当前位置：首页 > news >正文

[数据结构与算法] 优先队列 | 最小堆 C++

news 2025/7/12 18:37:34

下面是关于 C++ 中 std::priority_queue 的详细说明，包括初始化、用法和常见的应用场景。

什么是 `priority_queue`？

priority_queue（优先队列）是 C++ 标准库中的一个容器适配器。它和普通队列（queue）最大的不同在于，元素的出队顺序不是根据它们入队的顺序（先进先出），而是根据它们的优先级。

默认情况下，priority_queue 是一个大顶堆（Max-Heap），意味着优先级最高的元素是值最大的元素。每次调用 top() 都会返回当前队列中最大的元素。

底层实现：通常使用**堆（Heap）**数据结构来实现，这使得它能以对数时间复杂度（O(log n)）插入元素和删除最大（或最小）的元素。
头文件：使用前需要包含头文件 <queue>。

#include <iostream>
#include <queue>
#include <vector>
#include <functional> // 包含 std::greater 和 std::less

1. `priority_queue` 的初始化

priority_queue 的模板定义如下：

template <class T, class Container = std::vector<T>, class Compare = std::less<typename Container::value_type>>
class priority_queue;

T: 存储的元素类型。
Container: 用于存储元素的底层容器，默认为 std::vector<T>。必须是支持随机访问迭代器和 front(), push_back(), pop_back() 等操作的序列容器，例如 std::vector 和 std::deque。
Compare: 比较函数或函数对象，用于确定元素的优先级。默认为 std::less<T>，它会创建一个大顶堆。

1.1 默认初始化（大顶堆）

最常见的用法，创建一个存储 int 类型的大顶堆。每次 top() 都会返回最大的元素。

// 默认情况下，是 std::vector 作为容器，std::less 作为比较函数，即大顶堆
std::priority_queue<int> max_heap;max_heap.push(30);
max_heap.push(100);
max_heap.push(25);
max_heap.push(40);// 此刻队列顶部的元素是 100
std::cout << "Top element is: " << max_heap.top() << std::endl; // 输出 100

1.2 初始化为小顶堆

如果你想让 top() 总是返回最小的元素，你需要创建一个小顶堆（Min-Heap）。这需要显式提供所有模板参数：

T: 元素类型。
Container: 底层容器，通常是 std::vector<T>。
Compare: 比较函数，使用 std::greater<T>。

// 使用 std::greater<int> 来创建小顶堆
std::priority_queue<int, std::vector<int>, std::greater<int>> min_heap;min_heap.push(30);
min_heap.push(100);
min_heap.push(25);
min_heap.push(40);// 此刻队列顶部的元素是 25
std::cout << "Top element is: " << min_heap.top() << std::endl; // 输出 25

1.3 存储自定义结构体

当存储自定义类型（如 struct 或 class）时，你需要告诉优先队列如何比较它们。有两种主要方法：

方法一：重载 < 运算符（用于大顶堆）

struct Node {int id;int priority;// 重载 < 运算符，priority 越大，优先级越高bool operator<(const Node& other) const {return this->priority < other.priority;}
};std::priority_queue<Node> pq;
pq.push({1, 10});
pq.push({2, 5});
pq.push({3, 20});// top() 将返回 priority 最大的 Node，即 {3, 20}
std::cout << "Top node: id=" << pq.top().id << ", priority=" << pq.top().priority << std::endl;

方法二：提供自定义比较器（更灵活）

如果你不想或不能修改结构体定义，或者需要多种排序方式，可以提供一个自定义的比较函数对象（Functor）。

struct Node {int id;int priority;
};// 自定义比较器结构体
struct CompareNode {// 返回 true 表示 a 的优先级低于 bbool operator()(const Node& a, const Node& b) {// 创建小顶堆，priority 越小，优先级越高return a.priority > b.priority;}
};std::priority_queue<Node, std::vector<Node>, CompareNode> pq;
pq.push({1, 10});
pq.push({2, 5});
pq.push({3, 20});// top() 将返回 priority 最小的 Node，即 {2, 5}
std::cout << "Top node: id=" << pq.top().id << ", priority=" << pq.top().priority << std::endl;

使用 Lambda 表达式（C++11及以上）也可以实现，但定义比较器时需要 decltype。

1.4 从已有容器初始化

你可以用一个已有的容器（如 vector）中的元素来初始化优先队列。

std::vector<int> data = {30, 100, 25, 40};// 从 data 初始化一个大顶堆
std::priority_queue<int> max_heap_from_vec(data.begin(), data.end());std::cout << "Top element from vector init: " << max_heap_from_vec.top() << std::endl; // 输出 100// 初始化小顶堆
std::priority_queue<int, std::vector<int>, std::greater<int>> min_heap_from_vec(data.begin(), data.end());
std::cout << "Top element from vector init (min-heap): " << min_heap_from_vec.top() << std::endl; // 输出 25

2. `priority_queue` 的常用操作

优先队列的操作非常简单直观：

push(element): 向队列中插入一个元素。时间复杂度 O(log n)。
pop(): 移除队首（优先级最高）的元素。时间复杂度 O(log n)。
top(): 返回队首（优先级最高）元素的常引用，不删除元素。时间复杂度 O(1)。
empty(): 检查队列是否为空。
size(): 返回队列中元素的数量。

示例代码：

std::priority_queue<int> pq;std::cout << "Is queue empty? " << (pq.empty() ? "Yes" : "No") << std::endl;pq.push(10);
pq.push(50);
pq.push(20);std::cout << "Queue size: " << pq.size() << std::endl;
std::cout << "Top element: " << pq.top() << std::endl; // 50pq.pop(); // 移除了 50std::cout << "Top element after pop: " << pq.top() << std::endl; // 20// 遍历并清空优先队列
std::cout << "Queue elements in priority order: ";
while (!pq.empty()) {std::cout << pq.top() << " ";pq.pop();
}
std::cout << std::endl;
// 输出: Queue elements in priority order: 20 10

注意：priority_queue 没有提供迭代器，不能像 vector 那样直接遍历。唯一的访问方式就是通过 top() 获取队首元素。

3. `priority_queue` 的应用场景

优先队列在算法和系统设计中非常有用，尤其适合处理那些需要动态维护“最大/最小”元素的问题。

3.1 Top-K 问题

这是最经典的应用。例如，从一个巨大的数据流中找出最大的 K 个元素。

思路：

维护一个大小为 K 的小顶堆。
遍历数据流，对于每个新元素：
- 如果堆的大小小于 K，直接将元素插入堆中。
- 如果堆的大小等于 K，将新元素与堆顶元素（当前 K 个元素中最小的那个）比较。
- 如果新元素大于堆顶元素，则弹出堆顶，并将新元素插入。
遍历结束后，堆中剩下的 K 个元素就是最大的 K 个元素。

为什么用小顶堆？ 因为小顶堆的堆顶是“门槛”，只有比这个门槛大的元素才有资格进入这个“Top-K 圈子”，这样可以高效地淘汰掉不够大的元素。