- 二叉树、二叉查找树、红黑树

最新推荐文章于 2024-08-14 20:55:09 发布

盗情

最新推荐文章于 2024-08-14 20:55:09 发布

阅读量404

点赞数

分类专栏：数据结构文章标签：二叉树二叉查找树平衡二叉树红黑树

本文链接：https://blog.csdn.net/qq_37546891/article/details/94440761

版权

数据结构专栏收录该内容

1 篇文章 0 订阅

订阅专栏

文章目录

二叉树

树的基本概念

结点的度：结点拥有的子树的数目；
结点层次：跟为第一层，跟的孩子为第二层，…
树的深度：树的结点的最大层次数；也称为树的高度；

二叉树

二叉树：是n(n>=0)个结点的有限集合，该集合或者为空集（称为空二叉树），或者由一个根结点和两棵互不相交的、分别称为根结点的左子树和右子树组成；

特点：

每个结点最多有两棵子树，二叉树中结点的度不能大于2；
左子树和右子树是有顺序的，次序不能颠倒；
树的结点只有一棵子树时，也要区分它是左子树还是右子树；

满二叉树

满二叉树：在二叉树中，所有结点都有左子树和右子树，并且所有叶子结点都在同一层上，这样的二叉树称为满二叉树；

特点：

所有叶子结点都出现在最下一层；
所有非叶子结点的度都是2，所有叶子结点的度都是0；
在同样深度的二叉树中，满二叉树的结点个数最多，叶子数最多；

在这里插入图片描述

完全二叉树

完全二叉树：是满二叉树的一种，对一颗具有n个结点的二叉树按层编号，如果编号为i(1<=i<=n)的结点与同样深度的满二叉树中编号为i的结点在二叉树中位置完全相同，则这棵二叉树称为完全二叉树；

特点：

叶子结点只能出现在最下一层和次下层；
最下层叶子结点集中在树的左侧；
倒数第二层若存在叶子结点，一定是在右侧连续位置；
如果结点度是1，那么该结点只有左孩子，没有右孩子；
同样结点数目的二叉树，完全二叉树的深度最小；
满二叉树一定是完全二叉树，完全二叉树不一定是满二叉树；

在这里插入图片描述

二叉树遍历

https://www.jianshu.com/p/bf73c8d50dc2

二叉查找树 ( 二叉搜索树)

转自此文

对于任意一个结点 n，

其左子树下的每个后代结点的值都小于结点 n 的值；
其右子树下的每个后代结点的值都大于结点 n 的值；

在这里插入图片描述

基于二叉查找树的这种特点，我们在查找某个结点的时候，可以采取类似于二分查找的思想，快速找到某个结点；查找所需最大次数等同于二叉查找树的高度；

n 个结点的二叉查找树，正常的情况下，查找的时间复杂度为 O（logn）；

首先将想要查找找的值x与树的根结点比较，若x小于根结点的值，则在根结点的左子树中找，若x大于根结点的值，则在根结点的右子树中找，若相等，则找到，结束查找，直接返回结点的值；
插入的时候也是一样，通过一层一层比较，最后找到插入的位置；

之所以说是正常情况下，是因为二叉查找树有可能出现一种极端的情况，例如：

在这里插入图片描述

这种情况也是满足二叉查找树的条件，然而，此时的二叉查找树已经近似退化为一条链表，这样的二叉查找树的查找时间复杂度顿时变成了 O(n)，可想而知，我们必须不能让这种情况发生，为了解决这个问题，于是我们引申出了平衡二叉树；

平衡二叉树 AVL

平衡二叉树就是为了解决二叉查找树退化成一颗链表而诞生了，平衡树具有如下特点：

具有二叉查找树的全部特性；
每个结点的左子树和右子树的高度差至多等于1；

例如：图一就是一颗平衡树了，而图二则不是(结点右边标的是这个结点的高度)；
因为图2 结点9的左孩子高度为2，而右孩子高度为0，他们之间的差值超过1了；
在这里插入图片描述

平衡树基于这种特点就可以保证不会出现大量结点偏向于一边的情况了；

于是，通过平衡树，我们解决了二叉查找树的缺点；对于有 n 个结点的平衡树，最坏的查找时间复杂度也为 O(logn)；

但是插入新结点时，可能会破坏AVL树的特性：例如图1中插入结点3，按照查找二叉树的特性，我们只能把3作为结点4的左子树插进去，可是插进去之后，又会破坏了AVL树的特性；

解决这个问题就要使用左旋、右旋；

1、右旋： 左-左型
即：顺时针旋转两个结点，使得父结点被自己的左孩子取代，而自己成为自己的右孩子；
在这里插入图片描述

这里要注意，结点4的右孩子成为了结点6的左孩子了；

2、左旋： 右-右型
在这里插入图片描述

在这里插入图片描述

3、左-右型：先做左旋，后做右旋；

4、右-左型：先做右旋，再做左旋；

例子：一次插入3,2,1,4,5,6,7,10,9,8

插入3、2、1，左-左型，需要右旋调整；
插入4、5，右-右型，需要左旋转调整；

注意：这里的结点3，
- 若是只有一个右孩子，则将它的右孩子作为旋转结点，它变成自己右孩子的左子结点，它的右孩子变为它的父结点的右孩子；
- 若结点3有两个孩子，则将它作为旋转结点，将它的左孩子变为父结点的右孩子，父结点作为它的左孩子；

