前言
推出一个新系列，《看图轻松理解数据结构和算法》，主要使用图片来描述常见的数据结构和算法，轻松阅读并理解掌握。本系列包括各种堆、各种队列、各种列表、各种树、各种图、各种排序等等几十篇的样子。
最小(大)堆
最小(大)堆是一颗完全二叉树，该树中的某个节点的值总是不大于(不小于)其左右子节点的值。可以通过下图理解，另外，为什么会使用数组来保存呢？因为利用完全二叉树的性质，我们可以通过数组来表示完全二叉树(数组下标与完全二叉树节点存在映射关系，比如父节点可以通过Math.floor((index-1)/2)来获取)，从而简化了实现及开销，避免使用额外的指针来实现树结构。
最小(大)堆性质
- 树根节点的值是所有堆节点值中最小(大)值。
- 树中每个节点的子树也都是最小(大)堆。
最小(大)堆作用
最小(大)堆能保证堆顶元素为最小，而如果使用数组无法达到该效果。数组如果要访问最小值则需要遍历查找最小值，时间复杂度至少O(n)。而最小堆访问最小值时间复杂度为O(1)，当然天底下没有免费的午餐，我们需要做额外的工作去维护最小(大)堆的结构，这也是需要复杂度花销的。
当然这也是最小(大)堆的优势，通过动态维护使得最小值的获取代价很小，实际上维护的时间复杂度为O(logN)。而数组则无法做到如此，如果数组想要维护顺序性则需要的复杂度至少为O(N)。这样来看最小(大)堆的优势就凸现出来了。
插入操作
为避免冗长累赘，我们这里只挑最小堆作为例子进行说明，最大堆的情况与最大堆相似。
现在分别插入4 7 2 5 6 1 0 3 8，使用一个数组来保存最小堆，为了帮助理解，数组下方提供一个逻辑上的完全二叉树的结构，两者结合着更容易理解其中机制。首先插入4，
接着插入7，插入后检测到树符合最小堆要求，所以不改动。
继续插入2，插入后检测到不符合最小堆要求，父节点4大于右子节点2，
于是将它们对调。
继续插入5，插入后检测到不符合最小堆要求，父节点7大于左子节点5，
于是将它们对调。
继续插入6，插入后检测到树符合最小堆要求，所以不改动。
继续插入1，插入后检测到不符合最小堆要求，父节点4大于左子节点1，
于是将它们对调，
对调后继续检测到不符合最小堆要求，父节点2大于右子节点1，
继续将它们对调。
继续插入0，插入后检测到不符合最小堆要求，父节点2大于右子节点0，
于是将它们对调，
对调后继续检测到不符合最小堆要求，父节点1大于右子节点0，
继续将它们对调。
继续插入3，插入后检测到不符合最小堆要求，父节点7大于左子节点3，
于是将它们对调，
对调后继续检测到不符合最小堆要求，父节点5大于左子节点3，
继续将它们对调，然后符合最小堆要求，不必继续往上对调。
继续插入8，插入后检测到树符合最小堆要求，所以不改动。以上，完成所有元素的最小堆插入操作。
删除操作
删除操作其实就是删除最小值，即最小堆树中的根节点。主要是将树中最后一个节点替换到被删除的根节点，然后自顶向下递归调整使之符合最小堆要求。
删除根节点0，然后将树的最后一个节点8补到根节点上。
比较根节点的左右子节点，
因为右子节点1比较小，所以我们要进一步比较的是根节点8与右子节点1，
1小于8，于是对调。
继续比较现在节点8的左右子节点，
因为右子节点2比较小，所以我们要进一步比较的是根节点8与右子节点2，
2小于8，于是对调。
至此，完成最小值删除操作。
————-推荐阅读————
我的开源项目汇总(机器&深度学习、NLP、网络IO、AIML、mysql协议、chatbot)
跟我交流，向我提问：
欢迎关注：
