优先队列
优先队列（Priority Queue）：
特殊的“队列”，取出元素的顺序是依照元素的优先权（关键字）大小，而不是元素进入队列的先后顺序。
若采用数组或链表实现优先队列
数组
插入操作——元素总是插入尾部 ~ 
删除操作——查找最大（或最小） 关键字 ~ 
从数组中删去需要移动的元素 ~ 
插入操作的时间复杂度为O(1),只需要将元素插入到数组的末尾即可。
但是删除操作的时间复杂度为O(n)，因为需要找到优先级最高的元素，这可能需要遍历整个数组。
链表
插入操作——元素总是插入链表的头部 ~ 
删除操作——查找最大（或最小）关键字 ~ 
删去结点 ~ 
插入操作的时间复杂度为O(1)，同样只需要在链表末尾插入一个节点即可。
而删除操作时，查找最大（或最小）关键字可能需要遍历整个链表再进行删除，所以时间复杂度为O(n)。
有序数组
插入操作——找到合适的位置 ~ 
或 
移动元素并插入 ~ 
删除操作——删去最后一个元素 ~ 
采用有序数组使得优先队列在删除时方便了很多，但是在插入时却同样会变得十分麻烦，要找到合适的位置进行插入，再移动元素。
有序链表
插入操作——找到合适的位置 ~ 
插入元素 ~ 
删除操作——删除首元素或最后元素 ~ 
除了在插入时不用移动元素，有序链表与有序数组基本相同。
总结
给出的这四个方案中，总有存在不足。要么是提高了插入操作的效率，删除操作的效率十分低；要么是提高了删除操作的效率，而插入操作的效率十分低。
所以我们要想用一种新的方式来存储：二叉树
若采用二叉搜索树来实现优先队列
通过前面的学习，我们了解到：
在二叉搜索树中，每个结点都有一个键值，且左子树中的所有结点的键值小于该结点的键值，右子树中的所有结点的键值大于该结点的键值。
因此，可以将优先级作为键值，将元素作为结点存储在二叉搜索树中。
在插入元素时，根据元素的优先级将其插入到正确的位置。
在删除元素时，可以删除具有最高优先级的元素，即最大元素或最小元素。
但是，
当我们连续删除最大值或者连续删除最小值时，这棵二叉搜索树会变得越来越斜，二叉搜索树的插入和删除操作的时间复杂度可能会退化为O(n)。达不到我们要求的高效率了。
所以，我们要思考：采用二叉树的结构来实现这个优先队列的话，要更应该关注插入操作还是删除操作？
最大堆
很显然，采用二叉树结构来实现优先队列时，更应该关注的是删除操作，连续不断地删除二叉搜索树的最值的话，会使得其越来越不平衡。
那么就不删除左右子树，改为删除根结点。
我们把最大值放在根结点上，要删除最大值时直接删除根结点即可。
故而有一个原则：任何一个结点，都是以它为根的这个子树的最大值。
那么满足这个原则的结构，我们称它为最大堆。
为了是这个二叉树能够平衡一点，我们在实现时，最好的方法应该是使用完全二叉树。
我们引出堆的概念：
堆的概念
堆是一种特殊的树形结构，其中每个结点都有一个值，通常称为“键值”，并且每个结点的键值都满足一定的条件。
其中具有最高（或最低）优先级的元素总是位于堆的根结点。
堆可以分为最大堆和最小堆，
最大堆中父结点的键值总是大于或等于任何一个子结点的键值，
而最小堆中父结点的键值总是小于或等于任何一个子结点的键值。
而堆的一个特点就是用完全二叉树来存储。
优先队列的完全二叉树表示
堆的两个特性
结构性
用数组表示的完全二叉树。
有序性
任一结点的关键字是其子树所有结点的最大值（或最小值）
- “最大堆（MaxHeap）”，也称“大顶堆”：最大值
- “最小堆（MinHeap）”，也称“小顶堆”：最小值
【例】最大堆和最小堆
【例】不是堆
堆的抽象数据类型描述
类型名称：最大堆（MaxHeap）
数据对象集：完全二叉树，每个结点的元素值不小于其自子结点的元素值
操作集：最大堆HMaxHeap，元素itemElementType，主要操作有：
- MaxHeap Create(int MaxSize)：创建一个空的最大堆。
- Boolean IsFull(MaxHeap H)：判断最大堆H是否已满。
- Insert(MaxHeap H,ElementType item)：将元素item插入最大堆H。
- Boolean IsEmpty(MaxHeap H)：判断最大堆H是否为空。
- ElementType DeleteMax(MaxHeap H)：返回H中最大元素（高优先级）。
end