插入6，右-右型，需要进行左旋；
插入7，右-右型，需要进行左旋；
插入10、9，右-左型，先对结点10进行右旋把它变成右-右型，然后在进行左旋；
若是左-右型，则先左旋，再右旋；

//定义结点
class AvlNode {
   int data;
   AvlNode lchild;//左孩子
   AvlNode rchild;//右孩子
   int height;//记录结点的高度
}

//在这里定义各种操作
public class AVLTree{
   //计算结点的高度
   static int height(AvlNode T) {
       if (T == null) {
           return -1;
       }else{
           return T.height;
       }
   }

   //左左型，右旋操作
   static AvlNode R_Rotate(AvlNode K2) {
       AvlNode K1;

       //进行旋转
       K1 = K2.lchild;
       K2.lchild = K1.rchild;
       K1.rchild = K2;

       //重新计算结点的高度
       K2.height = Math.max(height(K2.lchild), height(K2.rchild)) + 1;
       K1.height = Math.max(height(K1.lchild), height(K1.rchild)) + 1;

       return K1;
   }

   //进行左旋
   static AvlNode L_Rotate(AvlNode K2) {
       AvlNode K1;

       K1 = K2.rchild;
       K2.rchild = K1.lchild;
       K1.lchild = K2;

       //重新计算高度
       K2.height = Math.max(height(K2.lchild), height(K2.rchild)) + 1;
       K1.height = Math.max(height(K1.lchild), height(K1.rchild)) + 1;

       return K1;
   }

   //左-右型，进行右旋，再左旋
   static AvlNode R_L_Rotate(AvlNode K3) {
       //先对其孩子进行左旋
       K3.lchild = R_Rotate(K3.lchild);
       //再进行右旋
       return L_Rotate(K3);
   }

   //右-左型，先进行左旋，再右旋
   static AvlNode L_R_Rotate(AvlNode K3) {
       //先对孩子进行左旋
       K3.rchild = L_Rotate(K3.rchild);
       //在右旋
       return R_Rotate(K3);
   }

   //插入数值操作
   static AvlNode insert(int data, AvlNode T) {
       if (T == null) {
           T = new AvlNode();
           T.data = data;
           T.lchild = T.rchild = null;
       } else if(data < T.data) {
           //向左孩子递归插入
           T.lchild = insert(data, T.lchild);
           //进行调整操作
           //如果左孩子的高度比右孩子大2
           if (height(T.lchild) - height(T.rchild) == 2) {
               //左-左型
               if (data < T.lchild.data) {
                   T = R_Rotate(T);
               } else {
                   //左-右型
                   T = R_L_Rotate(T);
               }
           }
       } else if (data > T.data) {
           T.rchild = insert(data, T.rchild);
           //进行调整
           //右孩子比左孩子高度大2
           if(height(T.rchild) - height(T.lchild) == 2)
               //右-右型
               if (data > T.rchild.data) {
                   T = L_Rotate(T);
               } else {
                   T = L_R_Rotate(T);
               }
       }
       //否则，这个结点已经在书上存在了，我们什么也不做
       
       //重新计算T的高度
       T.height = Math.max(height(T.lchild), height(T.rchild)) + 1;
       return T;
   }
}

红黑树

参考文章：http://www.360doc.com/content/18/0904/19/25944647_783893127.shtml
参考文章：https://www.jianshu.com/p/e136ec79235c

虽然平衡树解决了二叉查找树退化为近似链表的缺点，能够把查找时间控制在 O(logn)，不过却不是最佳的，因为平衡树要求每个结点的左子树和右子树的高度差至多等于1，这个要求实在是太严了，导致每次进行插入/删除结点的时候，几乎都会破坏平衡树的第二个规则，进而我们都需要通过左旋和右旋来进行调整，使之再次成为一颗符合要求的平衡树；

显然，如果在那种插入、删除很频繁的场景中，平衡树需要频繁着进行调整，这会使平衡树的性能大打折扣，为了解决这个问题，于是有了红黑树；红黑树能够在最坏情况下，也能在 O(logn) 的时间复杂度查找到某个结点；

不过，与平衡树不同的是，红黑树在插入、删除等操作，不会像平衡树那样，频繁着破坏红黑树的规则，所以不需要频繁着调整，这也是我们为什么大多数情况下使用红黑树的原因；但是单单在查找方面的效率的话，平衡树比红黑树快；所以，我们也可以说，红黑树是一种不大严格的平衡树；也可以说是一个折中发方案；

平衡树是为了解决二叉查找树退化为链表的情况，而红黑树是为了解决平衡树在插入、删除等操作需要频繁调整的情况；