红黑树介绍

一、性质

1. 每个结点要么是红的，要么是黑的
2. 根结点是黑的
3. 每个叶子节点（NIL节点，空节点）是黑色的；
4. 如果某个子结点是红色，那么它的两个儿子都是黑色，且父节点也必定是黑色
5. 对于任一结点而言，它到叶节点的每一条路径都包含相同数目的黑色结点

PS：NIL节点也称为外部节点或空节点，它是红黑树中一种特殊的节点类型。NIL节点不存储实际的数据，它们的作用是协助维护红黑树的结构和性质，同时也简化了一些操作的实现。
在红黑树中，每个节点要么是红色的，要么是黑色的，而每个节点都有左子节点和右子节点。NIL节点是所有叶子节点的虚拟父节点，它们都是黑色的，且不包含任何子节点。这意味着，如果一个节点没有左子节点或右子节点，那么它的对应子节点就是一个NIL节点。
通过将红黑树的所有叶子节点都替换为NIL节点，我们可以保证红黑树的每个节点都至少有一个子节点。这样，我们就可以通过判断节点的子节点是否为NIL节点来处理边界情况，避免了在处理节点时需要特殊处理叶子节点的情况。
在红黑树中，NIL节点通常用一个特殊的指针表示，比如用 NULL 或 nullptr 表示。在某些实现中，NIL节点可能会占用一些内存空间，但是由于它们不包含任何实际的数据，因此这种内存开销通常可以忽略不计。

二、插入标记

• 正在处理的结点X，也叫子节点
• 父节点称为P
• 爷爷结点称为G
• 叔叔结点称为Y

如下图所示：

其中$A_3$表示黑高为3的红黑树

三、插入调整

向红黑树插入节点时，新节点的颜色需要设置为红色。

3.1 无需调整的情况

• X为根节点，将X由红染黑，简称rootOver
• 父节点P为黑色，BlackParentOver，简称bpOver

3.2 仅需考虑父结点为红色的情形

由于性质4，爷爷结点G必定为黑色，分为三种情况：

1. Y为红色，X可左可右：此时将P、Y染黑，G染红，X回溯至G
2. Y为黑色，X为右孩子：左旋P，X指向P，转化为3
3. Y为黑色，X为左孩子：P染黑，G染红，右旋G，结束

结论：红黑树的插入调整最多旋转两次

四、删除调整标记：

• 正在处理的节点为X
• 父节点为P
• 兄弟节点为S
• 左侄子leftNephew，简称LN
• 右侄子rightNephew，简称RN

五、删除调整

4.1 无需调整的情况

删除过程：
如果需要删除的节点为红色，那么无需调整

回溯过程：

• X为根节点，无论root什么颜色，都将root染黑
• X为红色，此时将X染黑（因为在执行这步前，删除了一个黑色节点BH（left）=BH（right-1），执行完这步，正好使得左子树和右子树的黑高相等，删除调整算法结束）

4.2 当X为P的左子树时，分为四种情况

Case1 S为红色：S染黑，P染红，左旋P

图解：

此时可以看到P仍是不平衡的，可以转化为：

• Case 2-2
• Case 3
• Case 4-1、Case 4-2

Case1不会引起BH的变化

Case2-1 S为黑色，LN为黑色，RN为黑色，P为黑色：将S染红，X回溯至P

处理方式为将S染红，X回溯至P

P为黑色的图解：

经过Case1的调整后：

• 符合性质4
• S的BH减少1，BH(X)==BH(S)，所以P符和性质5
• P的BH减少了1，整个RBT违反性质5
• 需要继续调整P

Case2-1的转化情况
由于P是黑色，所以Case2-1可以转化为任意case

若P为根节点，则执行Case2-1会引起BH减少，这是唯一减少整个红黑树BH的情形。

Case2-2 其他条件相同 P为红色

P为红色的图解：

Case2-2的调整相同，也是将S染黑。

经过Case2-2调整后

• BH(S)减少了1，BH(X)==BH(S)，所以符和性质5
• P的BH减少了1，此时整个RBT违反了性质5
• P与S的关系违反了性质4

调整策略：
直接将P染黑

Case 3 S为黑色，LN为红色，RN为黑色：将LN染黑，S染红，右旋S

‘经过Case 3调整后

• S的左右子树BH相等，所以S符和性质5
• LN的左右子树BH相等，所以LN符和性质5
• X的BH仍然比LN的BH少1，所以P违反性质5
• 需要继续调整X

Case 3的转化情况

• Case3可转化为Case4-1、Case4-2
• Case3不会引起BH的变化

Case 4-1 S为黑色，RN为红色，LN为红色：将S变为P的颜色，P和RN染黑，左旋P

LN为红色的图解：

处理方式：将S的颜色设置为与P相同，P染黑，RN染黑，左旋P，X指向根节点

Case4-2 与上面相同，但是LN为黑色

LN为黑色的图解：

调整过程与上面相同

经过Case 4的调整之后：

• 染黑之后的P正好填补了左子树缺少的一个BH
• RN染黑，正好填补了空缺的黑S，右子树的BH不变
• BH( P )==BH(RN)，所以符和性质5
• 以S为根的子树BH和删除前一样，整个RBT平衡
• 没有任何违反性质4的节点

RBT的删除调整最多旋转3次

四、对比

4.1 AVL插入和RBT的插入

插入元素都是BST的插入，区别在于调整
旋转次数：AVL与RBT均是O（1）

指针回溯次数：最好情况

• AVL：很早就遇到单旋或双旋的情况，为O（1）
• RBT：很早就遇到2或3的情况，为O（1）

指针回溯次数，最坏情况

• 回溯至根结点才发现平衡因子大于1，为logN
• 不断执行1，直到根结点，但每次向上回溯两层。，为logN/2

插入效率：RBT略好于AVL
查询效率：AVL略好于RBT

4.2 AVL的删除和RBT的删除

删除节点都是BST的删除，区别在于调整

旋转次数：AVL与RBT均为O（1）

指针回溯次数，最好情况：

• AVL类似插入，可通过优化提前结束递归，为O（1）
• RBT也为O（1）

指针回溯次数，最坏情况：

• AVL回溯至根节点才发现平衡因子大于1，为logN
• RBT也为logN，但是RBT大部分形态下是红黑相间的，一直遇不到红色节点的情况很少见

删除效率：RBT略微好于AVL

4.3 查找

AVL树更加严格平衡，因此可以提供更快的查找效果。

4.3 在HashMap中为什么使用红黑树而不是AVL树

红黑树更通用，因为两者在添加、删除和查找等方面表现均相对较好，但AVL树的查找速度更快，代价是添加/删除速度较慢。

https://www.bilibili.com/video/BV1Jp411R7Sb?p=13