图解treeMap红黑树的生成过程

红黑树的生成 一:红黑树的性质 1、每个节点都是红色的或者黑色的; 2、根节点是黑色的; 3、每个叶子节点都是黑色的; 4、如果一个节点是红色的,则它的两个子节点都是黑色的; 5、对每个节点,从该节点到其子孙节点的所有路径上包含相同数目的黑节点,也就是有相同的黑高; 二:红黑树的优势 1、利用key_value查找; 2、中序遍历是顺序的; 三:红黑树的应用场景 1、stl:map 2、nginx 3、定时器 4、进程调度器(cfs) 5、内容管理 四: ... 阅读详情

假如在treeMap中put key为{10,36,45,23,65,11,2,365,56,88,66,77}
注:代码中put的时候节点还没有颜色,默认的颜色为黑色;在执行fixAfterInsertion方法时,先默认新节点为红色,然后再做平衡操作。

按顺序开始put
10
put&fixAfterInsertion:
在这里插入图片描述

36
put&fixAfterInsertion:
在这里插入图片描述

45
put:
在这里插入图片描述

fixAfterInsertion:
[fixAfterInsertion的平衡流程图]:
在这里插入图片描述
平衡过程:
在这里插入图片描述
23
put:
在这里插入图片描述
fixAfterInsertion:
在这里插入图片描述

65
put&fixAfterInsertion:
在这里插入图片描述
11
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述
2
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述

365
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述
56
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述
88
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述

66
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

77
put&fixAfterInsertion:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Java容器之TreeMap源码分析(附红黑树调整图解,全网最详细、图解最全,不服来辩)   在之前分析HashMap、ConcurrentHashMap容器的源码实现时,反复提及到JDK 1.8的版本中,HashMap、ConcurrentHashMap两个容器都引入了红黑树来解决hash冲突问题(在之前的版本只有链表,现在hash桶的实现可有链表、红黑树进行转换),但是JDK中的红黑树到底是如何实现的呢? Java容器之TreeMap源码分析目录一、`TreeMap`容器概述二、`... 阅读详情

相关推荐

红黑树-动态演示生成红黑树

红黑树算法,随机产生数字,动态生成红黑树,可用于演示。

红黑树系列1——红黑树的建立

原创码字不易,转载请注明出处,谢谢~ 红黑树系列2——红黑树的删除(码字中,待发表) 红黑树系列3——红黑树的应用(码字中,待发表) 红黑树系列4——红黑树的代码实现(码代码中,待发表) 红黑树动态建立,删除网站(强强强强烈推荐,根据网页上自己构建和删除几遍红黑树,比看文章有用太多太多):https://www.cs.usfca.edu/~galles/visualization/RedBlack.html 目录 一、红黑树的建立 1、建立红黑树 例子1、解决连续右右红色节点 例子2、解决

Bob的博客 2831

创建1000个节点的红黑树,并输出树高、黑高

随机生成1000个数据的数组,将其中每个元素依次插入初始为空的红黑树中。高度可以递归地求,只要左子树或右子树不为nil结点,就向下递归,递归边界是子节点是nil结点的结点,返回值为1,其余结点的返回值是左右子树高度的最大值再加上1.

数据结构之红黑树的生成、添加以及删除详解(附代码)

要了解红黑树,那必须得了解它的。

any_ways的博客 1742

红黑树插入流程图

书上的伪代码看见容易让人烦,我就做了这张流程图,看起来非常容易理解,希望帮到大

3线SWD接线终极指南:用Jlink调试非3.3V设备的5个关键细节

本文详细解析了使用Jlink调试非3.3V设备时,3线SWD接线的5个关键细节。核心在于正确理解并连接Vref引脚以实现电压适配,避免供电冲突,并掌握精简接线法与固件修复技巧。文章以STM32F205等芯片为例,指导开发者安全、高效地进行混合电压调试。

e4f5g6h7的博客 441

Java 集合系列12之 TreeMap详细介绍(源码解析)和使用示例

概要 这一章,我们对TreeMap进行学习。 我们先对TreeMap有个整体认识,然后再学习它的源码,最后再通过实例来学会使用TreeMap。内容包括: 第1部分 TreeMap介绍 第2部分 TreeMap数据结构 第3部分 TreeMap源码解析(基于JDK1.6.0_45) 第4部分 TreeMap遍历方式 第5部分 TreeMap示例 转载请注明出处:http:

