1. 问题描述:
给定一个不含重复元素的整数数组 nums 。一个以此数组直接递归构建的最大二叉树定义如下:
- 二叉树的根是数组 nums 中的最大元素。
- 左子树是通过数组中最大值左边部分递归构造出的最大二叉树。
- 右子树是通过数组中最大值右边部分递归构造出的最大二叉树。
返回有给定数组nums 构建的最大二叉树 。
示例 1:
输入:nums = [3,2,1,6,0,5]
输出:[6,3,5,null,2,0,null,null,1]
解释:递归调用如下所示:
- [3,2,1,6,0,5] 中的最大值是 6 ,左边部分是 [3,2,1] ,右边部分是 [0,5] 。
- [3,2,1] 中的最大值是 3 ,左边部分是 [] ,右边部分是 [2,1] 。
- 空数组,无子节点。
- [2,1] 中的最大值是 2 ,左边部分是 [] ,右边部分是 [1] 。
- 空数组,无子节点。
- 只有一个元素,所以子节点是一个值为 1 的节点。
- [0,5] 中的最大值是 5 ,左边部分是 [0] ,右边部分是 [] 。
- 只有一个元素,所以子节点是一个值为 0 的节点。
- 空数组,无子节点。
示例 2:
输入:nums = [3,2,1]
输出:[3,null,2,null,1]
提示:
1 <= nums.length <= 1000
0 <= nums[i] <= 1000
nums 中的所有整数互不相同
来源:力扣(LeetCode)
链接:https://leetcode-cn.com/problems/maximum-binary-tree
2. 思路分析:
分析题目可以知道我们需要根据当前区间的最大值递归创建这颗二叉树,首先根节点是当前区间[l, r]的最大值,然后递归当前最大值的位置k的左右两边创建左右子树,最终返回根节点即可。所以这道题目的核心在于如何快速求解一个区间的最大值,最简单的方法是每一次扫描当前区间的所有数字然后求解最大值,但是时间复杂度为O(n ^ 2)所以是非常高的,每一次都是扫描当前的整个区间所以很容易超时。求解区间最值比较优秀的一般有以下几种方法:
- 线段树,线段树的好处是能够支持区间的修改
- ST表,ST表主要用来解决RMQ问题(RMQ问题属于区间静态问题==>区间的元素不需要修改),也即区间最大/小值的查询问题
由于这道题目的核心在于如何快速求解一个区间的最大值,所以我们需要使用一个比较好的算法来解决这个问题,上面列出的两种方法都是比较好的,由于ST算法的代码比较短,也比较好理解,所以下面采用ST算法快速求解区间的最值问题。
ST表是一种简单的数据结构,主要用来解决RMQ问题,ST算法主要使用了倍增的思想,本质上是一个简单的递推,递推的时候需要预处理一个二维数组dp,所以一开始的时候需要声明一个二维的dp数组,其中第一维的长度为n(n为nums数组的长度),第二维的长度为k + 1(k = logn),dp[i][j]表示区间[i,i + 2 ^ j - 1]的最值,递推的时候以2 ^ (j - 1)作为分隔点分为左右两部分求解最值,所以dp的状态转移方程为dp[i][j] = max{dp[i][j - 1],dp[i + 2 ^ (j - 1)][j - 1]},我们可以使用两层循环进行状态计算,第一层循环表示区间的某个起点i开始的长度为j,第二层循环表示区间的起点i,为什么第一层循环先是某个起点开始的长度呢?这是由dp数组的状态转移方程决定的,我们在状态转移的时候当前状态的值依赖于上一个状态的值,所以需要先计算出j - 1的状态那么才可以计算出当前状态j,所以最外层的循环为某个区间起点对应的长度j,预处理的时间复杂度为O(nlogn),查询区间最值的时间复杂度为O(1),所以整个算法的时间复杂度为O(nlogn)。在查询区间[l, r]最值的时候那么我们直接使用公式查询即可: a = dp[l][k],b = dp[r - (1 << k) + 1][k],其实也是以k = logn作为分隔点求解以分隔点k的左右两部分的最值即可,为什么使用分为两个部分来求解最值呢?因为只有两个部分同时求解最值才可以覆盖当前的区间的所有数字。因为我们需要递归创建左右子树,所以我们需要知道最大值对应的位置,所以在预处理的dp数组的时候dp数组存储的值为最大值对应的下标,这也是与一般求解最值问题的一个不同点,一般求见区间最值的时候存储的当前区间的最值,这里二维数组中存储的是下标,存储下标的时候获取的信息是更多的。通过下标那么可以知道两个信息,第一个是当前区间最值的位置,第二个是当前区间的最值。
3. 代码如下:
from typing import List
import math
# class TreeNode:
# def __init__(self, val=0, left=None, right=None):
# self.val = val
# self.left = left
# self.right = right
class Solution:
def query(self, l: int, r: int, nums: List[int], dp: List[List[int]]):
range_l = r - l + 1
# 以当前logn作为分隔点求解两个部分的最值
k = int(math.log(range_l, 2))
a = dp[l][k]
b = dp[r - (1 << k) + 1][k]
if nums[a] > nums[b]:
return a
return b
def build(self, nums: List[int], dp: List[List[int]], l: int, r: int):
if l > r: return None
# 查询当前区间[l,r]的最大值, k为最值的区间
k = self.query(l, r, nums, dp)
root = TreeNode(nums[k])
# 递归创建左右子树
root.left = self.build(nums, dp, l, k - 1)
root.right = self.build(nums, dp, k + 1, r)
return root
def constructMaximumBinaryTree(self, nums: List[int]) -> TreeNode:
n = len(nums)
k = int(math.log(n, 2))
# dp列表预处理区间的最值对应的位置, 下面求解dp列表的过程就是预处理递推的过程
dp = [[0] * (k + 1) for i in range(n)]
for j in range(k + 1):
i = 0
while i + (1 << j) - 1 < n:
# 注意这里存储的是下标
if j == 0:
dp[i][j] = i
else:
# 利用2 ^ (j - 1)作为左右两部分的分隔点
l = dp[i][j - 1]
r = dp[i + (1 << j - 1)][j - 1]
if nums[l] < nums[r]:
dp[i][j] = r
else:
dp[i][j] = l
i += 1
return self.build(nums, dp, 0, len(nums) - 1)