（多种写法）【LeetCode96】不同的二叉搜索树

本文最早发自微信公众号【有趣理工男】，朋友们可以关注一波。

题目

Given an integer n, return the number of structurally unique BST’s (binary search trees) which has exactly n nodes of unique values from 1 to n.

示例1

输入：n = 3
输出：5

示例 2：

输入：n = 1
输出：1

思路

解决这道题我们先从基本的 Top-down （递归）写法入手，之后改写成 Bottom-up 写法。之所以这样，是因为 Top-down 的写法更加容易理解。

首先，从题目开始分析。给定一个数字 n ，求从节点值 1 到 n 互不相同的二叉搜索树有多少个。显然，我们可以将这个大问题拆分为小问题求解。即求根节点值为 k 的二叉搜索树有多少个，再把 k=1 ，k=2，… ，k=n 相加，即可求出答案。

如上面示例1，我们要求 n=3 ，只需要分别求当根节点为 1， 2， 3 时的二叉搜索树有多少个，再将它们相加，就可以得到答案。

上面我们拆分了问题，得到了子问题。现在我们对子问题求解。

设给定整数 n ，拆分为 n 个子问题求解。

我们定义一个函数 G[n] 来表示长度为 n 的序列能构成的不同BST的个数。

每一个子问题根节点值为 k ，此时左子树的节点个数为 k-1 ，而右子树节点个数为 n-k 。

再定义一个函数 numTrees(k, n) 来表示根节点为 k 、序列长度为 n 的BST的个数。（注意这个函数与前面的 G[n] 不一样，这个是子问题的求解函数）

对于上图，当 k=1 时（根节点为1），左子树可以组成的BST的个数为 G[0] ，右子树可以组成的BST的个数为 G[4] 。

1️⃣我们有：

$$G[5]=numTrees(1,5)+numTrees(2,5)+numTrees(3,5)+numTrees(4,5)+numTrees(5,5)$$

2️⃣进一步我们有：
$$\begin{gathered} numTrees(1,5)=G[0]\ast G[4] \\ numTrees(2,5)=G[1]\ast G[3] \\ numTrees(3,5)=G[2]\ast G[2] \\ numTrees(4,5)=G[3]\ast G[1] \\ numTrees(5,5)=G[4]\ast G[0] \end{gathered}$$

对于1️⃣，整理为一般形式：
$$G(n)=\sum _{k=1}^{n}numTrees(k,n)$$
对于2️⃣，有人可能会有疑惑：为什么是相乘？

这里我借LeetCode官方题解中的一副图：

相当于左子树有 G(i-1) 种组合，右子树有 G(n-i) 种组合。要求解整体能有多少种组合，则用熟悉来排列组合来做，直接把左子树的组合数量乘以右子树的组合数量，即可求解。

我们则可以求出 2️⃣ 的一般形式：
$$numTrees(k,n)=G(k-1)\ast G(n-k)$$
注意：k 是根节点的值。

把上述的两个公式写在一起：
$$\begin{gathered} G(n)=\sum _{k=1}^{n}numTrees(k,n) \\ numTrees(k,n)=G(k-1)\ast G(n-k) \end{gathered}$$
结合成一个式子得：
$$G(n)=\sum _{k=1}^{n}G(k-1)\ast G(n-k)$$

最后，我们确定一下终止条件（Base case）。

即当 n=0 或 n=1 时，有： G(0) = 1 和 G(1) = 1 。其意义为：空树的BST个数为1。只有一个节点组成的BST个数为1 。

Top-Down Solution

根据前面的分析，从递归式很容易写出递归的代码。

def numTrees(n):
    if n == 0 or n == 1:
        return 1
    res = 0
    for k in range(1, n+1):
        res += numTrees(k-1) * numTrees(n-k)
    return res

但是，上面的代码放在 LeetCode 会超时。怎么办呢？首先，我们找出影响代码速度的地方，很明显是因为 numTrees() 多次的计算，那么有没有一种方法可以将之前计算出函数的结果存下来呢？有的。我们可以用下述两种方法来优化：

• 字典
• lru_cache

字典优化

def numTrees(n):
    cache = dict()

    def helper(n):
        if n in cache:
            return cache[n]
        if n == 0 or n == 1:
            return 1
        res = 0
        for k in range(1, n+1):
            res += helper(k-1) * helper(n-k)
        cache[n] = res
        return res

    return helper(n)

lru_cache 缓存优化

from functools import lru_cache

@lru_cache()
def numTrees(n):
    if n == 0 or n == 1:
        return 1
    res = 0
    for k in range(1, n+1):
        res += numTrees(k-1) * numTrees(n-k)
    return res

Bottom-Up Solution

def numTrees(n):
    G = [0] * (n+1)
    G[0] = 1
    G[1] = 1
    for i in range(2, n+1):
        for k in range(1, n+1):
            G[i] += G[k-1] * G[i-k]
    return G[n]

最后这是 Bottom-Up的写法，其中 G 是一个列表。例如，G[2] 存了节点数量为 2 能构成不同BST的个数；G[n] 存了节点数量为 n 能构成不同BST的个数。由于 G[0] 和 G[1] 为 Base case，所以外层循环 i 取值从 2 开始，直到 n 。每层内层循环取值 k 相当于把 k 作为二叉树的根节点，显然 k 的取值是从 1 到 n 的。

注意，我们每次内层循环是用 += ，理由前面有讲到，此处不再赘述。

G[k-1] 中 k-1 是左子树的个数，根据下图也很好理解。但是为什么 G[i-k] 中是 i-k 而不是 n-i 呢？

理解很简单，假设 n=3 ，因为我们现在是动态规划，动态地求 G[2] ，G[3] 。使用 G[n-k] 的话，每次内层循环都是 G[3-k] 了，这样是错误的。正确使用 G[i-k] 每次内层循环乘号右边应该是 G[2-k] ，G[3-k] 。

在双层循环之后，切记要返回 G[n] 。

附上提交结果：

总结

正所谓，动态规划，层层相扣。将大问题分解为子问题对分析问题很有帮助，而从子问题找出解决方法是本题核心。想不到题目解的时候，不妨将几种情况写出，寻找它们规律。

本文最早发自微信公众号【有趣理工男】