荒岛码农 2834

基于EtherCAT的AM402与SV660N、IS620N伺服运动控制实战指南

本文详细介绍了基于EtherCAT总线的汇川AM402 PLC与SV660N、IS620N伺服驱动器构建运动控制系统的完整实战流程。内容涵盖硬件平台搭建、软件组态、关键参数设置、InoProShop编程及调试技巧,旨在帮助工程师快速掌握这一高精度、高响应的工业自动化解决方案。

weixin_29204205的博客 405

从底层逐步剖析(红黑树)原理

本章课程将给大家带来红黑树的深度剖析,如果条件允许的话希望同学能做好笔记,因为接下来要讲的内容比较有深度。还是那句老话,有什么不懂可以来问问我。

为什么你的单细胞数据总有问题?可能是忽略了scDblFinder这个神器

本文深入剖析了单细胞数据分析中异质性双细胞这一常见但易被忽视的痛点,并重点介绍了scDblFinder这一神器。scDblFinder通过机器学习模型,能精准识别并过滤同一样本内的异质性双细胞,有效解决其导致的聚类模糊、信号混淆等问题,从而显著提升数据洁净度与下游分析结果的可靠性。

brandy的博客 453

Vscode搭配Keil Assistant插件,头文件红色波浪线终极修复指南

本文详细解析了Vscode搭配Keil Assistant插件时出现头文件红色波浪线问题的根源,即ARMCC与ARMCLANG编译器的兼容性问题,并提供了三种实用解决方案:复制文件夹、创建符号链接和手动配置includePath,帮助开发者彻底修复错误,恢复代码跳转和自动补全功能。

q1w3e5r7t9y的博客 354

图解TreeMap是如何使用红黑树的

红黑树是每个节点都带有颜色属性的二叉查找树,颜色或红色或黑色。在二叉查找树强制一般要求以外,对于任何有效的红黑树我们增加了如下的额外要求后面继续分析一下TreeMap中是如何运用红黑树的 表面看起来很简单:存了一个5:5的键值对,后面分析看一下具体做了什么。 第一步初始化:只构造了一个TreeMap对象,comparator 赋值为空。 这时候整棵树没有任何元素。第二步存入5:5 这里顺便看一下Entry中包含什么 当前节点的键值信息,还有左右子节点以及父节点。默认颜色为黑色,所以刚才的根节点不需要染色操作

weixin_42645678的博客 779

全网最全医学图像数据汇总

本仓库汇总了多个领域的医学图像开源数据集,涵盖CT、MRI、超声、内窥镜、病理、多模态、PET、OCT以及皮肤镜等多种成像技术。每个数据集均详细列出了任务类型、部位、格式、数量及下载链接,旨在为医学图像研究者提供便捷的资源导航。⚠️:这些数据集仅适用于学术研究用途。

2401_83173765的博客 3319

超详细图解红黑树的插入操作过程

红黑树的定义与性质、插入过程、修复方法等

灵谷鱼的博客 3857

UCOS-III 系统移植

UCOSIII系统移植到GD32F303详细过程 工程代码:https://github.com/jslaobing/techIot_ucosiii_porting

TechIoT - 探索物联网与嵌入式系统 2088

手把手教你写上位机软件(c#、winform)

上位机软件模板

qq_34059233的博客 7万+

30分钟搞懂红黑树(图解)

点击上方“后端技术精选”,选择“置顶公众号”技术文章第一时间送达!作者:coolblogsegmentfault.com/a/1190000012728513红黑树简介红黑树是一种自平衡的二叉查找树,是一种高效的查找树。它是由 Rudolf Bayer 于1972年发明,在当时被称为对称二叉 B 树(symmetric binary B-trees)。后来,在1978年被 Leo J. Guiba...

