首页 > 编程语言 >基础算法汇总之AVL树实现

基础算法汇总之AVL树实现

时间:2022-12-19 14:02:49浏览次数:54  
标签:node 结点 right 汇总 height AVL 算法 data left


一. 什么是AVL树?

在说AVL树之前,先回顾一下我们之前研究过的二分查找树(二分搜索树),在极端的情况下,二分搜索树会从一棵二叉树变为链表(按顺序插入数据)这样的查询效率会大打折扣。

基础算法汇总之AVL树实现_插入

测试上一节二叉查找树在极端情况下的例子:

基础算法汇总之AVL树实现_AVL_02

为了解决这个问题,就需要通过增加一些属性和变化,将二叉查找树转为(在创建二叉树时候进行旋转让二叉树再次平衡)二叉平衡树。

AVL树(由G.M.Adelson-Velsky和Evgenii Landis发明,AVL命名是使用两个人的名字缩写组成)是最早的自平衡二叉搜索树,AVL树中,任一结点对应的两棵子树的最大高度差不超过1

在二叉树中​​满二叉树​​​(除叶子结点外的所有结点均有两个子结点。节点数达到最大值。所有叶子结点必须在同一层上。)和​​完全二叉树​​​(二叉树的深度为h,除第 h 层外,其它各层 (1~h-1) 的结点数都达到最大个数,第 h 层所有的结点都连续集中在最左边)天生就是一棵​​平衡二叉树​​。

基础算法汇总之AVL树实现_插入_03

注意: 平衡二叉树不一定是完全二叉树。

平衡二叉树:对于任意一个结点左右子树高度差不能超过1。

所以AVL可以理解是在二分查找树的基础上兼顾了其平衡性。AVL又名平衡二叉查找树简称为平衡二叉树。

二. 平衡因子

先回顾一下二叉树结点的高度和深度:

  • 深度:深度是从根结点开始算,表示从根到某一个结点唯一的路径的长(该路径长边的条数)。
  • 高度:表示某一个结点到叶子结点最长路径的长。

下面看一个例子:

基础算法汇总之AVL树实现_AVL_04

接着看一个什么是平衡因子 :某个结点的左子树的高度减去右子树的高度得到的差值。

下图是一个​​非平衡二叉树​​​和​​平衡二叉树​​平衡因子的展示:

基础算法汇总之AVL树实现_删除_05

三. AVL初始化

3.1. 结点定义

定义AVL树结点:

// TreeNode AVL结点定义
type TreeNode struct {
data int // 结点数据
height int // 结点高度
left *TreeNode // 左孩子
right *TreeNode // 右孩子
}

// NewTreeNode 构建一个新结点
func NewTreeNode(data int) *TreeNode {
return &TreeNode{
height: 0,
left: nil,
right: nil,
data: data,
}
}

可以在二叉查找树的基础上进行修改,这里重点实现插入和删除的操作,其他一些基本上都和二叉树操作一样。

type AVLTree struct {
root *TreeNode
}

// Insert 插入
func (a *AVLTree) Insert(data int) {
// TODO
}

// Delete 删除
func (a *AVLTree) Delete(data int) {
// TODO
}

下面还需要增加一些辅助函数,帮助后面插入和删除的操作。

3.2. 结点高度

在结点中包含了​​height​​​的属性,如果结点是​​nil​​​的时候返回0,否则返回结点中​​height​​高度。

// height 获取结点的高度
func (a *AVLTree) height(node *TreeNode) int {
if node == nil {
return -1
}
return node.height
}

3.3. 计算平衡因子

平衡因子:某个结点的左子树的高度减去右子树的高度得到的差值。

// balanceFactor 获取结点的平衡因子
func (a *AVLTree) balanceFactor(node *TreeNode) int {
if node == nil {
return 0
}
return a.height(node.left) - a.height(node.right)
}

3.4. 判断当前二叉树是否为平衡二叉树

这个方法,后面结点调整会用到; 当插入数据之后,判断当前二叉树是否为平衡二叉树,不是的话需要调整。

// IsBalanceTree 判断是是否为平衡二叉树
func (a *AVLTree) IsBalanceTree() bool {
return a.isBalanceTree(a.root)
}
// isBalanceTree 递归判断
func (a AVLTree) isBalanceTree(node *TreeNode) bool {
// node是nil的,返回 true
if node == nil {
return true
}
// 获取当前结点的平衡因子
factor := a.balanceFactor(node)
// 如果平衡因子大于1的话,说明是非平衡二叉树
if factor * factor > 1 {
return false
}
// 判断左右子树平衡因子大于1
return a.isBalanceTree(node.left) && a.isBalanceTree(node.right)
}

