红黑树（RBTree）

最新推荐文章于 2024-08-22 18:25:36 发布

青年有志

最新推荐文章于 2024-08-22 18:25:36 发布

阅读量673

点赞数 13

分类专栏：算法程序设计文章标签：算法数据结构数据库

本文链接：https://blog.csdn.net/qq_46450354/article/details/140603144

版权

算法程序设计专栏收录该内容

41 篇文章 3 订阅

订阅专栏

☆☆☆☆☆ 在学习红黑树之前先了解平衡二叉树： 平衡二叉树（AVL）

一、什么是红黑树？

知道 ALV 树是一种严格按照定义来实现的平衡二叉查找树，所以它查找的效率非常稳定，为 O(log n),由于其严格按照左右子树高度差不大于 1 的规则，插入和删除操作中需要大量且复杂的操作来保持 ALV 树的平衡（左旋和右旋），因此 ALV 树适用于大量查询，少量插入和删除的场景中

那么假设现在有这样一种场景：大量查询，大量插入和删除，现在使用 ALV 树就不太合适了，因为 ALV 树大量的插入和删除会非常耗时间，那么我们是否可以降低 ALV 树对平衡性的要求从而达到快速的插入和删除呢？

答案肯定是有的，红黑树这种数据结构就应运而生了（因为ALV树是高度平衡的，所以查找起来肯定比红黑树快，但是红黑树在插入和删除方面的性能就远远不是ALV树所能比的了），红黑树是一种接近平衡的二叉树（说它是接近平衡因为它并没有像AVL树的平衡因子的概念，它只是靠着满足红黑节点的5条性质来维持一种接近平衡的结构，进而提升整体的性能，并没有严格的卡定某个平衡因子来维持绝对平衡）。

红黑树是一种自平衡的二叉查找树，是一种高效的查找树。它是由 Rudolf Bayer 于1978年发明，在当时被称为平衡二叉 B 树(symmetric binary B-trees)。后来，在1978年被 Leo J. Guibas 和 Robert Sedgewick 修改为如今的红黑树。红黑树具有良好的效率，它可在 O(logN) 时间内完成查找、增加、删除等操作。

二、红黑树的特性

在讲解红黑树性质之前，先简单了解一下几个概念：

parent：父节点
sibling：兄弟节点
uncle：叔父节点（ parent 的兄弟节点）
grand：祖父节点（ parent 的父节点）

1）每个结点或红或黑
2）根结点是黑色
3）空叶子结点是黑色，注意这里的空叶子节点指的是最底层的空节点（外部节点），下图中的那些 NIL 节点才是叶子节点，NIL 节点的父节点在红黑树里不将其看作叶子节点
4）如果一个结点是红色，那么它的子节点是黑色
5）从任意一个结点出发到空的叶子结点经过的黑结点个数相同

红色属性 说明，红色节点的孩子，一定是黑色。但是，RBTree 黑色节点的孩子，可以是红色，也可以是黑色，具体如下图。

叶子属性 说明，叶子节点可以是空nil ，AVL的叶子节点不是空的，具体如下图。
在这里插入图片描述
基于上面的原则，我们一般在插入红黑树节点的时候，会将这个节点设置为红色，

原因参照最后一条原则：红色破坏原则的可能性最小，如果是黑色, 很可能导致这条支路的黑色节点比其它支路的要多1，破坏了平衡。

记忆要点：
可以按照括号里边的分类，记住红黑树的几个原则：

（颜色属性）性质1：节点非黑即红
（根属性）性质2：根节点一定是黑色
（叶子属性）性质3：叶子节点（NIL）一定是黑色
（红色属性）性质4：每个红色节点的两个子节点，都为黑色。(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)
（黑色属性）性质5：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。

黑色属性，可以理解为平衡特征，如果满足不了平衡特征，就要进行平衡操作。

根据上面的性质，来判断一下下面这课树是不是红黑树
在这里插入图片描述

上面这棵树首先很容易就能知道是满足性质1-4条的，关键在于第5条性质，可能乍一看好像也是符合第5条的，但实际就会陷入一个误区，直接将图上的最后一层的节点看作叶子节点，这样看的话每一条从根节点到叶子结点的路径确实都经过了3个黑节点。

但实际上，在红黑树中真正被定义为叶子结点的，是那些空节点，如下图。
在这里插入图片描述
这样一来，路径1有4个黑色节点（算上空节点），路径2只有3个黑色节点，这样性质5就不满足了，所以这棵树并不是一个红黑树节点。

