搜索树 总结

 

二叉排序树（Binary Sort Tree）又称二叉搜索树。

它要么是一棵空树，要么是一棵具有下列性质的二叉树：

1）若它的左子树不空，则左子树上所有结点的值均小于它的根结构的值；

2）若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值；

3）它的左、右子树也分别为二叉排序树；

 

二叉排序树的检索效率与顺序查找中二分查找的效率近似，二分查找适用于静态查找表，而二叉排序树适合于动态查找表；

对于含有 n个结点的二叉排序树，在最好情况下，其深度不超过log(2(n))，查找次数为【log2(n)】+1，其中【x】为不超过x的最大整数，查找的时间复杂度为O(log2(n))。等同于二分查找。

在最差情况下，退化为一棵 斜树，进而使得查找的时间复杂度为 O(n)等同于顺序查找。

 

【注意】

1、二叉搜索树的中序遍历是一个 有序 序列（将搜索二叉树转化成双向链表也是利用二叉树的中序遍历）。也即：根据节点值大小排序所需时间复杂度是线性的。

2、二叉搜索树的最小值仅需一直往左走，而最大值仅需一直往右走；

对于搜索树来说，只要知道前序遍历就能还原了，第一个是根结点，之后的连续K个小于根节点的为左子树，后面的都是右子树，然后递归；

【例题1】
已知序列(50,30,80,20,40,90,35,85,32,88) ，按照依次插入的方法生成二叉排序树，
则在该树中查找关键字值为35的结点需比较__4__次，，正好是在树中的层数。

方法一：画树的图：

方法二：方法二：将序列从小到大排序，按二分查找寻找次数(3 2 3 4 1 3 4 2 3 4)。

【例题2】
给定N个节点，能构成多少种不同的二叉搜索树？

解析：使用卡兰特数：1, 1, 2, 5, 14, 42, 132, 429, 1430, 4862, 16796,
其递推式为：h(n) = h(0)h(n-1) + h(1)h(n-2) + ... + h(n - 1)h(0)

 

平衡二叉排序树又称AVL树是一种二叉排序树

它具有以下的性质：

它要么是一颗空树，要么它的左右两个子树的高/深度差的绝对值不超过1，并且左右两个子都是平衡二叉树。

既然是平衡树，它解决了二叉排序树存在 斜树 的问题，AVL树查找、插入、删除的时间复杂度为O（logN）

 

将二叉树的左子树深度减去右子树深度的值称为平衡因子BF（Balance Factor），那么平衡二叉树上所有结点的平衡因子只能 -1、0和1三选一，否则就不是平衡二叉树。插入结点后不改变原二叉树的平衡性，至少一个节点的平衡因子会改变。

图3不是平衡二又树的原因就在于，结点58的左子树高度为2，而右子树为空，二者差大于了绝对值1，因此它也不是平衡的。

距离插入结点最近的，且平衡因子的绝对值大于1的结点为根的子树（是不平衡的二叉树），我们称为最小不平衡子树。对图3来说，当新插入结点37时，距离它最近的平衡因子绝对值超过1（即它的左子树高度2减去右子树高度0，它的BF = 2 > 1）的结点是58，所以从58开始以下的子树为最小不平衡子树。

AVL失衡后的调整

将最小不平衡子树进行按照 BF进行适当的旋转可得到平二叉树，具体的 AVL失衡后再平衡的 旋 转规则 如下：

1、若BF 为大于 1，将最小不平衡子树进行 右旋 （顺时针旋转）；（ 亦 称 LL型旋转）

2、 若BF 为小于-1，将最小不平衡子树进行 左旋 （逆时针旋转）；（亦 称 RR型旋转）

3、若 插入结点后，最小不平衡子树的BF与它的子树的BF符号相反时，就需要对结点先进行一次旋转以使得符号相同后， 再反向旋转一次才能够完成平衡操作， （亦 称L R型/RL型旋转）

 

应用：

windows对进程地址空间的管理用到了AVL树。最小二叉平衡树的节点总数的公式如下 F(n)=F(n-1)+F(n-2)+1 这个类似于一个递归的数列，1是根节点，F(n-1)是左子树的节点数量，F(n-2)是右子树的节点数量。（类似斐波拉契数列）

 

红黑树

红黑树是一种平衡二叉排序树，它的每个节点都带有颜色（红色或黑色）属性，除了二叉排序树的的性质外，还增加了如下的额外要求：

• 性质1、每个节点非红即黑；

• 性质2、根节点是黑色；

• 性质3、每个叶子节点是黑色的空节点；

• 性质4、每个红色节点的两个子节点都是黑色；

• 性质5、从任一节点到其每个叶子的所有路径都包含相的黑色节点；

由性质4，可知：新增的父节点必须是黑；

由性质5，可知：新增的子节点必须是红；可知：若一结点存在黑的子节点，那此节点有两个子节点；

红黑树能够以O(log n)的时间复杂度进行搜索、插入、删除操作。此外,任何不平衡都会在3次旋转之内解决。这一点是AVL所不具备的。红黑树广泛用在C++的STL中。map、multimap和set、multiset的底层都是用红黑树实现的。而unordered_map底层实现是hash。

