树的几点总结（二叉树，红黑树，tire树……）

今天做索引结构，看了一些不同的树的知识，这里简单的总结了一下。

 二叉查找树 (Binary Search Tree)
 这个相信大家比较熟悉，BST的查找最好时间复杂度O(logN)，最坏时间复杂度O(N)。

平衡二叉树（AVL）:
查找代价和插入代价：O(logN)级别上
删除操作的时间复杂度为O(logN)+O(logN)=O(2logN)

二叉平衡树的严格平衡策略以牺牲建立查找结构(插入，删除操作)的代价，换来了稳定的查找时间复杂度O(logN) 。如果说再去找一种折中策略，即不牺牲太大的建立查找结构的代价，也能保证稳定高效的查找效率呢？ ——红黑树。

红黑树 (Red-Black Tree )

查找效率最好情况下时间复杂度为O(logN)，

但在最坏情况下比AVL要差一些，

但也远远好于BST。
总体评价：大量数据实践证明，RBT的总体统计性能要好于平衡二叉树。

其实在我项目中具体用的是B+树，具体B树的知识我在这里不再重复，可以参考下http://blog.csdn.net/hguisu/article/details/7786014这篇说的很详细。

标准 Trie树

  所有含有公共前缀的字符串将挂在树中同一个结点下。实际上trie简明的存储了存在于串集合中的所有公共前缀。
总结：一个存储长度为n，来自大小为d的字母表中s个串的集合X的标准trie具有性质如下：
      (1) 树中每个内部结点至多有d个子结点。
      (2) 树有s个外部结点。
      (3) 树的高度等于X中最长串的长度。
      (4) 树中的结点数为O(n)。
标准Trie树的应用和优缺点
     (1) 全字匹配：确定待查字串是否与集合的一个单词完全匹配。如上代码fullMatch()。
     (2) 前缀匹配：查找集合中与以s为前缀的所有串。
优点： 查找效率比与集合中的每一个字符串做匹配的效率要高很多。在o(m)时间内搜索一个长度为m的字符串s是否在字典里。
      缺点：标准Trie的空间利用率不高，可能存在大量结点中只有一个子结点，这样的结点绝对是一种浪费。正是这个原因，才迅速推动了下面所讲的压缩trie的开发。 
     注意：Trie树的结构并不适合用来查找子串匹配