【数据结构指南】高频二叉树节点问题

【数据结构指南】高频二叉树节点问题

前言:      

        在熟练掌握二叉树四种基本遍历方法的基础上,本文将深入探讨以下进阶问题:节点总数统计、叶子节点计算、第k层节点数量确定、节点的查找以及树高测量。

        这些内容将帮助读者深化对二叉树结构的理解与应用能力,以及深入理解递归分治思想。

 

        

一、前置说明:

        

本文所描述的二叉树都是链式二叉树,其定义方式如下所示:

        

typedef char BTDataType; typedef struct BinaryTree { BTDataType data; struct BinaryTree* left; struct BinaryTree* right; }BTNode;

        

二、二叉树的创建及销毁

        

通过前序遍历的数组"ABD##E#H##CF##G##"构建二叉树,其中'#'表示该节点为NULL,二叉树如下图所示:

        

        

前序遍历的思想为: 先访问根节点  ->  再访问左子树 ->  最后访问右子树

        

依照前序遍历的思想,我们可以得出核心构建二叉树的逻辑:“先处理当前节点,再递归构建左子树,最后递归构建右子树 ”。

      

BTNode* BinaryTreeCreate(char* a, int n, int* pi) { if (a[*pi] == '#') { (*pi)++; return NULL; } BTNode* root = (BTNode*)malloc(sizeof(BTNode)); root->data = a[(*pi)++]; root->left = BinaryTreeCreate(a, n, pi); root->right = BinaryTreeCreate(a, n, pi); return root; }

        

核心逻辑:整个递归从根节点 A 开始,按 “当前节点→左子树→右子树” 的前序逻辑推进

          

①先取 A 为节点,递归构建其左子树(以 B 为节点)。

        

②B 节点下先递归构建左子树(D 节点,左右均为 #则返回),再构建右子树(E 节点,左为 #,右递归到 H 节点,H 左右均为 #则返回)。

        

③A 的右子树以 C 为节点,递归构建左子树(F 节点,左右均为 #返回)和右子树(G 节点,左右均为 #返回),遇 #则终止当前分支递归,逐层完成构建。

        

对于二叉树的销毁而言,我们需要按照后序遍历的思想:先访问左子树  ->  再访问右子树 ->  最后访问根节点

这里有帅观众问,为什么一定需要按照后序的遍历思想?

答:若按照前序遍历 或者 中序遍历的思想,根节点会提前释放,导致左子树和右子树所开辟的空间不能被释放,造成内存泄漏的严重后果。

        

依照后序遍历的思想,我们可以得出销毁二叉树的逻辑:“先递归处理左子树,再递归处理右子树,最后销毁根节点 ”。

        

void TreeDestory(BTNode** root) { if (*root == NULL) return; //销毁左树 TreeDestory((*root)->left); //销毁右树 TreeDestory((*root)->right); //销毁根 free(*root); *root = NULL; }

        

        

三、二叉树的结点统计与高度计算

        

温馨提示:下文中对如图所示的二叉树进行节点与高度的计算

        

        

3.1二叉树节点总数的统计

        

思路一: 通过定义计数变量,通过遍历整棵二叉树进行统计节点个数。

        

思路二:利用分治思想,结合递归函数,将大问题化成若干个子问题。

                整棵树的结点总数 = 左子树结点数 + 右子树结点数 + 1(根结点),空树结点数为 0。

思路一看似很合理,但实际上会出现问题

        
     

具体问题如下:

        


若使用局部变量:

        

递归遍历左 / 右子树时,每层递归的局部计数变量会被重新初始化,无法累计整棵树的节点数


        

若使用全局 / 类成员变量

        

虽然能累计计数,但多次调用统计函数时,全局变量不会自动重置,会导致后续统计结果错误。

        

例如:统计了A树的节点个数,再统计B树的节点个数就会因没重置计数变量,而导致统计结果错误。

        

