红黑树(RB-Tree)比AVL强在哪？

前言

以前本科同学在找工作的时候，就被面试官问到过关于红黑树的问题。因为当时我的知识面不广，所以也不知道红黑树是个什么东西，也没放在心上。在看过了STL源码后才知道原来有很多底层实现都用的红黑树。简单的查阅了相关概念后，我觉得它和AVL没啥差别，而且AVL更好理解，平衡性也更优，那为什么还要使用红黑树？

于是我开始查阅相关资料，百度红黑树的概念及性质，在网上看到了一些回复，感觉讲的很有道理。但我没有简单的接受他们的答案，而是在Github上找代码，以验证他们所说的红黑树的优势。本篇博文不向各位介绍红黑树原理及旋转操作的过程，只介绍一些基本的概念，然后通过使用AVL和RB-Tree处理数据的时间验证红黑树的优势。

 

基本概念

AVL树是最先发明的自平衡二叉查找树。在AVL树中任何节点的两个子树的高度最大差别为1，所以它也被称为高度平衡树。增加和删除可能需要通过一次或多次树旋转来重新平衡这个树。查找、插入和删除在平均和最坏情况下都是O(logn)。

红黑树（Red Black Tree）是一种自平衡二叉查找树，是在计算机科学中用到的一种数据结构，典型的用途是实现关联数组。红黑树和AVL树类似，都是在进行插入和删除操作时通过特定操作保持二叉查找树的平衡，从而获得较高的查找性能。它虽然是复杂的，但它的最坏情况运行时间也是非常良好的，并且在实践中是高效的：它可以在O(logn)时间内做查找，插入和删除。

红黑树是每个节点都带有颜色属性的二叉查找树，颜色或红色或黑色。在二叉查找树强制一般要求以外，对于任何有效的红黑树有如下的额外要求:

性质1. 节点是红色或黑色。

性质2. 根节点是黑色。

性质3 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)

性质4. 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。

从以上概念和性质可知红黑树不是高度平衡的二叉树，它用非严格的平衡结构来换取增删节点时旋转次数的降低。虽然它放弃了严格的高度平衡，但完成查询、插入、删除操作的时间复杂性度依然为O(logn)。此外，由算法导论里的分析，我们可以得到这么一个结论：任何不平衡都会在三次旋转之内解决。

 

CSDN、知乎上的回答

1. 如果插入一个node引起了树的不平衡，AVL和RB-Tree都是最多只需要2次旋转操作，即两者都是O(1)；但是在删除node引起树的不平衡时，最坏情况下，AVL需要维护从被删node到root这条路径上所有node的平衡性，因此需要旋转的量级O(logn)，而RB-Tree最多只需3次旋转，只需要O(1)的复杂度。

2. 其次，AVL的结构相较RB-Tree来说更为平衡，在插入和删除node更容易引起Tree的unbalance，因此在大量数据需要插入或者删除时，AVL需要rebalance的频率会更高。因此，RB-Tree在需要大量插入和删除node的场景下，效率更高。自然，由于AVL高度平衡，因此AVL的search效率更高。

3. map的实现只是折衷了两者在search、insert以及delete下的效率。总体来说，RB-tree的统计性能是高于AVL的。

4.红黑树的查询性能略微逊色于AVL树，因为他比avl树会稍微不平衡最多一层，也就是说红黑树的查询性能只比相同内容的avl树最多多一次比较，但是，红黑树在插入和删除上完爆avl树，avl树每次插入删除会进行大量的平衡度计算，而红黑树为了维持红黑性质所做的红黑变换和旋转的开销，相较于avl树为了维持平衡的开销要小得多

注意：因为每次插入和删除都要进行查找元素的操作，所以插入和删除的时间复杂性的都是O(logn)，其实插入和删除操作本身的时间复杂度是O(1)。

 

实验验证

以上代码是我在Github上找到的，作者的目的是实现和Linux下的红黑树一样快的AVL。其中分析了AVL和红黑树在处理数据时的性能，也是验证上述回答的非常好的一个实验。实验分为静态内存评估和动态内存评估，而我只关注于两者在插入、查找和删除元素所耗费的时间上。网址在文章结尾。

静态内存情况下运行结果：

RB-Tree和AVL在处理10000000个结点时的数据对比:
insert time: 3400ms, height=32
insert time: 3618ms, height=27

search time: 2790ms error=0
search time: 2912ms error=0

delete time: 510ms
delete time: 612ms

total: 6700ms
total: 7142ms

RB-Tree和AVL在处理1000000个结点时的数据对比:
insert time: 292ms, height=26
insert time: 315ms, height=24

search time: 167ms error=0
search time: 170ms error=0

delete time: 56ms
delete time: 62ms

total: 515ms
total: 547ms

 

动态内存情况下运行结果：

RB-Tree和AVL在处理10000000个结点时的数据对比:
insert time: 3832ms, height=32
insert time: 4138ms, height=27

search time: 2901ms error=0
search time: 2945ms error=0

delete time: 484ms
delete time: 574ms

total: 7217ms
total: 7657ms

RB-Tree和AVL在处理1000000个结点时的数据对比:
insert time: 342ms, height=26
insert time: 373ms, height=24

search time: 187ms error=0
search time: 171ms error=0

delete time: 44ms
delete time: 53ms

total: 573ms
total: 597ms

 

分析

以下是程序运行时间的柱状图，这里只做了静态内存的图表，因为无论是静态还是动态，程序处理数据的优劣情况是一样的。

从上面的两张图片可以看出，随着数据量的增加，RB-Tree的优势更为明显。当这两个树型结构在处理百万元素的时候，在删除方面，RB-Tree比AVL快6ms，但两者的删除操作总共花费时间为60ms左右。相比插入和搜索时间占比而言，在删除操作方面，RB-Tree的表现更好。当数据量增加了一个量级后，RB-Tree的删除操作比AVL快将近100ms(节约的时间占比变高)。所以当处理大量数据，且删除操作较为频繁的情况下，RB-Tree的性能要优于AVL。综上所述，如果你的应用中，查询的次数远远大于插入和删除，那么应该选择AVL。如果搜索，插入删除次数几乎差不多，则应该选择RB-Tree。

 

结论

结合实验和网友的回答，可知AVL在查询上是优于RB-Tree，但在删除元素方面，RB-Tree所花费的时间要小于AVL的用时。这里我不能对插入效率做出评判，因为插入一个结点引起的不平衡，AVL和RB-Tree都是最多只需要2次旋转操作，所以从理论上讲，两者的时间应该是差不多的(或者多次实验的好坏是交替出现的)。但实验数据往往是RB-Tree优于AVL，这点和代码有关。在寻找AVL和RB-Tree做对比实验的代码时，我就发现了网上所给的代码效率参差不齐。原本我使用的是严蔚敏数据结构的AVL代码做实验，但是严奶奶的书上没有给出删除操作的代码，所以我就在网上找完整的代码。在找代码的过程中发现，有很多代码能用，但效率太低了(而且我想找的是AVL和RB-Tree运行时间差距不是很大的代码)。我甚至还发了一条Blink求助网友，但是没有得到有效的回应，最后终于在Github上找到了可以用于验证以上回答的代码。可能各位也会对代码本身有疑问，但这是我目前找到的最符合需求的代码了。

 

参考：

https://github.com/skywind3000/avlmini

https://blog.csdn.net/mmshixing/article/details/51692892

http://www.zhihu.com/question/20545708/answer/58717264

http://www.zhihu.com/question/43744788/answer/9825888