数据结构

平衡二叉树是Adelson-Velsky和 Landis发明，故命名为AVL树。也称平衡二叉查找树。 ✨特点： ①左子树<根<右子树； ②任一节点，左右子树高度之差不超过1. 平衡因子 $平衡因子=左子树高-右子树高$ AVL树的插入操作 AVL树插入新结点导致不平衡之后，只需将最小不平衡子树平衡，其他祖先结点会随之恢复平衡。 调整最小不平衡子树 注意：调整过后必须保证其BST的特性，即“左子树1.LL 即在以A为根节点的树的左孩子B的左子树上插入新结点，导致A成为最小不平衡子树。 调整过程如下： 2.RR 即在以A为根节点的树的右孩子B的右子树上插入新结点，导致A成为最小不平衡子树。 调整过程如下： 3.LR 即在以A为根节点的树的左孩子B的右子树上插入新结点，导致A成为最小不平衡子树。 观察得知，所进行的调整就是保证$|平衡因子|<=1$，因此若插入操作使得 左 - 右 > 1 => 右旋 右 - 左 > 1 =>左旋 而当进行了LR插入操作之后，导致以A为根节点的树 左-右>1，理应右旋但是，由上述结果可知，经过右旋之后： 可以看到，为了保证其左子树<根<右子树的特性，经过调整后，依然存在右-左>1的问题； 因此，对于LR型不能简单进行右旋调整，应该先将其转化为LL型 (左旋)，再进行右旋； 为此，我们需要将BR结点展开，之后旋转成为LL型插入 可以看到，展开后又出现两种插入情况CL&CR，但其实两者处理大同小异： CR插入调整过程如下： 4.RL 即在以A为根节点的树的右孩子B的左子树上插入新结点，导致A成为最小不平衡子树。 参考LR型，其调整过程如下： 查找操作效率分析 Assuming that, $n_h$表示深度为h的平衡树中含有的最少结点，则 $n_0=0$,$n_1=1$,$n_2=2$…存在递归关系 $n_h=n_{h-1}+n_{h-2}+1$,即左右子树结点之和+根节点。 可以证明(AVL证明)，n个结点的平衡二叉树最大深度数量级为$\log_2n$，则其查找操作的复杂度为$O(\log_2n)$

基本概念 1.结点的权 每个结点带有的具有某种现实意义的数值(比如代表重要性等) 2.结点的带权路径长度 从树的根到该结点的路径长度（经过的边数）与该结点上权值的乘积 3.树的带权路径长度 树中所有叶结点的带权路径长度之和（WPL, Weighted Path Length） $WPL=\sum_{i=1}^{n}w_il_i$ ✨4.哈夫曼树 在含有n个带权叶结点的二叉树中，其中带权路径长度（WPL）最小的二叉树称为哈夫曼树，也称最优二叉树 构造哈夫曼树 给定n个权值分别为 $w_1,w_2,…,w_n$ 的结点，其构造过程描述如下： ① 将这n个结点分别作为n棵仅含一个结点的二叉树，构成森林F ② 构造一个新结点，从F中选取两棵根结点权值最小的树作为新结点的左右子树，并且将新结点的权值置为左、右子树上根结点的权值之和。 ③ 从F中删除刚才选出的两棵树，同时将新得到的树加入F中。 ④ 重复步骤②和③，直至F中只剩下一棵树为止。 假设给定结点在经过步骤①之后如下 则其②③④步骤为： $WPL_{min}=1*7+2*3+3*2+4*1+4*2=31$ 或者 $WPL_{min}=1*7+3*(1+2+2+3)=31$ 👇👇👇👇👇👇 哈夫曼树特点： ① 每个初始结点最终都成为叶结点，且权值越小的结点到根结点的路径长度越大。 ② 哈夫曼树的结点总数为2n-1。 ③ 哈夫曼树中不存在度为1的结点。 ④ 哈夫曼树并不唯一，但WPL必然相同且为最优。 哈夫曼编码 固定长度编码 如ASCII码 可变长度编码 前缀编码 没有一个编码是另一个编码的前缀 哈夫曼编码 由哈夫曼树得到哈夫曼编码——字符集中的每个字符作为一个叶子结点，各个字符出现的频度作为结点的权值，根据之前介绍的方法构造哈夫曼树。 ✨ 应用 可用于数据压缩 如图，为英文字母使用频率表，若不进行压缩，第 i 个字母频率用$l_i表示$，路径长至少为5($2^4<26<2^5$)，则 $WPL=5×\sum_{i=1}^{n}l_i$=500 若通过构造哈夫曼树进行哈夫曼编码 则$WPL_{min}=$ $v=\frac{WPL_{min}}{WPL}$

普通树 对于一棵普通类型的树形结构，可将其转化为二叉树之后再参考二叉树的方法进行相关操作。 孩子兄弟表示法（链式结构） 通过此方法可将普通树转化为二叉树 //孩子兄弟即Child, Sibling typedef struct CSNode{ Elemtype data; struct CSNode *firstchild,*nextsibling;//第一个孩子和右兄弟指针,等价于*lchild,*rchild }CSNode,*CSTree 图示如下 树的遍历 1.深度优先遍历（先根遍历&后根遍历） 先根遍历 若树非空，先访问根结点，再依次对每棵子树进行先根遍历(递归)。 对如上图所示的树进行先根遍历： A B C D A (BE ) (CF) (DG) A (BEH) (CF) (DG) 即先根遍历序列为A B E H C F D G 发现与通过“孩子兄弟法”将树转为二叉树后的先序遍历序列相同 后根遍历 若树非空，先依次对每棵子树进行后根遍历，最后再访问根结点。 对如上图所示的树进行后根遍历： B C D A (E B) (F C) (G D) A (H E B) (F C) (GD) A...

