树的定义：
- 1.树是非线性结构
- 2.树由唯一的根和若干不想交的子树组成
- 3.树与图的区别:树中没有一个闭环
术语： - 1.结点：树的数据元素
- 2.结点的度：结点拥有的子树的个数
- 3.树的度：各个结点中度的最大值
- 4.叶子结点：度为0的结点
- 5.分支结点：度不为0的结点
- 6.子结点：当前结点的各个子树的根称为当前结点的子结点
- 7.父结点：结点的上层节点
- 8.结点的层次：从根节点到某结点路径上的分支数（长度）
- 9.树的深度：树中结点的最大层次树
- 10.无序树:各个子结点之间没有顺序（像是从左到右（上下有顺序）没有顺序，能互相替换）
- 11.有序数：各个结点之间没有顺序关系（像是从左到右有顺序，不能互相替换），例如二叉树（分左右）
- 12.兄弟：同一个父节点
- 13.高度：该节点到最远叶子节点的最长路径上的节点数（对于整棵树来说，深度和高度是相同的 ）
（一）二叉树
1.普通二叉树
定义：每个节点最多只有两个子节点的树
2.平衡二叉树
定义：一个二叉树的左右两个子树的高度差的绝对值不超过1(除了空树)
类似这样：和完全二叉树相比，平衡二叉树最后一层不必在右边
3.完全二叉树
定义：高度为K的二叉树，其中从除了第k层以外，其他层的结点的度都达到最大个数，并且第k层所有结点都在左边
类似这样：最后一层没满的话结点要在左边
4.满二叉树
定义（国内）：除了最后一层（叶子结点）外，其他每个结点的度都达到最大个数
类似这样：
定义（国外）：所有结点要么度为0，要么度为2
类似这样：
4.二叉排序树（二叉搜索树）
- 若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值；
- 若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值；
- 它的左、右子树也分别为二叉排序树
简而言之，是从左到右，左边小，右边大。类似这样：
5.平衡二叉查找树（AVL）
结合了平衡二叉树和二叉查找树特点的二叉树
像是这样：和二叉排序树的区别是二叉排序树不用平衡
6.二叉堆（Treap）
1.堆中某个结点的值总是不大于或不小于其父结点的值
2.堆总是一棵完全二叉树
6.1.最大堆
父结点的键值总是大于或等于任何一个子节点的键值
6.2.最小堆
结点的键值总是小于或等于任何一个子节点的键值。
类似这样：
7.红黑树（Red Black Tree）
在二叉查找树的基础上，增加了以下要求：
- 性质1. 结点是红色或黑色。
- 性质2. 根结点是黑色。
- 性质3. 所有叶子都是黑色。（叶子是NIL结点）
- 性质4. 每个红色结点的两个子结点都是黑色。（从每个叶子到根的所有路径上不能有两个连续的红色结点）
- 性质5. 从任一节结点到其每个叶子的所有路径都包含相同数目的黑色结点。
相比avl树的旋转次数要少
最长和最短路径不会相差两倍以上
类似这样一棵树：
8.节点大小平衡树（SB树）
SBT也是一种自平衡二叉查找树,它的平衡原理是每棵树的大小不小于其兄弟树的子树的大小
他的特点是平衡维护
size：该节点的大小
x：跟结点
l：左边
r：右边
即size(x->l)≥size(x->r->l),size(x->r->r),右边同理size(x->r)≥size(x->l->l),size(x->l->r)
9.伸展树(自适应查找树)
是一种二叉查找树，利用局部性原理设计
（被查频率高的那些节点应当经常处于靠近树根的位置）
如下图：
10.区间红黑树
定义：红黑树的基础上在维护一个自己子孙结点数据的所属区间
如图所示：
11.霍夫曼树（最优树）
名词：
结点的权：给每一个结点赋予一个新的数值，被称为这个结点的权
带权路径长度：指的是从根结点到该结点之间的路径长度与该结点的权的乘积
该树的带权路径长度达到最小，称这样的二叉树为最优二叉树
特点：权重越大的结点离树根越近
构建一个霍夫曼树
1.在 n 个权值中选出两个最小的权值，对应的两个结点组成一个新的二叉树，且新二叉树的根结点的权值为左右孩子权值的和；
2.在原有的 n 个权值中删除那两个最小的权值，同时将新的权值加入到 n–2 个权值的行列中，以此类推；
2.重复 1 和 2 ，直到所以的结点构建成了一棵二叉树为止，这棵树就是哈夫曼树
结构如图所示：
还有一些其他二叉树后续补充
（二）B树
1.B树（B-树）
B树是一种平衡的多叉搜索树
一个m阶B数是空树或者满足以下性质：
1.根节点有至少两个子女；
2.每个非根节点所包含的关键字个数 j满足：┌m/2┐ - 1 <= j <= m - 1 即：
向上取证的（阶数除以2）减一小于等于J小于等于阶数-1（按三阶图就是1<=j<=2）
3.除了根节点和叶子结点以外的所有结点的度数是关键词总数+1
4.所有的叶子结点都位于同一层
