PriorityQueue是比较特殊的队列，它继承自Queue的接口，但是它并不是FIFO先入先出，它是经过排序过的队列，
也就是最大（或者最小）值是放在队列的队头处，具体面对的场景是求Top K的问题；
对于PriorityQueue，它依然有add，poll这些接口，和其他的Queue一样，但是和util包的大多数类一样，也是线程不安全的；
下面分析一下PriorityQueue的源码。
1.堆的数据结构实现
PriorityQueue的接口是Queue的，但是其实现的数据结构却是一个堆，可以这么说，“挂着羊头卖狗肉”，
使用堆的目的是为了解决优先队列当中的“优先”问题，因为堆的作用就是求这一串值中的最大值和最小值，
当为最大值的时候，这个堆就是最大堆，当为最小值的时候，这个堆就是最小堆；
我们可以来看一个最小堆的实例：
这就是一个典型的堆，
使用数组来表示就是Object array[] = {14,26,20,35,30,22,21,36,40,50,39};按照顺序来进行表示
之所以称之为堆，是因为其满足下列的公式：
ki≤K2i且ki≤K2i+1（最小堆） 或 (2)Ki≥K2i且ki≥K2i+1 (最大堆)
上述的意思也就是只要是父节点，肯定比起两个子节点要小，===》而这也是堆的特性；
一定注意的一点是，最小堆不能保证你的左子树比右子树要小，可以看到上图中的堆，右子树20,22,21比左子树最小的都小，
但这个数据结构仍旧是一个最小堆，
===》这里再一次证明了，最小堆数据结构的本意在于，就是选出一个最小的做为父节点，而不管兄弟节点的大小；
===》因此，最小堆保证了，从上到下都是逐步增大的，这个趋势是肯定保证的，而最小的节点在最顶部；
PriorityQueue通过最小堆这种数据结构，来实现优先队列，也正是利用其 Top K这一个概念；
对于堆的存储结构，使用的就是普通的数组：
为什么不使用链表呢？
==》毕竟链表作为Node节点组装成一个堆，肯定是没有问题的，
但是，堆中大量的调整排序堆化等操作，这些操作都是需要递归遍历的
这种方式的效率很低；
如果换做是用数组的话，可以看一下程序，例如求一个节点的父节点：
直接通过数组的位移直接可以定位到父节点，这仅仅是一个例子，
除此之外很多定位完全可以通过位运算和位移搞定，效率极高，这也就是数组经常被用于优先队列的原因；
我们来看一个从Collection中导入到优先队列的构造方法：
根据传入的参数类型，一共分成三种情况，
a.如果是已经排序过的SortSet，不但能满足堆的需求，而且还能保证左子树比右子树要小，这个是平衡二叉排序树的需求了，
如果是这种情况的话，那么直接将Set，使用Arrays.copy进行拷贝到queue数组中；
b.如果就是PriorityQueue的话，没啥可说的，那么直接就可以进行赋值,
c.如果连排序的Collection都不是的话，那么就需要首先堆化，这个也就是调用的heapify方法了；
所谓的堆化，实质就是堆排序，以最大堆的算法为例：
1)将初始待排序关键字序列(R1,R2....Rn)构建成大顶堆，此堆为初始的无须区；
2)将堆顶元素R[1]与最后一个元素R[n]交换，此时得到新的无序区(R1,R2,......Rn-1)和新的有序区(Rn),且满足R[1,2...n-1]<=R[n];
3)由于交换后新的堆顶R[1]可能违反堆的性质，因此需要对当前无序区(R1,R2,......Rn-1)调整为新堆，然后再次将R[1]与无序区最后一个元素交换，得到新的无序区(R1,R2....Rn-2)和新的有序区(Rn-1,Rn)。不断重复此过程直到有序区的元素个数为n-1，则整个排序过程完成。
上述的思路其实很简单，目的是最大堆，那么每一次划分两个区域，先将栈顶放到最后，然后调整除了栈顶的其余的元素，进行siftUp，挨个比较
直到在这个区域确定一个最大的，再和原来的栈顶进行比较，哪个大将哪个放到最终的栈顶位置，===》这样第一轮就可以确定栈顶，也就是最大的元素；
其次，逐步按照这个思路，每一次确定一个其次最大的，再其次最大的... ...