3.5. 结点增加

这里先使用上一节二叉查找树的中序遍历,进行数据展示。接着用递归实现二叉树查找树的插入:

// Insert 插入数据
func (a *AVLTree) Insert(data int) {
a.root = a.insert(a.root, data)
}

// max x,y两个树之间的最大值
func max(x, y int) int {
if x > y {
return x
}
return y
}

// insert 内置的递归函数构建二叉查找树
func (a *AVLTree) insert(node *TreeNode, data int) *TreeNode {
// 当前结点如果是nil,创建新结点并返回
if node == nil {
return NewTreeNode(data)
}
// 如果当前结点的data小于data值
if node.data < data {
// 从右子树添加
node.right = a.insert(node.right, data)
}
// 如果当前结点的data大于data值
if node.data > data {
// 从左子树添加
node.left = a.insert(node.left, data)
}
// 更新高度值
node.height = 1 + max(a.height(node.left), a.height(node.right))
// 计算当前结点的平衡因子
balanceFactor := a.balanceFactor(node)

fmt.Printf("结点:%d:%d => %d\n", node.data, node.height, balanceFactor)
return node
}

3.6. 测试

这里通过生成1000个随机数,输出构建的二叉查树。

func TestNewTreeNode(t *testing.T) {
rand.Seed(time.Now().UnixNano())
tree := AVLTree{}
for i := 0; i < 1000; i++ {
tree.Insert(rand.Intn(1000))
}
tree.InOrderTraverse()
}

四. 插入维护平衡

当有一个结点插入之后,会出现二叉树平衡性被打破,此时就需要去维护二叉树查找树,使二叉查找树保存平衡因子不超过1。

在​​3.5​​​中在构建二叉查找树过程中只设置​​height​​和计算平衡因子。但是并没有维护插入结点之后对于整棵树的平衡性。

// insert 内置的递归函数构建二叉查找树
func (a *AVLTree) insert(node *TreeNode, data int) *TreeNode {
// 当前结点如果是nil,创建新结点并返回
if node == nil {
return NewTreeNode(data)
}
// 如果当前结点的data小于data值
if node.data < data {
// 从右子树添加
node.right = a.insert(node.right, data)
}
// 如果当前结点的data大于data值
if node.data > data {
// 从左子树添加
node.left = a.insert(node.left, data)
}
// 更新高度值
node.height = 1 + max(a.height(node.left), a.height(node.right))
// 计算当前结点的平衡因子
balanceFactor := a.balanceFactor(node)

// TODO 维护平衡

return node
}

这里我们就需要讨论一下,当插入结点之后会出现不平衡的情况已经如何去维护平衡。

注意:在结点增加之前,二叉树查找树是平衡二叉树;在增加之后才会破坏原来的平衡状态。

4.1. RR型:右旋转

当增加结点的一直往左子树上增加,平衡因子超过1之后就会不平衡,如下图:

基础算法汇总之AVL树实现_算法_06

从图中可以看出,触发右旋转的条件:​​当前结点的平衡因子大于1并且当前结点的左子树的平衡因子大于等于0​​,这样可以保证二叉树是向左侧偏的。接着看一下应该如何右旋转:

基础算法汇总之AVL树实现_删除_07

从上图可知:将B结点指向D2的指针指向A结点,再将A结点的左指针指向原来B结点指向的D2结点;最后还需要修改A、B两个结点的高度。

代码实现:

// rightSpin 右旋转
func (a *AVLTree) rightSpin(node *TreeNode) *TreeNode {
// 先保存指针指向的地址
lCh := node.left
lRCh := lCh.right

// 旋转
lCh.right = node
node.left = lRCh

// 更新height,先更新node结点(旋转之后node结点变成了,lCh的子结点),接着在更新lCh结点的高度
node.height = max(a.height(node.left), a.height(node.right)) + 1
lCh.height = max(a.height(lCh.left), a.height(lCh.right)) + 1