三、黑色完美平衡

红黑树并不是一颗AVL平衡二叉搜索树，从图上可以看到，根节点 P 的左子树显然比右子树高

根据红黑树的特性 5，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，说明：

RBT 的左子树和右子树的黑节点的层数是相等的
红黑树的平衡条件，不是以整体的高度来约束的，而是以黑色节点的高度，来约束的。

所以称红黑树这种平衡为黑色完美平衡。
在这里插入图片描述
看看黑色完美平衡的效果，

去掉 RBT 中的红色节点，会得到一个四叉树，从根节点到每一个叶子，高度相同，就是 RBT 的 root 到叶子的黑色路径长度。
在这里插入图片描述

四、红黑树的恢复平衡过程的三个操作

一旦红黑树5个原则有不满足的情况，我们视为平衡被打破，如何恢复平衡？

靠它的三种操作：变色、左旋、右旋。

1.变色

节点的颜色由红变黑或由黑变红。（这个操作很好了解）

2.左旋

以某个结点作为支点(pivot)，其父节点（子树的 root）旋转为自己的左子树（左旋），pivot 的原左子树变成原 root 节点的右子树，pivot 的原右子树保持不变。
在这里插入图片描述

在这里插入图片描述

3. 右旋

以某个结点作为支点(pivot)，其父节点（子树的root）旋转为自己的右子树（右旋），pivot的原右子树变成原root节点的左子树，pivot的原左子树保持不变。
在这里插入图片描述

红黑树的左旋、右旋操作，AVL树的左旋，右旋操作差不多

五、红黑树插入节点情景分析

红黑树的节点结构

先看看红黑树的节点结构

以HashMap中的红黑树的结构定义为例子：

  static class Node<K,V> implements Map.Entry<K,V> {
        final int hash;
        final K key;
        volatile V val;
        volatile Node<K,V> next;
        }


/**
 * Nodes for use in TreeBins
 */
static final class TreeNode<K,V> extends Node<K,V> {
    TreeNode<K,V> parent;  // red-black tree links
    TreeNode<K,V> left;
    TreeNode<K,V> right;
    TreeNode<K,V> prev;    // needed to unlink next upon deletion
    boolean red;

    TreeNode(int hash, K key, V val, Node<K,V> next,
             TreeNode<K,V> parent) {
        super(hash, key, val, next);
        this.parent = parent;
    }