下面基于思路二的思想进行代码展示:

//树的节点个数 int TreeSize(BTNode* root) { if (root == NULL) { return 0; } return TreeSize(root->left) + TreeSize(root->right) + 1; }

        

3.2叶子节点的计算

        

思路:①由叶子结点是 “左、右子树均为空” 的结点,得出判断条件

           ②由分治思想,将大问题化成若干个子问题,整棵树的叶子结点数 = 左子树叶子结点数 + 右子树叶子结点数。

        

//叶子节点个数 int TreeLeafSize(BTNode* root) { //若根节点为空,直接返回0 if (root == NULL) { return 0; } if (root->left == NULL && root->right == NULL) { return 1; } return TreeLeafSize(root->left) + TreeLeafSize(root->right); } 

        

3.3第k层节点的数量

        

思路:①由分治思想,将大问题化成若干个子问题,第k层节点数 = 左子树的第k-1层节点数 + 右子树的第k-1层节点数。

            ②明确最小子问题:若树为空(根节点null)或k < 1 → 第k层节点数为0;   若k = 1 → 只有根节点,数量为1;

        

int TreeLevelKSize(BTNode* root, int k) { //第k层 的节点数 ->第k-1层的节点数 ->第k-1层左子树+第k-1层右子树的节点数 if (root == NULL|| k<0) return 0; //第一层的节点数为1 if (k == 1) return 1; return TreeLevelKSize(root->left, k - 1) + TreeLevelKSize(root->right, k - 1); }

        

3.4二叉树的高度测量

        

思路:由分治思想,将大问题化成若干个子问题,二叉树的高度=max( 左子树 , 右子树 )+ 1

写法一:             

//树的高度 int TreeHeight(BTNode* root) { if (root == NULL) return 0; return max(TreeHeight(root->left),TreeHeight(root->right))+1; }

        

写法二:

//树的高度 int TreeHeight(BTNode* root) { if (root == NULL) return 0; int leftHeight = TreeHeight(root->left); int rightHeight = TreeHeight(root->right); return leftHeight > rightHeight ? leftHeight + 1 : rightHeight + 1; }

        

错误写法:因为没有记录左右子树的高度,导致需要进行多次重复冗余的递归,使得增加栈溢出的风险。

//树的高度 int TreeHeight(BTNode* root) { if (root == NULL) return 0; return TreeHeight(root->left) > TreeHeight(root->right) ? TreeHeight(root->left) + 1 : TreeHeight(root->right) + 1; }

        

3.5节点的查找

        

思路:  ①由分治思想,将大问题化成若干个子问题,将在整棵树查找节点-> 根查找   左子树查找   右子树查找

             ②边界条件:遇到空子树返回NULL,遇到值等于查找目标返回该节点。

             ③温馨提示:在查找到目标节点需要进行保存后,逐层返回。

BTNode* TreeFind(BTNode* root, BTDataType x) { //查找到空节点直接返回 if (root == NULL) return NULL; //查找到目标节点的判定 if (root->data == x) return root; BTNode* retleft = TreeFind(root->left, x); //在左子树找到,保存并直接返回 if (retleft) return retleft; BTNode* retright = TreeFind(root->right, x); //在右子树找到,保存并直接返回 if (retright) return retright; //左右子树都没找到 return NULL; }

        

3.6测试函数功能        

        

void TestFun() { char a[] = "ABD##E#H##CF##G##"; int sz = sizeof(a) / sizeof(char); int i = 0; BTNode* root = BinaryTreeCreate(a, sz, &i); // 测试各功能 printf("节点总数为:%d\n", TreeSize(root)); // 预期8 printf("叶子节点数为:%d\n", TreeLeafSize(root)); // 预期4(D、H、F、G) printf("树的高度为:%d\n", TreeHeight(root)); // 预期4(A→B→E→H) printf("第3层的节点数:%d\n", TreeLevelKSize(root, 3)); // 预期4(D、E、F、G) // 测试查找功能 BTNode* findNode = TreeFind(root, 'H'); if (findNode) { printf("找到节点:%c\n", findNode->data); } else { printf("未找到节点\n"); } // 销毁二叉树 BinaryTreeDestroy(root); root = NULL; }

