有没有人听说过这种堆修复技术：SloppyHeapSort？它使用“Sloppy”筛选方法。基本上，它需要修复元素，将其移动到堆的底部（不将其与子项进行比较），方法是将其替换为较大的子项，直到它碰到底部。然后，调用筛选直到它到达正确的位置。这样就可以进行超过lg n次的比较（在大小为n的堆中）。
但是，这不能用于堆构造，仅用于堆修复。为什么是这样？我不明白为什么如果你试图建立一个堆它不会起作用。
答案 0 :(得分：3)
如果部署得当，该算法肯定可以用作堆构造算法的一部分。在堆构造期间，修复的子堆的根不是数组的开头，这会影响sift-up的实现（当达到数组的当前元素时需要停止，这有点复杂）而不是继续到堆的底部。）
应该注意的是，该算法具有与标准堆修复算法相同的渐近性能;但是，可能涉及较少的比较。在某种程度上，这是因为在堆交换堆的根（最大元素）之后调用标准堆修复算法。
最后一个元素不一定是堆中的最小元素，但它肯定可能接近底部。在交换之后，标准算法将交换的元素向下移动到log 2 N次，每个步骤需要两次比较;因为该元素可能属于堆的底部附近，大多数时候将执行最大比较次数。但偶尔也只能进行两到四次比较。
＆＃34;马虎＆＃34;算法反而从移动＆＃34;孔开始＃34;从堆的顶部到靠近底部的某个地方（log 2 N比较），然后向上移动最后一个元素，直到找到它为止，这通常只需要进行一些比较（但可以，最糟糕的情况是，接近log 2 N比较。）
现在，在heapify的情况下，堆修复不是使用子堆中的最后一个元素执行的，而是使用从原始向量中获取的先前未看到的元素。这实际上并没有太多地改变平均性能分析，因为如果你使用随机元素开始堆修复，而不是可能很小的元素，预期的筛选操作数仍然接近最大值。 （堆的一半在最后一级，因此需要随机元素的最大筛选数的概率是一半。）
虽然草率算法（可能）改进了元素比较的数量，但它增加了元素移动的数量。经典算法最多执行log 2 N个交换，而草率算法至少执行log 2 N个交换，以及在筛选期间执行额外的交换。 （在这两种情况下，交换都可以通过不插入新元素直到其实际位置已知，将内存存储的数量减半来改进移动。）
作为附言，我无法找到任何关于你的＆＃34;马虎＆＃34;算法。总的来说，在询问提议的算法时，通常最好包含一个链接。
答案 1 :(得分：1)
有一个线性时间算法来构造堆。我相信作者的意思是使用这种方法来构建堆是没有效率的，并且存在更好的算法。当然，您可以通过使用所描述的策略逐个添加元素来构建堆 - 您可以做得更好。