默认新插入的节点为红色：

因为父节点为黑色的概率较大，插入新节点为红色，可以避免颜色冲突

场景1：红黑树为空树

直接把插入结点作为根节点就可以了

另外：根据红黑树性质 2根节点是黑色的。还需要把插入节点设置为黑色。

场景2：插入节点的Key已经存在

更新当前节点的值，为插入节点的值。
在这里插入图片描述

情景3：插入节点的父节点为黑色

由于插入的节点是红色的，当插入节点的父节点是黑色时，不会影响红黑树的平衡，

所以：直接插入无需做自平衡。
在这里插入图片描述

情景4：插入节点的父节点为红色

根据性质2：根节点是黑色。

如果插入节点的父节点为红色节点，那么该父节点不可能为根节点，所以插入节点总是存在祖父节点(三代关系)。

根据性质4：每个红色节点的两个子节点一定是黑色的。不能有两个红色节点相连。

此时会出现两种状态：

父亲和叔叔为红色
父亲为红色，叔叔为黑色

如图
在这里插入图片描述

场景4.1：父亲和叔叔为红色节点

根据性质4：红色节点不能相连 ==> 祖父节点肯定为黑色节点：

父亲为红色，那么此时该插入子树的红黑树层数的情况是：黑红红。

因为不可能同时存在两个相连的红色节点，需要进行变色，显然处理方式是把其改为：红黑红

变色处理：黑红红 ==> 红黑红

将F和V节点改为黑色
将P改为红色
将P设置为当前节点，进行后续处理

可以看到，将P设置为红色了，

如果P的父节点是黑色，那么无需做处理；

但如果P的父节点是红色，则违反红黑树性质了，所以需要将P设置为当前节点，继续插入操作, 作自平衡处理，直到整体平衡为止。

场景4.2：叔叔为黑色，父亲为红色，并且插在父亲的左节点

分为两种情况

LL 红色插入

叔叔为黑色，或者不存在（NIL）也是黑节点，并且节点的父亲节点是祖父节点的左子节点

注意： 单纯从插入来看，叔叔节点非红即黑(NIL节点)，否则破坏了红黑树性质5，此时路径会比其他路径多一个黑色节点。
在这里插入图片描述

场景4.2.1 LL型失衡

细分场景 1：新插入节点，为其父节点的左子节点(LL红色情况)，插入后就是LL 型失衡
在这里插入图片描述

自平衡处理

变颜色：将 F 设置为黑色，将 P 设置为红色
对 F 节点进行右旋

在这里插入图片描述

场景4.2.2 LR型失衡

细分场景 2：新插入节点，为其父节点的右子节点(LR红色情况)，插入后就是LR 型失衡
在这里插入图片描述

自平衡处理：

对F进行左旋
将F设置为当前节点，得到 LL 红色情况
按照LL红色情况处理(1. 变色 2. 右旋P节点)

在这里插入图片描述

情景4.3：叔叔为黑节点，父亲为红色，并且父亲节点是祖父节点的右子节点

在这里插入图片描述

情景4.3.1：RR型失衡

新插入节点，为其父节点的右子节点(RR红色情况)
在这里插入图片描述
自平衡处理：

变色：将F设置为黑色，将P设置为红色
对P节点进行左旋

在这里插入图片描述

情景4.3.2：RL型失衡

新插入节点，为其父节点的左子节点(RL红色情况)
在这里插入图片描述
自平衡处理：

对F进行右旋
将F设置为当前节点，得到RR红色情况
按照RR红色情况处理(1.变色 2.左旋 P节点)

在这里插入图片描述

六、RBT面试题：

问：有了二叉搜索树，为什么还需要平衡二叉树？

二叉搜索树容易退化成一条链

这时，查找的时间复杂度从O ( log n）也将退化成O ( N )

引入对左右子树高度差有限制的平衡二叉树 AVL，保证查找操作的最坏时间复杂度也为O ( log n）

问：有了平衡二叉树，为什么还需要红黑树？

AVL的左右子树高度差不能超过1，每次进行插入/删除操作时，几乎都需要通过旋转操作保持平衡

在频繁进行插入/删除的场景中，频繁的旋转操作使得AVL的性能大打折扣

红黑树通过牺牲严格的平衡，换取插入/删除时少量的旋转操作，

整体性能优于AVL

红黑树插入时的不平衡，不超过两次旋转就可以解决；删除时的不平衡，不超过三次旋转就能解决
红黑树的红黑规则，保证最坏的情况下，也能在O ( log n）时间内完成查找操作。

问：红黑树那几个原则，你还记得么？

可以按照括号里边的分类，记住红黑树的几个原则：

（颜色属性）节点非黑即红
（根属性）根节点一定是黑色
（叶子属性）叶子节点（NIL）一定是黑色
（红色属性）每个红色节点的两个子节点，都为黑色。(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)
（黑色属性）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。

问：红黑树写入操作，是如何找到它的父节点的？

红黑树的节点 TreeNode它就是继承Node结构，

先看看红黑树的节点结构

以HashMap中的红黑树的结构定义为例子：

  static class Node<K,V> implements Map.Entry<K,V> {
        final int hash;
        final K key;
        volatile V val;
        volatile Node<K,V> next;
        }


/**
 * Nodes for use in TreeBins
 */
static final class TreeNode<K,V> extends Node<K,V> {
    TreeNode<K,V> parent;  // red-black tree links
    TreeNode<K,V> left;
    TreeNode<K,V> right;
    TreeNode<K,V> prev;    // needed to unlink next upon deletion
    boolean red;

    TreeNode(int hash, K key, V val, Node<K,V> next,
             TreeNode<K,V> parent) {
        super(hash, key, val, next);
        this.parent = parent;
    }

TreeNode在Node基础上加了几个字段，分别指向父节点parent，然后指向左子节点left，还有指向右子节点的right，

然后还有表示颜色red属性

红黑树的插入操作：

首先是找到一个合适的插入点，就是找到插入节点的父节点，
由于红黑树它又满足BST二叉查找树的有序特性，这个找父节点的操作和二叉查找树是完全一致的。
二叉查找树，左子节点小于当前节点，右子节点大于当前节点，
然后每一次向下查找一层就可以排除掉一半的数据，查找的效率在log(N)
最终查找到nil节点或者 key一样的节点。
如果最终查找到 key一样的节点，进行更新操作。这个TreeNode.key 与当前 put.key 完全一致。这就不需要插入，替换value就可以了，父节点就是当前节点的父节点
如果最终查找到nil节点，进行插入操作。nil节点的父节点，就是当前节点的父节点，把插入的节点替换nil节点。然后进行红黑树的平衡处理。