借助 1）中的修改位置p处元素的权值操作：decrese(p,Δ)。将p处元素的权值降为负无穷大。此时，该元素会向上调整至堆顶，然后执行deleteMin即可。
三，建堆（buildHeap）
从最后一个非叶子结点开始向前进行向下调整。
1 /** 2 * Establish heap order property from an arbitrary 3 * arrangement of items. Runs in linear time. 4 */ 5 private void buildHeap( ) 6 { 7 for( int i = currentSize / 2; i > 0; i-- ) 8 percolateDown( i ); 9 }
i 的初始值为最后一个非叶子结点的位置。
时间复杂度分析：
建堆的时间复杂度与堆中所有的结点的高度相同。
分析如下：首先，叶子结点的高度为0。而建堆，就是从最后一个非叶子结点开始，不断调用percolateDown(i)，而percolateDown(i)方法的时间复杂度就是位置 i 处节点的高度。在上面第7行for循环中，当 i 自减为1时，表明已经到了堆顶元素，因此整个buildHeap的时间复杂度就是所有非叶子结点的高度之和。而叶子结点的高度为0，故buildHeap的时间复杂度可理解成 整个二叉堆的所有的结点的高度之和。
而对于理想二叉堆而言:(二叉堆是一颗完全二叉树，理想二叉堆为满二叉树)
所有结点的高度之为：2^(h+1)-1-(h+1)。其中，h表示二叉堆的高度
又可以表示成：N-b(N)，N是堆中结点的个数，b(N)是N的二进制表示法中1的个数，如：b(7)=3
四，d 堆
上面分析了二叉堆的基本操作。那什么是 d 堆呢？为什么要有 d 堆呢？
对于二叉堆，d=2。顾名思义，d堆就是所有节点都有d个儿子的堆。为什么需要这种堆？
分析二叉堆的基本操作，insert操作需要定位父结点，这需要一个除法操作，操作的次数与树的高度有关。deleteMin操作需要找出所有儿子中权值最小的那个儿子，而寻找儿子节点则需要乘法操作，操作的复杂度与儿子的个数有关(d越大，节点的儿子数越多，查找越慢)。
假设，我们的需求是有大量的insert操作，而仅有少量的deleteMin，那d堆从理论上讲就有性能优势了。因为d 远大于2时，树的高度很小啊，但是当d不是2的倍数时，除法操作不能通过移位来实现，也许会有一定的性能损失，这也是为什么insert操作分析中讲的“插入性能会有一定的提高”。
而如果有大量的deleteMin操作，那d堆反而可能会除低性能，因为：d 越大，说明节点的儿子个数越多，找出权值最小的儿子就需要更多的比较次数了。
可见，d堆的提出，是因为需求不同而导致的。比如，insert属于高频需求.....
五，二叉堆的不足
根据上面的分析，二叉堆的insert复杂度O(logN)，deleteMin最坏也是O(logN)。
但是如果需要查找堆中某个元素呢？或者需要合并两个堆呢？