应用
堆在很多领域都有应用，例如：
优先级队列：堆是实现优先级队列的理想数据结构，能够高效地支持插入和删除最值的操作。
堆排序：通过利用堆的性质，可以实现堆排序算法，这是一种高效的排序算法，特别适合于处理大数据集。
图算法：在图算法中，如Dijkstra和Prim算法，最小堆被用来高效地选择下一个要处理的节点。
堆的实现通常依赖于数组结构，其中父节点和子节点之间的关系可以通过索引计算得到。例如，在数组中，给定一个节点的索引i，其左子节点的索引为2*i+1，右子节点的索引为2*i+2，父节点的索引为(i-1)/2。

基本操作
堆的基本操作包括：
插入（Heap Insert）：将新元素添加到堆中，然后调整堆以恢复其性质。这通常通过“上浮”（或“上滤”）过程实现，即新添加的元素与其父节点比较，并在必要时交换位置，直到恢复堆的性质或元素到达根节点。
删除（Heap Delete）：在最大堆中删除根节点（即最大元素），或在最小堆中删除根节点（即最小元素）。删除根节点后，通常将堆的最后一个元素移动到根节点位置，然后通过“下沉”（或“下滤”）过程调整堆，恢复其性质。
构建（Build Heap）：将一个无序数组转换成一个堆。这个过程可以通过从最后一个非叶子节点开始，对每个节点执行下沉操作，直到根节点，从而高效地构建一个堆。
更新（Heapify）：当堆中某个节点的值改变时，通过上浮或下沉操作恢复堆的性质。

python实现堆排序
其中使用flody建堆
n,m = tuple(map(int,input().split()))
arr = [0]+list(map(int,input().split()))
size = n
def down(x):
t = x
if x * 2 <= size and arr[x*2] < arr[t]:
t = x * 2
if x * 2 + 1 <= size and arr[x*2+1] < arr[t]:
t = x*2+1
if x != t:
arr[x],arr[t] = arr[t],arr[x]
down(t)
for i in range(size//2,0,-1):
down(i)
for _ in range(m):
print(arr[1],end=" ")
arr[1],arr[size] = arr[size],arr[1]
size -= 1
down(1)

好厉害