STL-使用红黑树作为底层的原因简单解释

STL-使用红黑树作为底层的原因简单解释

​ 在C++标准模板库中，map\set\mutimap\mutiset均是以红黑树作为底层来实现的。为什么要以红黑树来实现这些容器呢？

二叉搜索树

​ 二叉搜索树（也叫二叉排序树、二叉查找树)。二叉搜索树的定义较为简单。二叉搜索树就是根节点元素与左右子树所有元素的比较关系顺序。具体如大小关系，二叉搜索树就是根节点元素大于左子树的所有元素，小于右子树的所有元素，并且左右子树均为二叉搜索树。

​

平衡二叉搜索树

​ 二叉搜索树在一些性能上仍然不是很理想，它的查找等一些操作最糟糕情况的时间复杂度仍然有$O(n)$,为了降低这些操作的最糟糕时间复杂度，可以在构造二叉搜索树多花点功夫。平衡二叉搜索树，就能解决这个问题。

​ 平衡二叉搜索树是什么呢？平衡二叉搜索树规定，根节点的左右子树高度相差在1以内，也就是说左子树高度-右子树高度 ∈ { − 1 , 0 , 1 } \in \{-1,0,1\} ∈{−1,0,1}。插入、删除、查找都为O($lo{g}_{2}n$) ，而最坏情况为O($n$)

​

红黑树

​ 红黑树是一种弱平衡二叉搜索树，他每个节点有额外的一个数据，也就是该节点的颜色（红色或黑色）。他需要满足以下五个性质：

1. 每个节点是红色或黑色。
2. 根是黑色的。有时会忽略此规则。由于根始终可以从红色更改为黑色，但反之亦然，因此该规则对分析的影响很小。
3. 所有叶子（这里的叶子节点是指所有通常说的叶子节点的子节点，是没有数据的节点）均为黑色。
4. 如果节点为红色，则其两个子节点均为黑色。
5. 从给定节点到其任何后代NIL节点的每条路径都包含相同数量的黑色节点。

注意，除了第五个约束之外，没有任何限制施加到黑色节点的子节点上。特别地，黑色节点（如叶节点）可以是黑色节点的子节点。例子：

红黑树与AVL树的比较：

​ 在平均时间复杂度上，无论是红黑树都是AVL树，插入、删除、查找都为O($lo{g}_{2}n$) ，而最坏情况也为O($lo{g}_{2}n$) 。AVL树在顺序插入和删除时有20%左右的性能优势，但随机性能反而落后15%左右，现实应用当然一般都是随机情况，所以红黑树得到了更广泛的应用。

​ 在插入、删除后的重新平衡方面：AVL是严格的平衡树，因此在增加或者删除节点的时候，根据不同情况，旋转的次数比红黑树要多；红黑树是用非严格的平衡来换取增删节点时候旋转次数的降低开销；所以简单说，如果你的应用中，搜索的次数远远大于插入和删除，那么选择AVL树，如果搜索，插入删除次数几乎差不多，应选择红黑树。即，有时仅为了排序（建立-遍历-删除），不查找或查找次数很少，R-B树合算一些。

​ 红黑树与AVL树的调整平衡的实现机制不同，AVL靠平衡因子和旋转，红黑树靠节点颜色以及一些约定再加上旋转。因此，存在去掉颜色的红黑树后它不是AVL树，比如左子树都是黑的，右子树都是红黑相间的，这样整个树高度2n的时候，根节点的左右层数差可以到n。

​ 红黑树能够以O($lo{g}_{2}n$) 的时间复杂度进行搜索、插入、删除操作。此外，由于它的设计，任何不平衡都会在三次旋转之内解决。当然，还有一些更好的，实现起来更复杂的数据结构 能够做到一步旋转之内达到平衡，但红黑树能够给我们一个比较“便宜”的解决方案。红黑树的算法时间复杂度和AVL相同，但统计性能比AVL树更高。当然，红黑树并不适应所有应用树的领域。如果数据基本上是静态的，那么让他们待在他们能够插入，并且不影响平衡的地方会具有更好的性能。如果数据完全是静态的，例如，做一个哈希表，性能可能会更好一些红黑树是牺牲了严格的高度平衡的优越条件为 代价红黑树能够以O($lo{g}_{2}n$) 的时间复杂度进行搜索、插入、删除操作。此外，由于它的设计，任何不平衡都会在三次旋转之内解决。

​ 总而言之，在插入或删除后的重新“平衡”上，红黑树效率优于AVL树。

Reference

[1]https://en.wikipedia.org/wiki/AVL_tree

[2]https://en.wikipedia.org/wiki/Red%E2%80%93black_tree](https://en.wikipedia.org/wiki/Red–black_tree

[3]https://www.cnblogs.com/rednodel/p/9259134.html