算法(四):二叉树操作

一、二叉树常见操作

1. 二叉树的定义

二叉树的定义:

二叉树是一种树形结构:
特点是与每个节点关联的子节点至多有两个(可为0,1,2)
每个节点的子节点有关联位置关系
定义:
二叉树是节点的有限集合,该集合或为空集,或由一个根元素和两棵不相交的二叉树组成(递归定义)
二叉树的两棵子树分别称为它的左子树和右子树
二叉树的5种基本形态: 
typedef char ElemType;

typedef struct BtNode
{
	BtNode *leftchild; //左子树
	BtNode *rightchild; //右子树
	ElemType data;  //数据
}BtNode,*BinaryTree;


//创建一个节点
BtNode* buynode()
{
	BtNode *s=(BtNode *)malloc(sizeof(BtNode));
	if(s== NULL)
	{
		exit(1);
	}
	memset(s,0,sizeof(BtNode));
	return s;
}


//释放一个节点
void FreeNode(BtNode *s)
{
	free(s);
}

2. 二叉树的创建(两种办法)

  • 递归:递归创建一颗二叉树 (树的数据直接由键盘传入,后序和中序之间关系太弱,用先序遍历创建一棵树,将空用“#”代替)
BtNode* CreatTree1()
{
	BtNode *s=NULL;
	ElemType data;
	cin >>data;
	if(data !='#')
	{
		s=buynode();
		s->data=data;
		s->left=CreatTree1();
		s->right=CreatTree1();
	}
	return s;
}
  • 递归创建一颗二叉树(树的数据由数组带入 )
BtNode* CreateTree2(ElemType *&str)
{
   /*
	int main()
   {
	char *str = "ABC##DE##F##G#H##";
	BinaryTree root = CreateTree2(str);
	NiceInOrder(root);
    }
   */
	BtNode *s=NULL;
	if(str !=NULL  && *str !=END)
	{
		s=buynode();
		s->data=*str;
		s->left=CreateTree2(++str);
		s->right=CreateTree2(++str);
	}
	return s;
}

3. 二叉树的删除(两种办法)

  • 删除一颗二叉树(递归删除,先删左右孩子,后释放节点)
void DestroyBTree(BtNode *p)
{
	if(p !=NULL)
	{
		DestroyBTree(p->left);
		DestroyBTree(p->right);
		FreeNode(p);             //释放一个节点
	}
}

  • 删除一颗二叉树(递归删除,先删除根节点,后释放左右孩子,此时需要先标记左右孩子)
void DestroyBTree1(BtNode *p)
{
	if(p!=NULL)
	{
		BtNode *lift =p->left;
		BtNode *right =p->right;
		FreeNode(p);
		DestroyBTree1(p->left);
		DestroyBTree1(p->right);
	}
}

7. 二叉树的求节点个数

  • 递归
int GetSize(BtNode *ptr)
{
	if(ptr == NULL)
		return 0;
	else 
		return GetSize(ptr->leftchild) + GetSize(ptr->rightchild) + 1;
}
  • 非递归
// NiceGetSize(BtNode *ptr);

8. 二叉树的求深度

  • 递归
int GetDepth(BtNode *ptr)
{
	if(NULL == ptr) return 0;
	else max(GetDepth(ptr->leftchild),GetDepth(ptr->rightchild)) + 1;
}
  • 非递归
    // NiceGetDepth(BtNode *ptr);

9. 二叉树的查询

  • 根据值查询节点
BtNode * FindValue(BtNode *ptr,ElemType x)
{
	if(ptr == NULL || ptr->data == x) return ptr;
	else
	{
		BtNode *p = FindValue(ptr->leftchild,x);
		if(NULL == p)
		{
			p = FindValue(ptr->rightchild,x);
		}
		return p;
	}
}
  • 根据节点查询父节点
// BtNode * FindParent(BtNode *ptr,BtNode *cp1,BtNode *cp2);
BtNode * FindParent(BtNode *ptr, BtNode * cp)
{
	if(ptr == NULL || cp == NULL || ptr == cp)
		return NULL;
	else
		return Parent(ptr,cp);
}

BtNode * Parent(BtNode *ptr, BtNode *cp)
{
	if(ptr == NULL || 
		ptr->leftchild == cp || ptr->rightchild == cp) 
	{
		return ptr;
	}
	else
	{
		BtNode *p = Parent(ptr->leftchild,cp);
		if(NULL == p)
		{
			p = Parent(ptr->rightchild,cp);
		}
		return p;
	}
}

11. 利用层次遍历,判断是否满二叉树

bool Is_Full_BinaryTree(BtNode *ptr)   //(队列)层次遍历判断是否满二叉树
{
	bool tag = true;
	if(NULL == ptr) return tag;
	queue<BtNode *> qu;
	int n = 1;
	qu.push(ptr);
	while(!qu.empty())
	{
		int i = 0;
		for(; i < n && !qu.empty() ;++i)
		{
			ptr = qu.front(); qu.pop();
			if(ptr->leftchild != NULL)
			{
				qu.push(ptr->leftchild);
			}
			if(ptr->rightchild != NULL)
			{
				qu.push(ptr->rightchild);
			}
		}
		if(i < n) { tag = false; break;}
		n+=n;
	}
	return tag;
}

12. 利用队列,判断是否完全二叉树在这里插入图片描述

bool Is_Comp_BinaryTree(BtNode *ptr)      //完全二叉树
{
	bool tag = true;
	if(NULL == ptr) return tag;
	queue<BtNode *> qu;
	qu.push(ptr);

	while(!qu.empty())
	{
		ptr = qu.front(); qu.pop();
		if(NULL == ptr) break;
		qu.push(ptr->leftchild);
		qu.push(ptr->rightchild);
	}
	while(!qu.empty())
	{
		ptr = qu.front(); qu.pop();
		if(NULL != ptr)
		{
			tag = false;
			break;
		}
	}
	return tag;
}
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值