5.1 树和二叉树

  • 树和二叉树的定义

树(Tree):树是 n(n>=0) 个结点的有限集,它或为空树(n=0),或为非空树;对于非空树 T :

(1)有且只有一个称之为根的结点;

(2)除根节点以外的其余节点可分为 m (m>0) 个互不相交的有限集 T1,T2,……,Tm,其中每一个集合本身又是一棵树,并且称为根的子树(SubTree)。  

树的其它表示形式:嵌套集合,广义表,凹入表示法

树的基本术语:

1. 结点:树中的一个独立单元,包含一个数据元素及若干指向其指数的分支;

2. 结点的度:结点拥有的子树数称为结点的度;

3. 树的度:树的度是树内各结点度的最大值;

4. 叶子:度为0的结点称为叶子或终端结点;

5. 非终端结点:度不为0的结点称为非终端结点或分支结点;

6. 双亲和孩子:结点的子数的根称为该节点的孩子,相应地,该节点称为孩子的双亲;

7. 兄弟:同一个双亲的孩子之间互称兄弟;

8. 祖先:从根到该节点所经分支上的所有结点;

9. 子孙:以某节点为根的子树中的任一结点都称为该节点的子孙;

10. 层次:结点的层次从根开始定义起,根为第一层,根的孩子为第二层。根中任一结点的层次等于其双亲结点的层次加 1 ;

11. 堂兄弟:双亲在同一层的结点互为堂兄弟;

12. 树的深度:树中结点的最大层次称为树的高度或深度;

13. 有序树和无序树:如果将树中结点的各子树看成从左至右是有次序的(即不能互换),则称该树为有序树,否则称为无序树;在有序树中最左边的子树的根称为第一个孩子,最右边的称为最后一个孩子;

14. 森林:是 m (m>=0)棵互不相交的树的集合。对树中每个结点而言,其子树的集合即为森林。由此,也可以用森林和树相互递归的定义来描述树。

就逻辑结构而言,任何一棵树都是一个二元组 Tree = (root, F),其中 root 是数据元素,称作树的根节点;F 是 m(m>0)棵树的森林,F = (T1, T2, ……, Tm),其中 Ti = (ri, Fi) 称作根 root 的第 i 棵子树;当 m != 0 时,在树根和其子树森林之间存在下列关系:

RF = {<root, ri> | i = 1, 2, 4, m, m>0 }   这个定义将有助于得到森林和树与二叉树之间转换的递归定义。

二叉树:是 n (n>=0)个结点所构成的集合,它或为空树(n=0);或为非空树;

对于非空树 T :

1. 有且只有一个称之为根的结点;

2. 除根节点以外的其余节点分为两个互不相交的子集 T1 和 T2,分别为 T 的左子树和右子树,且 T1 和 T2 本身又都是二叉树。

二叉树与树一样具有递归性质,二叉树与树的区别主要有以下两点:

1. 二叉树每个根节点至多只有两颗子树(即二叉树中不存在度大于2的结点);

2. 二叉树的子树有左右之分,其次序不能任意颠倒。

二叉树的递归定义表明二叉树或为空,或是由一个根结点加上两颗分别称为左子树和右子树的、互不相交的二叉树组成。由于这两棵树也是二叉树,则由二叉树的定义,它们也可以是空树。由此,二叉树可以由5种基本形态:(1)空二叉树(2)仅有根结点的二叉树(3)右子树为空的二叉树(4)左、右子树均非空的二叉树(5)左子树为空的二叉树

含n个结点的不相似的二叉树有:

 

 

 

 

 

 

 

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习是一种人工智能(AI)的子领域,致力于研究如何利用数据和算法让计算机系统具备学习能力,从而能够自动地完成特定任务或者改进自身性能。机器学习的核心思想是让计算机系统通过学习数据中的模式和规律来实现目标,而不需要显式地编程。 机器学习应用非常广泛,包括但不限于以下领域: 图像识别和计算机视觉: 机器学习在图像识别、目标检测、人脸识别、图像分割等方面有着广泛的应用。例如,通过深度学习技术,可以训练神经网络来识别图像中的对象、人脸或者场景,用于智能监控、自动驾驶、医学影像分析等领域。 自然语言处理: 机器学习在自然语言处理领域有着重要的应用,包括文本分类、情感分析、机器翻译、语音识别等。例如,通过深度学习模型,可以训练神经网络来理解和生成自然语言,用于智能客服、智能助手、机器翻译等场景。 推荐系统: 推荐系统利用机器学习算法分析用户的行为和偏好,为用户推荐个性化的产品或服务。例如,电商网站可以利用机器学习算法分析用户的购买历史和浏览行为,向用户推荐感兴趣的商品。 预测和预测分析: 机器学习可以用于预测未来事件的发生概率或者趋势。例如,金融领域可以利用机器学习算法进行股票价格预测、信用评分、欺诈检测等。 医疗诊断和生物信息学: 机器学习在医疗诊断、药物研发、基因组学等领域有着重要的应用。例如,可以利用机器学习算法分析医学影像数据进行疾病诊断,或者利用机器学习算法分析基因数据进行疾病风险预测。 智能交通和物联网: 机器学习可以应用于智能交通系统、智能城市管理和物联网等领域。例如,可以利用机器学习算法分析交通数据优化交通流量,或者利用机器学习算法分析传感器数据监测设备状态。 以上仅是机器学习应用的一部分,随着机器学习技术的不断发展和应用场景的不断拓展,机器学习在各个领域都有着重要的应用价值,并且正在改变我们的生活和工作方式。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值