这样下来，整个堆的雏形也建立起来了，这就是堆化；
具体的实现的思路是：
heapify的每一轮直接确定一个最小的位置，调用的方法是siftDown方法，传入的是最后一个节点
siftDown方法含有一个比较器的方法，另外一个是默认的最小堆的算法
siftDownComparable是最小堆的算法，while循环，每一次把除了最后一个节点的剩余的节点中，找到一个最小值，
赋值给queue[k]，这样就确定了一个位置，
上述的流程循环往复，每一次不断的确定位置，这样确定位置的元素越来越多，一直到最终只剩1个节点，那么最后这个节点肯定就是最大的；
到此为止，堆化完成，整个数据结构就是一个最小堆；
2.add
既然堆结构应完成了，那么就看看如何在堆的结构下，来完成队列的相关实现逻辑；
下面分析一下增加元素，add：
整个add方法的思路主要在siftUp上，它的作用首先是将元素插到队尾，然后不断的进行“上滤”操作，
也即是当前插入元素不断的与父节点比较大小，
因为堆的性质务必保证父节点比子节点小，只要当前节点小于父节点，说明还得继续调整堆，
一直到当前插入节点比父节点大才行，这个时候当前节点就已经成功"落户"，插入完成；
这个思路可以使用下面的图来进行描述：
3.poll/peek/remove
peek方法是查看一下堆顶元素，但是不删除堆顶元素，直接返回，这个比较简单：
比较复杂的是poll出队，因为堆顶元素弹出之后，堆不完整了，这个时候算法是把最后一个元素填补到栈顶，
因为这个时候队尾元素肯定非常大，它现在在栈顶，这个时候堆已经不是堆了，
必然不满足最小堆的条件，所以需要得进行堆化，
按照这个思路推断，整体思路和堆化差不太多：
这里和heapify几乎差不多，因为栈顶元素比较大，所以需要的是siftDown操作，已经分析过其实现，
整体的示意图为：
对于而需要与add方法区分的是，siftDown是栈顶元素偏大，所以需要向下比较，一直到当前节点比两个子节点都小，那么落户成功；
而siftUp是当前节点在队尾，队尾元素偏小，需要向上比较，一直到合适的成功的位置；
这两个运动是相反的，整体思路其实都差不多，就是比较，当当前比较节点与父节点或者两个子节点，在局部满足堆的特性，比较结束，节点落户；
这一次的整个操作就相对结束了；
对于删除节点来说，也就是remove方法，思路和前面一样，也是队尾元素补进来，
但是因为删除的节点可能在堆的中间位置，堆的特性只是满足堆顶元素是最大值或者最小值，
但是不能满足左右子树的大小关系均匀，也就是说左子树第2层的节点可能比右子树的第n层节点还大，
这种情况导致的因为删除元素可能有两种情况，
a.删除节点的递补队尾元素偏大
b.删除节点的递补队尾元素偏小
这两种情况，因此基于上述情况，一个是进行上滤，一个是进行下滤，可以分析源码：
整体的示意图为：
第一种情况为：
第二种情况：
关于add，peek，poll，remove这几个方法是堆相关的算法，也是优先队列最为关键的方法，务必掌握，
其他的几个方法，如index
就是逐个对queue数组进行遍历，和contains，甚至iterator都差不多，这里就不再进行缀余；
5.线程不安全
最后，值得一提的还是线程不安全，因为在util包中，大多数数据结构都还是单线程运作，
前面分析源码中的：
modCount字段，和其他的数据结构类似，也是在迭代的过程中进行修改，会产生并发修改异常，
可以看一下这个优先队列中的迭代器实现：
在Util包中的解决办法，还是使用Collections的同步方法，因为优先队列是Collection，所以使用：
思路也是代理模式，用synchronized进行包装；
替代方案，也是并发包中的Concurrent优先队列
总结：
PriorityQueue是用最小堆来实现队列，
利用最小堆的栈顶元素肯定是整个序列中最小的来满足"优先"的需求！