// 返回旋转之后的根结点
return lCh
}

4.2. LL:左旋转

左旋转和右旋转是想反的操作。增加的结点一直向右侧偏移,平衡因子超过-1说明当前二叉树不是平衡二叉树。

基础算法汇总之AVL树实现_插入_08

从图中可以知道触发左旋转的条件是:​​当前结点的平衡因子小于-1并且当前结点的右子树的平衡因子小于等于0​​,这样可以保证二叉树是向右侧偏的。接着看一下应该如何左旋转:

基础算法汇总之AVL树实现_数据结构_09

实现和右旋转是相反的,代码实现:

// leftSpin 左旋转
func (a *AVLTree) leftSpin(node *TreeNode) *TreeNode {

// 先保存指针指向的地址
rCh := node.right
rLCh := rCh.left

// 选装
rCh.left = node
node.right = rLCh

// 更新高度
node.height = max(a.height(node.left), a.height(node.right)) + 1
rCh.height = max(a.height(rCh.left), a.height(rCh.right)) + 1

// 返回旋转之后的根结点
return rCh
}

4.3. LR:左旋转;右旋转

这种情况对应下图,指的是在某一个结点的左孩子的右子树上增加结点导致不平衡。

基础算法汇总之AVL树实现_AVL_10

将失衡的状态,需要先进行左旋转转换为我们熟悉的RR型,然后按照RR型进行右旋转。

基础算法汇总之AVL树实现_AVL_11

4.4. RL:右旋转;左旋转

这种情况对应下图,指的是在某一个结点的右孩子的左子树上增加结点导致不平衡。

基础算法汇总之AVL树实现_删除_12

将失衡的状态,需要先进行右旋转转换为我们熟悉的LL型,然后按照LL型进行左旋转。

基础算法汇总之AVL树实现_数据结构_13

4.5. 完善插入方法

将上面四种情况整合回溯的维护平衡的部分;这样就可以将二叉查找树转为AVL树。

先将维护平衡地方抽取成一个方法:

// maintain 维护平衡
func (a *AVLTree) maintain(node *TreeNode) *TreeNode {
// 计算当前结点的平衡因子
balanceFactor := a.balanceFactor(node)

// 右旋转
if balanceFactor > 1 && a.balanceFactor(node.left) >= 0 {
return a.rightSpin(node)
}
// 左旋转
if balanceFactor < -1 && a.balanceFactor(node.right) <= 0 {
return a.leftSpin(node)
}

// LR
if balanceFactor > 1 && a.balanceFactor(node.left) < 0 {
node.left = a.leftSpin(node.left)
return a.rightSpin(node)
}

// RL
if balanceFactor < -1 && a.balanceFactor(node.right) > 0 {
node.right = a.rightSpin(node.right)
return a.leftSpin(node)
}

return node
}

插入方法的实现:

// Insert 插入数据
func (a *AVLTree) Insert(data int) {
a.root = a.insert(a.root, data)
}

// insert 递归插入数据
func (a *AVLTree) insert(node *TreeNode, data int) *TreeNode {
// 当前结点如果是nil,创建新结点并返回
if node == nil {
return NewTreeNode(data)
}
// 如果当前结点的data小于data值
if node.data < data {
// 从右子树添加
node.right = a.insert(node.right, data)
}
// 如果当前结点的data大于data值
if node.data > data {
// 从左子树添加
node.left = a.insert(node.left, data)
}
// 更新高度值
node.height = 1 + max(a.height(node.left), a.height(node.right))

// 维护平衡
return a.maintain(node)
}

最后测试一下极端情况(顺序写入结点数据):

func TestNewTreeNode(t *testing.T) {
tree := AVLTree{}
for i := 0; i < 10000; i++ {
tree.Insert(i)
}
t.Log(tree.IsBalanceTree()) // true
}

基础算法汇总之AVL树实现_插入_14

可以很明显看到,经过调整之后极端情况之后并没有退换为链表。

五. 结点删除

结点的删除,可以再原来二叉查找树的基础上修改。在删除之前当前是一棵二叉平衡树, 在删除之后,将可能不再是一棵平衡二叉树,这时候就需要重新平衡。

重新平衡就是对删除结点所在的路径,进行回溯旋转让其重新平衡。

// Remove 移除节点
func (a *AVLTree) Remove(data int) {
a.root = a.remove(a.root, data)
}

