我尝试使用谷歌搜索和维基这些问题，但似乎无法找到具体的答案。我发现的大部分内容都使用了带有主定理的证明，但我希望用简单的英语来更直观地记住这些东西。我也不在学校，这些问题都是面试的。
MEMORY：
在内存使用方面确定big-o到底意味着什么？例如，当你必须存储所有n个项目时，为什么heapsort被认为运行O（1）内存？是因为你只为堆创建一个结构吗？或者是因为你知道它的大小，所以你可以在堆栈上创建它，这总是恒定的内存使用？
SPEED：
如果在O（1）中完成添加元素但是在O（logn）中完成渗透，如何在O（n）时间内完成堆的创建？这不意味着你在O（1）处进行n次插入使其成为O（n）并且在每次插入之后渗透为O（logn）。所以总共O（n）* O（logn）= O（nlogn）。我还注意到堆排序的大多数实现使用heapify函数而不是渗透来创建堆？由于heapify在O（logn）处进行n比较，即O（nlogn），并且在O（1）处有n个插入，我们将得到O（n）+ O（nlogn）= O（nlogn）？第一种方法不会比第二种方法产生更好的性能吗？
我在上面假设了这一点，但是进行n次O（1）操作会导致O（n）时间吗？或者n * O（1）= O（1）？
答案 0 :(得分：0)
所以我发现了一些有关从维基百科构建二进制堆的有用信息：http://en.wikipedia.org/wiki/Binary_heap#Building_a_heap。
我认为我的主要困惑是如何“插入”堆是O（1）和O（logn），即使第一个不应该被称为插入，也许只是一个构建步骤或其他东西。因此，在您已经创建堆之后，您将不再使用heapify，而是使用O（logn）插入方法。
在保持堆属性的同时迭代添加项目的方法在O（nlogn）中运行并在不考虑堆属性的情况下创建堆，然后堆积，实际上在O（n）中运行，其原因不是很直观并要求提供证明，所以我错了。
在每个方法都有一个尊重堆属性的堆之后，获取有序项的删除步骤与O（nlogn）的成本相同。
所以最后你的构建堆方法有O（1）+ O（n）+ O（nlogn）= O（nlogn），而O（nlogn）+ O（nlogn）= O（nlogn）用于插入方法。显然第一个是优选的，特别是对于小n。