线索二叉树 WHY 方便从任一个结点出发，找到其前驱、后继；方便遍历 普通二叉树中，对任意一个结点，若想找到其前驱/后继结点，只能再进行一次相应的前/中/后序遍历才行，复杂度太高。 为此，我们引入前驱线索，后继线索的概念。其中，前驱线索由左孩子指针充当，后继线索由右孩子指针充当。 typedef struct BiTNode{ ElemType data; struct BiTNode *lchild,*rchild; }BiTNode,*BiTree; 构建出如下图所示的结构： 但是， *lchild(*rchild)有可能指向存在的结点，为此我们引入线索标志。当线索标志为1时，表示孩子指针指向前驱后继，线索标志为0时，表示孩子指针指向左右孩子。此时 typedef struct ThreadNode{ ElemType data; struct ThreadNode *lchild,*rchild; int ltag,rtag;//左右线索标志 }ThreadNode,*ThreadTree; 这样，每一个线索链表中的结点就可以图示为: HOW 如何分别用代码实现前中后序遍历下的线索链表 1.中序线索化 其实中序线索化的过程就是再进行一遍中序遍历，为每个节点添加额外的信息(lchild, rcild, ltag, rtag). 🍔初始定义结构体 typedef struct ThreadNode{ ElemType data; struct ThreadNode *lchild,*rchild; int ltag,rtag; }ThreadNode,*ThreadTree; 🍔定义前驱指针 ThreadNode *pre=NULL; 前驱指针还可以定义在局部，这里为了方便起见，将pre定义为全局。 🍔开始定义处理函数 void CreatInThread(ThreadTree T){ pre=NULL; if(T!=NULL){ InThread(T); if(pre->rchild==NULL){ pre->rtag=1; } } } 注意：最后一个节点单独处理...

由遍历序列构造出二叉树 仅知道一种遍历序列是无法确定唯一的二叉树的，以中序遍历为例，对于一个中序遍历序列“BDCAE”，其对应的树形结构可能有下面三种： 因此，至少需要两种遍历序列才可以推知树形结构。 1.前序+中序遍历序列 🎈基本步骤 由前序遍历的特性得知，前序遍历中第一个节点必然为根节点，因此根据中序遍历特性，根节点左边为左子树下的所有节点，右边为右子树下的所有节点，然后分别在左子树序列右子树序列中重复进行即可。 🎈示例 前序遍历序列：A D B C E 中序遍历序列：B D C A E 首先能确定根节点为A，根据中序遍历序列可以得到： 对于左子树BDC，根据前序遍历，此子树根节点为D，根据中序遍历序列： 至此，二叉树的还原工作就完成了！至于更复杂的序列，逐步推断即可😋 2.后序+中序遍历序列 🔑与1不用的是，后序遍历中根节点为后序遍历序列尾部的那个节点，其余参照1即可！ 3.层序遍历+中序遍历 🔑 根据层序遍历特性，层序遍历中根节点始终在子树前面，“根左右” 🎈示例 层序遍历序列：A D E B C 中序遍历序列：B D C A E 根节点为A，根据中序遍历序列可以得到： 对于左子树BDC，根据前序遍历，此子树根节点为D，根据中序遍历序列： 思考 如果前序，后续，层序两两组合能否确定唯一的树结构？ 假设给定序列如下： 前序：A B 后序：B A 层序：A B 其两两组合都满足两种结构： 因此前序，后续，层序两两组合不能确定唯一的树结构。

向量的空间管理，有静态和动态两种策略 静态空间管理策略 开辟内部数组_elem[]并使用一段地址连续的物理空间，_capacity表示总容量 ，_size表示当前的实际规模n，示意图如下： 若采用静态空间管理策略，容量_capacity固定，则有明显的不足… 上溢/overflow： _elem[]不足以存放所有元素，尽管此时系统往往仍有足够的空间 下溢/underflow： _elem[]中的元素寥寥无几，装填因子 λ = _size / _capacity « 50% 动态空间管理策略 在即将上溢时，适当扩大内部数组的容量 递增策略 当需要扩容时，为_capacity追加固定大小的空间，即 T* oldElem = _elem; _elem = new T[ _capacity += INCREMENT ]; 考虑最坏情况，在初始容量为0的空向量中连续插入n = m*I个元素 那么，在第1，I+1，2I+1，3I+1…次插入元素时都需要扩容，表示为 倍增策略 当需要扩容时，增加_capacity 为原来的两倍，即 T* oldElem = _elem; _elem = new T[ _capacity <<= 1 ]; 考虑最坏情况，在初始容量为1的空向量中连续插入n = 2^m个元素 那么，在第1，2，4，8…次插入元素时都需要扩容，表示为 两种策略的复杂度分析 考虑最坏的情况，两种策略的复杂度分别为 递增策略： 为算术级数，0+I+2I+…=O(n ²) 倍增策略： 为几何级数，1+2¹+2²+2³+…=O(2^m)=O(n) 递增策略 倍增策略 累计时间 O(n ²) O(n) 分摊时间 O(n) O(1) 装填因子 λ ≈100% >50% 可以看出，倍增策略在牺牲空间的基础上，换取时间上的巨大提升，可采取√...