// remove 递归移除
func (a *AVLTree) remove(node *TreeNode, data int) *TreeNode {

// 如果当前结点是nil
if node == nil {
return nil
}

var newNode *TreeNode

if data < node.data {
node.left = a.remove(node.left, data)
newNode = node
} else if data > node.data {
node.right = a.remove(node.right, data)
newNode = node
} else {
// data 和当前结点的data的数据是一致的,根据当前结点左右子树分情况去讨论

// 待删除的结点左子树为空
if node.left == nil {
right := node.right
node.right = nil
newNode = right
} else if node.right == nil {
// 待删除的结点的右子树为空
left := node.left
node.left = nil
newNode = left
} else {
// 待删除的结点的左右子树否不为空

// 找到待删除结点右子树中最小的结点
minMode := a.min(node.right)
// 移除待删除结点的右子树中最小的结点
minMode.right = a.remove(node.right, minMode.data)
minMode.left = node.left

// 将待删除结点的左右子树都设置为nil
node.left = nil
node.right = nil

// 将新的结点返回
newNode = minMode
}

}

if newNode == nil {
return nil
}
// 更新高度值
newNode.height = 1 + max(a.height(newNode.left), a.height(newNode.right))
// 维护平衡
return a.maintain(newNode)
}


标签:node,结点,right,汇总,height,AVL,算法,data,left
From: https://blog.51cto.com/luckyqilin/5952256

相关文章

  • 基础算法汇总之哈希表
    一.什么是哈希表哈希表也叫做散列表,是一种可以根据关键key值直接访问的数据结构;简单说就是把关键的key值映射到数组中一个位置来访问记录,这样可以加快反应速度。这里面计算......
  • 基础算法汇总之堆和优先队列
    一.简述这篇文章将介绍几种常见的队列,本文将重点介绍优先队列以及优先队列底层的二叉堆并且实现基础算法(go实现),最后还会介绍一样Java并发包中的四种最常用的队列,分析其源码......
  • TapTap 算法平台的 Serverless 探索之路
    作者:陈欣昊Serverless在构建应用上为TapTap节省了大量的运维与开发人力,在基本没投入基建人力的情况下,直接把我们非常原始的基建,或者说是资源管理水平拉到了业界相对前......
  • 【算法实践】有始有终,雨露均沾--手把手带你手撸选择排序
    前言选择排序是一个非常经典且简单直观的排序算法,无论什么数据进去都是O(n^2)的时间复杂度。所以用到它的时候,数据规模越小越好。唯一的好处可能就是不占用额外的内存空间......
  • C++数学与算法系列之排列和组合
    1.前言本文将聊聊排列和组合,排列组合是组合学最基本的概念,在程序运用中也至关重要。排列问题:指从给定个数的元素中取出指定个数的元素进行排序。组合问题:指从给定个......
  • 老生常谈React的diff算法原理-面试版
    第一次发文章notonly(虽然)版式可能有点烂butalso(但是)最后赋有手稿研究finally看完他你有收获diff算法:对于update的组件,他会将当前组件与该组件在上次更新是对应的......
  • 数据结构与算法学习笔记
    本文是王争老师的《算法与数据结构之美》的学习笔记,详细内容请看王争的专栏 。有不懂的地方指出来,我做修改。数据结构与算法思维导图数据结构指的是“一组数据的存储结构”......
  • 强化学习的基础知识和6种基本算法解释
    强化学习的基础知识和概念简介(无模型、在线学习、离线强化学习等)机器学习(ML)分为三个分支:监督学习、无监督学习和强化学习。监督学习(SL):关注在给定标记训练数据的情......
  • 每日算法之礼物的最大价值
    JZ47礼物的最大价值描述描述在一个m\timesnm×n的棋盘的每一格都放有一个礼物,每个礼物都有一定的价值(价值大于0)。你可以从棋盘的左上角开始拿格子里的礼物,并每次向右......
  • OI 笔记:A - 基础算法
    A-基础算法语言基础语言基础编译指令:-std=c++11:c++11标准。-O2:O2优化。-Wl,--stack=1280000000:开栈。-Wall:显示所有警告。-Wextra:检测可疑代码并生成警告。......