Java笔记虾 4321

零基础学simulink仿真建模--使用Simulink来构建一个混合动力无人机中燃料电池与锂电池协同控制的仿真模型

延长飞行时间:燃料电池的能量密度高于锂电池,适合长时间稳定供电。提高功率密度:锂电池能够快速响应瞬时高功率需求,比如起飞和加速阶段。优化能源管理:通过有效的能量管理系统,可以根据实际需求动态调整燃料电池和锂电池的工作状态,从而提高整体效率。通过上述步骤,我们简要介绍了如何基于Simulink实现混合动力无人机中燃料电池与锂电池协同控制的仿真模型。

amy_mhd的博客 191

Java面试-TreeMap 的底层实现:红黑树详解

《Java面试200问:TreeMap红黑树底层实现详解》 本文深入剖析了TreeMap基于红黑树的有序映射实现机制。主要内容包括: 红黑树的五大特性:节点双色性、根黑规则、叶黑规则、红节点限制和黑高一致性,这些特性保证了树的高度平衡(h≤2log(n+1))。 关键操作原理: 插入时通过染色和旋转(左旋/右旋)处理四种冲突场景 删除时通过复杂调整维护黑高平衡 TreeMap源码实现: 使用Entry节点维护红黑树结构 put/get/remove操作均保持O(log n)时间复杂度 原生支持高效的范围查询

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

图解红黑树的插入和删除过程

红黑树 在学习红黑树的过程中,红黑树是一种弱平衡的二叉查找树,其查找过程与普通的二叉树一样(都是二分查找),其特别之处在于插入或删除一个结点时修复平衡的策略。jdk8的中java.uitl.TreeMap.java的底层是红黑树,在并走读了TreeMap的代码和看了如下参考资料后,本文把插入或删除一个结点时修复平衡的策略用图表描述出来。 参考资料: 从2-3-4树到红黑树:https://www.cnblogs.com/nullzx/p/6111175.html 证明黑色平衡:https://www.cn

wjw1993year的博客 480

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

手撕TreeMap红黑树

一文带你吃透java TreeMap源码。

[ 25'h ] 3万+

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

数据结构 | 【红黑树】图解原理

红黑树的插入和删除。

"You are worthy! You can do it!" 2847

图解红黑树原理,再也不怕面试被问到

福利:机械工业出版社华章公司联合当当网特意为【过往记忆大数据】用户申请了一批可与满减叠加使用的“满200减30”的图书优惠码,优惠码使用后相当于:400减230!!!优...

过往记忆大数据 3991

红黑树概念、TreeMap的插入以及旋转的详细解析(图解)

前言 网上有很多红黑树的插入解析,LZ也看了很多,在看着这些文章结合着源码看,总感觉没有get到重点,http://www.cnblogs.com/xrq730/p/6867924.html这篇文章讲述得很好,LZ也是借助这篇文章(文中很多概念性的地方都是复制这篇文章),了解了红黑树的插入旋转,只是有一些小问题,没有讲述明白,所以写了这篇文章,算是一个补充吧,若有不对的地方,欢迎指正,互相学习 ...

weixin_30849403的博客 294

图解TreeMap的红黑树平衡操作fixAfterInsertion(),接着手撕红黑树添加节点

一、前言 啥也不想说,就卷、卷技术;手撕红黑树搞起。 1、红黑树简介 红黑树就是一种平衡的二叉查找树,其有五个特点: 1.每个节点要么是红⾊,要么是⿊⾊; 2. 根节点⼀定是⿊⾊的; 3. 每个叶⼦节点⼀定是⿊⾊的NULL节点; 4. 如果⼀个节点是红⾊,那么它的左右⼦节点⼀定都是⿊⾊的; 5. 从任意⼀个节点到叶⼦节点,所经过的⿊⾊节点的数量⼀样多; 2、TreeMap简介 TreeMap 继承于AbstractMap ,其是一个 有序的key-value集合,内部基于 红黑树 实现; TreeM

健身变秃,coding变强 1504
上一篇: TreeMap的fixAfterInsertion方法调用流程
下一篇: mybatis中$与#区别
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

搬砖工-->攻城狮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值