红黑树的调整

1、左旋：以某个结点作为支点（旋转结点），其右子结点变为旋转结点的父结点，右子结点的左子结点变为旋转结点的右子结点，左子结点保持不变

2、右旋：以某个结点作为支点（旋转结点），其左子结点变为旋转结点的父结点，左子结点的右子结点变为旋转结点的左子结点，右子结点保持不变

3、变色：结点的颜色由红变黑或由黑变红。

【注】左右旋只属于局部调整，若要保持红黑树的性质，还得靠变色；其中红黑树节点的插入、删除；涉及的子情况较多，交复杂，先留着，，后面再补上。。。

 

多路查找树

多路查找树其每一个结点的孩子数可以多于两个，且每一个结点处可以存储多个元素。

根据孩子数目来命名树的类型，因此孩子的数目多少是十分关键的，常见的有2-3树、2-3-4树、B树、B+树。

结点最大的孩子数目称为B树的阶（order），即最多有多少个孩子结点。2-3树和2-3-4树都是B树的特例。

B树（B-tree）

又称B-树是一种平衡的多路查找树。一棵平衡的m阶B树，它要么是一棵空树，要么具有如下属性：

1、如果根结点不是叶结点，则其至少有两棵子树。

2、每一个非根的分支结点都有 k-1个元素和 k个孩子，每一个叶子结点n都有 k-1个元素，其中【m/2】<= k <= m。【x】为不超过x的最大整数；

3、所有叶子结点都位于同一层次。

4、所有分支结点包含下列信息数据(n,  A0,  K1, A1, K2, A2 … ,Kn, An)其中：

n为关键字的个数（或n+1为子树的个数），(其中【m/2】- 1<= n ≤ m-1)

Ki( i = 1, 2, ...., n)为关键字，且Ki < Ki+1( i = 1, 2, ...., n-1)；

Ai( i = 0, 2, ...., n)为指向子树根结点的指针，且指针Ai-1所指子树中所有结点的关键字均小于Ki（i=1,2..n），An所指子树中所有结点的关键字均大于Kn，

（常使用在内存外存数据交互时，访问外部文件数据量极高）B树只支持随机搜索，且搜索、插入的时间复杂度为O(log N)。

m阶B树中含有n个关键字的最大深度不超过log【m/2】{(n+1)/2} + 1  解释：【x】为不超过x的最大整数，在式中做底数，{}内为幂 ，再加1；

 

B+树（B+tree）

B+树是应文件系统(数据库、Ext3FS等等文件系统)所需而提出的一种 B树 的变形树，m阶B+树的结构定义如下：

1、若根节点不是叶子节点且非空，则至少有两个子树；

2、除根节点之外每个结点至少有【m/2】棵子树；

3、树中每个节点至多有m棵子树；

4、有 K个孩子的节点（分支节点）必有 K个关键码；

B+ 树支持随机搜索和顺序搜索。

B+树特点

1、B+树的层级更少：相较于B树B+每个非叶子节点存储的关键字数更多，树的层级更少所以查询数据更快；
2、B+树查询速度更稳定：B+所有关键字数据地址都存在叶子节点上，
所以每次查找的次数都相同所以查询速度要比B树更稳定;
3、B+树天然具备排序功能：B+树所有的叶子节点数据构成了一个有序链表，
在查询大小区间的数据时候更方便，数据紧密性很高，缓存的命中率也会比B树高。
4、B+树全节点遍历更快：B+树遍历整棵树只需要遍历所有的叶子节点即可，，
而不需要像B树一样需要对每一层进行遍历，这有利于数据库做全表扫描。

 

B树、B+树差异

B+树的话，有n棵子树的结点中包含有n个关键字；所有的叶子结点包含全部关键字的信息，
及指向含这些关键字记录的指针，叶子结点本身依关键字的大小自小而大顺序链接；
和B树不同，B+树的非叶子节点不保存关键字记录的指针，只进行数据索引，
这样使得B+树每个非叶子节点所能保存的关键字大大增加。
和B树不同，B+树叶子节点保存了父节点的所有关键字记录的指针，
所有数据地址必须要到叶子节点才能获取到。所以每次数据查询的次数都一样；
和B树不同，B+树叶子节点的关键字从小到大有序排列，
左边结尾数据都会保存右边节点开始数据的指针。