在建立正确性的回归测试之后，继续前进。  首先用性能工具分析下， 发现有点悲剧： 效率又倒退了。去除不必要的系统调用后， Profile分析结果如下：

         

         

          七、 一些小改进

          生成一亿个随机数也比较耗时， 可以看到rand()耗费时间并不多，但creatListInternal 耗费时间却很多， 可以推断， 模运算上耗费了很多时间。可以消除模运算。使用(1+rand()+rand()) * (1+rand()) 来生成随机数， (1-65535)*(1-32768) ，可以随机生成1- 65535*32768 之间的任何数。当然，这只是个简单的算法，会有重复元素。 此外，还可以启用编译器优化选项。

          

          八、 聚焦热点区域， 减少比较次数

          不去优化次要的地方，再次聚焦热点区域。 可以发现，fastFindkthMax 的主要时间几乎都花在 fastMaxHeapify 上。 只要改进 fastMaxHeapify 的比较次数即可。 对于结点有左右孩子结点的大多数情形，原来的实现中，总要进行两次与heapsize的比较； 但事实上只需要进行一次比较， 对相应代码做一些改动， 即可获得一定的提速。代码如下：

 

if (rch <= heapsize) {           if ((*(list+lch)) > temp) {                curr_largest = lch;           }             if ((*(list+rch)) > (*(list+curr_largest))) {               curr_largest = rch;           }       }       else {           if (lch <=heapsize && (*(list+lch)) > temp) {                curr_largest = lch;           }       }

          

          

          九、 高速缓存的影响

          在（上篇）中，一位博友提醒说高速缓存也起着重要的影响。 感谢他的提醒！ 鉴于自己在这方面掌握不够扎实，暂时留空。

          十、  回到算法， 思路比较

         要提速，还是要寻找更好的算法改进。 有没有更好的算法呢？  本文的算法有点“笨拙”， 先分配N个数，然后对这N个数建最大堆， 最后依次找出K个最大数。另有两种思路如下：

         1.  最小堆。 首先在N个数中选择K个数建立K个元素的最小堆。 接着， for i = K+1 to N : 如果 i 小于最小堆的根元素， 那么直接不做理会； 如果 i 大于最小堆的根元素，那么， 将其替代堆的根元素，并重构最小堆。 其正确性如下： A。 初始状态下， 堆中所有元素都比空元素大； B。 对于每次重构最小堆之后， 堆中的元素总是比被替代出来的所有元素要大；C。 当循环结束后，堆中的元素就比所有不在堆中的元素要大。其效率为 O(K + NlogK) ; 

         2.  分治。 分而治之总是一种有效的策略。 先将N个数分成b 堆， 每堆 N/b 个数。 对于每个堆找出前K个从大到小排序的最大数 b*O(N/b+Klog(N/b)) ；最后， 在这b个堆的已排序的K个最大数（bK）找出前K个最大数(O(b+(K-1)logb))。这种算法对于多处理器、并行执行机器更为有效，其时间为O(N/b+Klog(N/b)+b+(K-1)logb) + C(N), C是通信时间。对于大数据量处理来说， 并行算法是一种非常值得研究的领域。