【java实现+4种变体完整例子】排序算法中【堆排序】的详细解析，包含基础实现、常见变体的完整代码示例，以及各变体的对比表格

以下是堆排序的详细解析，包含基础实现、常见变体的完整代码示例，以及各变体的对比表格：

---

一、堆排序基础实现

原理

基于二叉堆结构（最大堆），通过以下步骤实现排序：

1. 构建最大堆：将数组调整为一个最大堆，根节点为最大值。
2. 提取最大值：将堆顶元素（最大值）与末尾元素交换，缩小堆范围，重新调整堆。
3. 重复步骤2：直到堆为空。

代码示例

public class HeapSort {
    void sort(int[] arr) {
        int n = arr.length;

        // Build max heap
        for (int i = n / 2 - 1; i >= 0; i--) {
            heapify(arr, n, i);
        }

        // Extract elements one by one
        for (int i = n - 1; i >= 0; i--) {
            // Move current root to end
            int temp = arr[0];
            arr[0] = arr[i];
            arr[i] = temp;

            // Heapify the reduced heap
            heapify(arr, i, 0);
        }
    }

    // Recursive heapify to build a max heap
    private void heapify(int[] arr, int n, int i) {
        int largest = i; // Initialize largest as root
        int left = 2 * i + 1;
        int right = 2 * i + 2;

        // If left child is larger than root
        if (left < n && arr[left] > arr[largest]) {
            largest = left;
        }

        // If right child is larger than largest so far
        if (right < n && arr[right] > arr[largest]) {
            largest = right;
        }

        // If largest is not root
        if (largest != i) {
            int swap = arr[i];
            arr[i] = arr[largest];
            arr[largest] = swap;

            // Recursively heapify the affected sub-tree
            heapify(arr, n, largest);
        }
    }
}

复杂度分析

• 时间复杂度 ：O(n log n)（所有情况）。
• 空间复杂度 ：O(log n)（递归调用栈空间）。
• 稳定性：不稳定（相同值的元素可能因交换顺序改变相对位置）。

---

二、常见变体及代码示例

1. 迭代实现（非递归）

改进点 ：用循环替代递归，减少栈空间开销。
适用场景：避免递归深度限制或优化性能。

public class IterativeHeapSort {
    void sort(int[] arr) {
        int n = arr.length;

        // Build max heap
        for (int i = n / 2 - 1; i >= 0; i--) {
            iterativeHeapify(arr, n, i);
        }

        // Extract elements one by one
        for (int i = n - 1; i >= 0; i--) {
            int temp = arr[0];
            arr[0] = arr[i];
            arr[i] = temp;

            iterativeHeapify(arr, i, 0);
        }
    }

    // Iterative heapify to build a max heap
    private void iterativeHeapify(int[] arr, int n, int i) {
        int largest = i;
        int left = 2 * i + 1;
        int right = 2 * i + 2;

        while (true) {
            if (left < n && arr[left] > arr[largest]) {
                largest = left;
            }
            if (right < n && arr[right] > arr[largest]) {
                largest = right;
            }
            if (largest == i) break;

            // Swap and continue
            int swap = arr[i];
            arr[i] = arr[largest];
            arr[largest] = swap;

            i = largest;
            left = 2 * i + 1;
            right = 2 * i + 2;
        }
    }
}

2. 最小堆实现

改进点 ：使用最小堆实现排序，需反转结果。
适用场景：需用最小堆结构的场景（如优先队列）。

public class MinHeapSort {
    void sort(int[] arr) {
        int n = arr.length;

        // Build min heap
        for (int i = n / 2 - 1; i >= 0; i--) {
            heapify(arr, n, i);
        }

        // Extract elements one by one (ascending order requires reversal)
        for (int i = n - 1; i >= 0; i--) {
            int temp = arr[0];
            arr[0] = arr[i];
            arr[i] = temp;

            heapify(arr, i, 0);
        }
        reverse(arr); // Reverse to get ascending order
    }

    // Heapify for min heap
    private void heapify(int[] arr, int n, int i) {
        int smallest = i;
        int left = 2 * i + 1;
        int right = 2 * i + 2;

        if (left < n && arr[left] < arr[smallest]) {
            smallest = left;
        }
        if (right < n && arr[right] < arr[smallest]) {
            smallest = right;
        }
        if (smallest != i) {
            swap(arr, i, smallest);
            heapify(arr, n, smallest);
        }
    }

    private void reverse(int[] arr) {
        int left = 0, right = arr.length - 1;
        while (left < right) {
            swap(arr, left, right);
            left++;
            right--;
        }
    }

    private void swap(int[] arr, int i, int j) {
        int temp = arr[i];
        arr[i] = arr[j];
        arr[j] = temp;
    }
}

3. 原地堆排序优化

改进点 ：减少比较次数，优化堆调整过程。
适用场景：追求极致性能的场景。

public class OptimizedHeapSort {
    void sort(int[] arr) {
        int n = arr.length;

        // Build max heap with reduced comparisons
        for (int i = n / 2 - 1; i >= 0; i--) {
            heapify(arr, n, i);
        }

        // Extract elements one by one
        for (int i = n - 1; i >= 0; i--) {
            swap(arr, 0, i);
            heapify(arr, i, 0);
        }
    }

    // Optimized heapify to reduce comparisons
    private void heapify(int[] arr, int n, int i) {
        while (true) {
            int largest = i;
            int left = 2 * i + 1;
            int right = 2 * i + 2;

            if (left < n && arr[left] > arr[largest]) {
                largest = left;
            }
            if (right < n && arr[right] > arr[largest]) {
                largest = right;
            }

            if (largest == i) break;

            swap(arr, i, largest);
            i = largest;
        }
    }

    private void swap(int[] arr, int i, int j) {
        int temp = arr[i];
        arr[i] = arr[j];
        arr[j] = temp;
    }
}

---

三、变体对比表格

变体名称	时间复杂度	空间复杂度	稳定性	主要特点	适用场景
基础堆排序（递归）	O(n log n)	O(log n)	不稳定	递归实现，简单直观	通用排序，需避免栈溢出时需迭代版
迭代堆排序	O(n log n)	O(1)	不稳定	无递归，减少栈空间开销	需避免递归深度限制的场景
最小堆实现	O(n log n)	O(1)	不稳定	使用最小堆并反转结果，适合特定需求	需最小堆结构或特殊排序需求
原地优化堆排序	O(n log n)	O(1)	不稳定	减少比较次数，提升性能	高性能要求场景

---

四、关键选择原则

1. 基础场景：优先使用基础递归实现，因其简单易懂。
2. 栈限制场景：迭代实现适合避免递归深度限制（如超大数组）。
3. 最小堆需求：最小堆变体适用于需要最小堆结构的场景，但需额外反转步骤。
4. 性能优化：原地优化版通过减少比较次数提升效率，适合对性能敏感的场景。
5. 稳定性需求：所有变体均不稳定，若需稳定排序需选择其他算法（如归并排序）。

通过选择合适的变体，可在特定场景下优化性能或适应硬件限制。例如，迭代实现避免栈溢出，而原地优化版通过减少比较次数提升效率。