【一天一道算法题】- 【二叉树的最大深度】

---

---

计算复杂度

计算复杂度（Computational Complexity）是计算机科学中的一个核心概念，它用于描述解决特定问题所需的计算资源量，通常是指时间和空间资源的量度。计算复杂度理论试图理解和分类计算任务的难度，并确定哪些问题是容易解决的，哪些问题是难以解决的。

计算复杂度包括时间复杂度和空间复杂度：

1. 时间复杂度：衡量算法执行所需时间的多少。它通常用大O符号（O-notation）来表示，例如O(n)、O(n^2)、O(log n)等，其中n代表输入数据的大小。

2. 空间复杂度：衡量算法执行过程中需要的存储空间的多少。同样，它也使用大O符号来表示。

不同的场景，其计算复杂度的类别不同，复杂度类别可分为：

• 常数复杂度（O(1)）：无论输入数据量多大，算法所需的时间和空间都保持不变。

• 对数复杂度（O(log n)）：算法的资源需求随输入数据量的增长而按对数增长。

• 线性复杂度（O(n)）：算法的资源需求与输入数据量成正比。

• 线性对数复杂度（O(n log n)）：算法的资源需求与输入数据量的线性对数成正比，常见于某些高效的排序算法。

• 二次复杂度（O(n^2)）：算法的资源需求与输入数据量的平方成正比，常见于简单的双层循环算法。

• 指数复杂度（O(2^n)）：算法的资源需求随输入数据量呈指数级增长，这类算法通常不实用，因为它们随输入规模的增长而迅速变得非常耗时。

• 阶乘复杂度（O(n!)）：算法的资源需求随输入数据量呈阶乘级增长，常见于解决旅行商问题等组合优化问题。

二叉树的最大深度

如果我们知道了左子树和右子树的最大深度 lll 和 rrr，那么该二叉树的最大深度即为$$\max (l,r)+1$$而左子树和右子树的最大深度又可以以同样的方式进行计算。因此我们可以用「深度优先搜索」的方法来计算二叉树的最大深度。具体而言，在计算当前二叉树的最大深度时，可以先递归计算出其左子树和右子树的最大深度，然后在 O(1) 时间内计算出当前二叉树的最大深度。递归在访问到空节点时退出

# Definition for a binary tree node
# class TreeNode:
# 	def __init__(self, val=0, right=None, left=None):
# 		self.val = val
#		self.right = right
#		self.left = left
class Solution:
	def maxDepth(self, root:Optional[TreeNode]) -> int:
		if root is None:
			return 0
		else:
			left_height = self.maxDepth(root.left)
			right_height = self.maxDepth(root.right)
			return max(left_height, right_height) +1 

• 这种嵌套结构，就好比scrapy 里面对所有网站的爬取，从根网址开始，对所有网址记录的网址进行跳转。不同的是，这里是二叉树，所以一个节点最多只有两个分支。
• root: Optional[TreeNode] 表示root参数是一个可选的TreeNode类型。这意味着root可以是一个TreeNode对象，也可以是None。

https://leetcode.cn/problems/maximum-depth-of-binary-tree/solutions/349250/er-cha-shu-de-zui-da-shen-du-by-leetcode-solution/