父节点的取值大于它的子节点的取值

实现示例：

{% code title="binary\_heap.py" %}

```python
# 参考
# http://interactivepython.org/courselib/static/pythonds/Trees/BinaryHeapImplementation.html
class MaxHeap:
    def __init__(self):
        # start from index 1, so that for node i
        # parent index: i//2
        # left child index: 2*i
        # right child index: 2*i+1
        self.h = [0]
        self.n = 0

    def insert(self, x):
        # time complexity: O(logn)
        self.h.append(x)
        self.n += 1
        self._bubbleUp(self.n)
    
    def max(self):
        # time complexity: O(1)
        self._ensureNotEmpty()
        return self.h[1]

    def heapify(self, A):
        # time complexity: O(n)
        self.h, self.n = [0] + A, len(A)
        for i in range(self.n//2, 0, -1):
            self._bubbleDown(i)
            
    def extractMax(self):
        # time complexity: O(logn)
        m = self.max()
        if self.n == 1:
            self.h, self.n = [0], 0
        else:
            self.h[1], self.h[self.n] = self.h[self.n], self.h[1]
            del self.h[self.n]
            self.n -= 1
            self._bubbleDown(1)
        return m
    
    def _ensureNotEmpty(self):
        if self.n <= 0:
            raise Exception("empty tree")
        
    def _bubbleUp(self, i):
        while i//2 > 0:
            if self.h[i] > self.h[i//2]:
                self.h[i//2], self.h[i] = self.h[i], self.h[i//2]
            i = i//2
    
    def _bubbleDown(self, i):
        while (i*2) <= self.n:
            mci = self._maxChild(i)
            if self.h[i] < self.h[mci]:
                self.h[i], self.h[mci] = self.h[mci], self.h[i]
            i = mci   
    
    def _maxChild(self, i):
        if i*2 + 1 > self.n:
            return i*2
        else:
            if self.h[i*2] > self.h[i*2+1]:
                return i*2
            else:
                return i*2+1
```

{% endcode %}

### Python heapq

## 参考

* [python heapq source code](https://github.com/python/cpython/blob/master/Lib/heapq.py)