二叉搜索树，AVL树，红黑树，B树，B+树对比分析

最新推荐文章于 2022-06-08 17:30:59 发布

雪*夹雨夹*雪

最新推荐文章于 2022-06-08 17:30:59 发布

阅读量639

点赞数 1

分类专栏：数据结构 MySQL 文章标签：数据结构

本文链接：https://blog.csdn.net/qq_34999565/article/details/112751523

版权

数据结构同时被 2 个专栏收录

9 篇文章 0 订阅

订阅专栏

MySQL

9 篇文章 1 订阅

订阅专栏

平衡树

平衡树(Balance Tree，BT) 指的是，任意节点的子树的高度差都小于等于1。

二叉搜索树

在一颗二叉树中，对于树中每个节点如果满足：

若其左子树存在，则其左子树中每个节点的值都不大于该节点值；
若其右子树存在，则其右子树中每个节点的值都不小于该节点值。
任意节点的左、右子树也分别为二叉搜索树。

那么这棵二叉树就是二叉搜索树。二叉搜索树利用二分查找原理来提高搜索性能,它的平均算法复杂度是O(log n)。

但是在一些特殊情况下，比如依次插入一组有序元素，比如依次插入1-6，二叉搜索树如下图所示，已经退化成了一个链表，搜索复杂度为O（n）。

AVL自平衡二叉搜索树

为了解决普通二叉搜索树的性能退化问题，引入了AVL自平衡二叉搜索树。普通二叉搜索树搜索性能之所以退化，可以认为是它的平衡性被破坏导致的。如果二叉树能尽量保持平衡，也就是说对于树中的任意一个结点，尽量使其左子树上结点的个数和右子树上结点的个数相差不太多。

平衡二叉树是具有以下性质的二叉查找树：对于树中的任意一个结点，都有该结点的左子树的高度与右子树的高度之差的绝对值小于2,最大为1。与普通的BST相比，AVL树只是多定义了旋转操作，使得当左右子树的高度差的绝对值大于或者等于2时，平衡树可以自动地进行树形调整，以重新满足上述性质。

AVL树是通过复杂的旋转操作来保持平衡，当插入删除一个节点时，AVL树需要通过旋转来调整树的形态来达到平衡的目的。某一些情况下，当插入删除一个节点时可能要旋转多次，这会导致 AVL树插入删除节点的性能较低。也就是说AVL树是牺牲了插入删除的性能来提高搜索性能。假设一种使用场景，插入删除次数比较多而搜索次数较少，这时候就不适合使用AVL树。这时候就要引入另一种二叉搜索树，红黑树。实际上，在实际运用中红黑树出现的频率会比AVL多。

红黑树

红黑树是满足这几种要求的二叉搜索树：

节点是红色或黑色。
根节点是黑色。
所有叶子都是黑色。（叶子是NIL节点）
每个红色节点的两个子节点都是黑色。（从每个叶子到根的所有路径上不能有两个连续的红色节点）
从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。

下面两张图分别是依次插入1-6，和1-15的红黑树，对比AVL树的情况明显看出红黑树的平衡性不及AVL树。同时红黑树对平衡性的要求没有AVL树那么高，红黑树最高子树高度不会超过最低子树的2倍。

红黑树的搜索性能略逊于AVL，但是插入删除性能会优于AVL，所以综合来讲红黑树综合性能更高，应用更广。

B树

上面提到的都是二叉树，而B树是一棵多叉树。B树和平衡二叉树稍有不同的是B树属于多叉树又名平衡多路查找树（查找路径不只两个），数据库索引技术里大量使用者B树和B+树的数据结构。

AVL树和红黑树等已经拥有了足够的综合性能，但是仅限于内存数据结构。假如数据不是保存在内存中而是保存在磁盘中情况又会怎么样呢？以红黑树为例，它的搜索复杂度是O(log n),这在内存中没有问题，因为内存读取数据比较快，如果是在磁盘中，那就意味着要平均访问磁盘log n次，而磁盘访问速度相对较慢，这是不能接受的。可以简单的理解，因为红黑树的节点只能有两个子树，所以会比较高，如果允许节点有多个子树，那么树的高度就会变小，就可以减少访问磁盘的次数来提高磁盘io性能。

B 树是为了磁盘或其它存储设备而设计的一种多叉平衡查找树。

一棵m阶B树(balanced tree of order m)是一棵平衡的m路搜索树。它或者是空树，或者是满足下列性质的树：

根节点至少有两个子女；
每个非根节点所包含的关键字个数 j 满足：m/2 - 1 <= j <= m - 1；
除根节点以外的所有节点（不包括叶子结点）的度数正好是关键字总数加1，故内部子树个数 k 满足：m/2 <= k <= m ；
所有的叶子节点都位于同一层。

在B-树中，每个结点中关键字从小到大排列，并且当该结点的孩子是非叶子结点时，该k-1个关键字正好是k个孩子包含的关键字的值域的分划。

下图所示是一棵5阶的B树，插入1-15时高度是2，而红黑树是6，AVL树是4。在实际应用中的B树的阶数m都非常大（通常大于100），所以即使存储大量的数据，B树的高度仍然比较小，所以在磁盘数据结构中相对二叉搜索树有无与伦比的优势。

上图只是一个示意图，在实际运用中，B树节点除了保存关键字（索引）还会保存数据，如下图所示。一个节点的大小通常是一个磁盘块的大小，通常是4k(页框大小)的整数倍。由于B树节点保存有数据，假设数据比较大的时候保存关键字的数量就会变小，最后导致树的高度变大，磁盘访问次数变多，就会影响磁盘io性能。所以就引申出了B+树。

B+树

B+树有以下的要求：

B+树包含2种类型的结点：内部结点（也称索引结点）和叶子结点。根结点本身即可以是内部结点，也可以是叶子结点。根结点的关键字个数最少可以只有1个。
B+树与B树最大的不同是内部结点不保存数据，只用于索引，所有数据（或者说记录）都保存在叶子结点中。
m阶B+树表示了内部结点最多有m-1个关键字（或者说内部结点最多有m个子树），阶数m同时限制了叶子结点最多存储m-1个记录。
内部结点中的key都按照从小到大的顺序排列，对于内部结点中的一个key，左树中的所有key都小于它，右子树中的key都大于等于它。叶子结点中的记录也按照key的大小排列。
每个叶子结点都存有相邻叶子结点的指针，叶子结点本身依关键字的大小自小而大顺序链接。

由于B+树非叶子节点不保存数据，所以同等条件下它的树高度会较B树小，磁盘io性能更高。

B+树还有个特点是叶子节点之间是通过双向指针串联在一起的，这样对于范围操作会比B树效率高。