简而言之：就是每个节点里有n个关键字的多阶树
像是这样：
2.B+树
B+树是B-树的变体，也是一种多路搜索树
和B-树的区别：
- 非叶子结点的子树指针与关键字个数相同；
- 非叶子结点的子树指针P[i]，指向关键字值属于[K[i], K[i+1])的子树（B-树是开区间）；
- 为所有叶子结点增加一个链指针；
- 所有关键字都在叶子结点出现；
类似这样：
3.B*树
B+树的变体，在B+树的内节点（保存索引的结点）再增加指向兄弟的指针，
而且非叶子结点*关键字个数至少为(2/3)M（上边俩B树关键字为为┌m/2┐ - 1 <= j <= m - 1）
如图所示：
4.2-3树
1.B-树结构
2.每个非叶结点都有两个或三个子女，并且叶子在同一层（和B树一样）
3.结点有一到两个关键词，当结点有一个关键词， 就有两个子女，有两个关键词的时候，有三个子女
4.父结点一个关键词的时候，左边的子树值<父结点的值<右边的值，父结点两个关键词的时候，左边的子树<父结点第一个关键词<中间的子树<父结点第二个关键词<右边的子树
如图所示:
4.2-3-4树
阶为 4 的B树，道理和2-3树一样
1.每个节点每个节点有1、2或3个关键字，分别称为2（孩子）节点，3（孩子）节点，4（孩子）节点
2.各个结点之间大小关系（以一个四个孩子结点的父结点为例子，从左右到的关键字为key0/1/2,从左右到的子结点为c0/1/2/3）
c0的子树的所有子节点的关键字值小于key0；
c1的子树的所有子节点的关键字值大于key0并且小于key1；
c2的子树的所有子节点的关键字值大于key1并且小于key2；
c3的子树的所有子节点的关键字值大于key2
如图所示：
此外还有H树，Dancing tree，(a,b)-树等等资料较少，后续找到了在补
（三）字典树
字典树主要用于字符串排序和查询之类的，核心思想为空间换时间
1.前缀树
性质：
1.根节点不包含字符，除根节点外每一个节点都只包含一个字符。
2.从根节点到某一节点，路径上经过的字符连接起来，为该节点对应的字符串。
3.每个节点的所有子节点包含的字符都不相同
以下就是构建b，abc，abd，bcd，abcd，efg，hii 这6个单词单词的例子：
2.后缀树
对于一个字符串str[0,n)，只要将str[0,n)，str[1,n)，str[2,n)，str[3,n)，…，str[n-1,n)依次切割
例如“MISSISSIPPI“”切割后可以得到
MISSISSIPPI
ISSISSIPPI
SSISSIPPI
SISSIPPI
。。。。。。等等
然后用这些切割后的单词组成一棵树
如图所示：
然后，将只有一个子节点的向上或者向下合并得到如下图所示：
这样的树就是后缀树
3.基数树
基数树是将指针与long整数键值相关联的机制（每一个结点是一个k：v形式）
每个值有一个key为log，分配机制也是基于该key；
比如key=0X12345678一棵树的如下图所示：
遇见0就走左边，1就走右边
（四）空间划分树
以下这些树通常是用来表示二维或者三维的空间使用
1.四叉树
四叉树是一种每个节点最多有四个子树的数据结构
四个点作为四个坐标可以构建出来一个矩形，寻找一个矩形根据其范围寻找即刻
2.八叉树
四叉树的更高维度，三维的表示
加了一个高度层面,2^3是八，所以是八叉树
3.K-D树
对数据点在k维空间种划分的数据结构，每一个节点是一个多维坐标
核心理念是根据不同维度二分查找
比如一个区域：
第一层：按照X维度划分，划分点是(7,2)，左子树都要在X维度比(7,2)小，也就是x<7。也就是，左子树都在(7,2)这个点的左边。右子树都在(7,2)这个点的右边
第二层：按照Y维度划分，划分点是(5,4)，他的左子树在Y维度上都要比(5,4)小，也就是y<4
以此类推。。就可以把整个平面划分成很多个小平面。
构造成树：
4.R树
给地理位置，矩形和多边形这类多维数据建立索引用的
R树的一个简单实例：
在一个矩形空间中
从叶子结点开始用矩形（rectangle）将空间框起来，结点越往上，框住的空间就越大；
框住该矩形的就是他的父结点
理念有点想地图，什么省（内节点）什么市（内节点）什么县（叶子节点）
4.R+树
和R树的区别如图所示
R树是可以重叠的
而R+树
则是将重叠部分新分出来一个，从而从P直接可以查到H
4.R*树
和R树的构造相同，增删改查也基本相同，区别在于：
1.插入路径
R树只考虑了目录矩形的面积这一因素,R* 树除了考虑面积以外。还考虑了目录矩形的重叠。
2.除了采用面积指标以外，同时引入周长和重叠面积部分作为判定指标
3.强制重新插入算法
R*树提出了对索引中已有结点中的单元进行有选择的重新的插入，以优化R树的整体结构。
未完待续。。。
385
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