既然看到这里了,不妨关注+点赞+收藏,感谢大家,若有问题请指正。

Read more

用AI给老照片上色:算法对比与调参技巧

用AI给老照片上色:算法对比与调参技巧

用AI给老照片上色:算法对比与调参技巧 * 一、前言 * 二、传统上色算法与局限性 * 2.1 基于直方图匹配的上色算法 * 2.2 基于特征匹配的上色算法 * 三、基于深度学习的上色算法 * 3.1 基于 CNN 的端到端上色算法 * 3.2 基于 GAN 的上色算法 * 3.3 基于Transformer的上色算法 * 四、实用调参技巧 * 4.1 数据预处理调参 * 4.1.1 图像分辨率调整 * 5.1.2 降噪与增强参数 * 5.2 模型结构调参 * 5.2.1 CNN 模型调参 * 5.2.

By Ne0inhk

LeetCode-Hot100 31.K个一组反转链表

【保姆级详解】K 个一组翻转链表(迭代解法) K个一组翻转链表 是链表操作类算法题中的经典进阶题,它不仅融合了「链表反转」的核心逻辑,还需要处理分组、边界拼接等复杂场景。本文会从问题拆解、核心思路、代码逐行解析、执行流程模拟四个维度,把这道题的迭代解法讲透,方便你复习时快速理解每一个细节。 一、问题描述 题目要求 给你链表的头节点 head ,每 k 个节点一组进行翻转,请你返回修改后的链表。 * k 是一个正整数,它的值小于或等于链表的长度。 * 如果节点总数不是 k 的整数倍,那么请将最后剩余的节点保持原有顺序。 * 要求:不能只是单纯改变节点内部的值,而是需要实际进行节点交换。 示例 * 输入:head = [1,2,3,4,5], k = 2 * 输出:[2,1,4,

By Ne0inhk
【强化学习】深度确定性策略梯度算法(DDPG)详解(附代码)

【强化学习】深度确定性策略梯度算法(DDPG)详解(附代码)

📢本篇文章是博主强化学习(RL)领域学习时,用于个人学习、研究或者欣赏使用,并基于博主对相关等领域的一些理解而记录的学习摘录和笔记,若有不当和侵权之处,指出后将会立即改正,还望谅解。文章分类在👉强化学习专栏:        【强化学习】- 【单智能体强化学习】(10)---《深度确定性策略梯度算法(DDPG)详解》 深度确定性策略梯度算法(DDPG)详解 目录 DDPG算法详细介绍 算法特点 核心改进点 算法公式推导 1. Q值函数更新 2. 策略更新(Actor网络) 3. 目标网络更新 算法流程 [Python] DDPG算法实现 1. 导入必要库 2. 定义 Actor 网络 3. 定义 Critic 网络 4. 定义经验回放池 5.

By Ne0inhk
【动态规划】数位DP的原理、模板(封装类)

【动态规划】数位DP的原理、模板(封装类)

本文涉及知识点 C++动态规划 复杂但相对容易理解的解法 上界、下界的位数一样都为N。如果不一样,拆分一样。比如:[10,200],拆分[10,99]和[100,200]。由于要枚举到 1 ∼ N 1\sim N 1∼N,故实际复杂度是N倍。 动态规划的状态表示 dp[n][m][m1],n表示已经处理最高n位,m表示上下界状态:0非上下界,1下界,2上界,3上下界。m1是自定义状态。 某题范围是[110,190],处理一位后:1是上下界,无其它合法状态。处理二位后,11是下界,19是上界, 12 ∼ 18 12

By Ne0inhk