红黑树：平衡的艺术

在数据结构的世界里，二叉查找树（BST）是高效搜索的基石。然而，普通的 BST 在极端情况下会退化成“链表”，导致性能崩塌。为了解决这个问题，红黑树应运而生。它不是追求“绝对完美”的平衡，而是通过一种巧妙的颜色约束，实现了“近似平衡”，从而在插入、删除和查找之间找到了完美的折中点。

---

1. 什么是红黑树？

红黑树是一种自平衡的二叉查找树（Self-balancing Binary Search Tree）。它在每个节点上增加了一个存储位表示节点的颜色，可以是红色（Red）或黑色（Black）。

五大核心规则（红黑规则）

红黑树必须满足以下 5 条性质，缺一不可：

1. 节点颜色：每个节点要么是红色，要么是黑色。
2. 根节点：根节点必须是黑色。
3. 叶子节点：所有的叶子节点（NIL 节点，即空节点）都是黑色的。
4. 红节点约束：如果一个节点是红色的，则它的两个子节点必须是黑色的。（这意味着不能有两个连续的红色节点）。
5. 黑高一致：从任一节点到其每个叶子的所有路径都包含相同数目的黑色节点。

上图展示了一颗合法的红黑树。注意：红色节点不相邻，且任意路径上的黑色节点数量相同。

---

2. 为什么需要红黑树？

2.1 解决 BST 的退化问题

普通的二叉查找树在插入有序数据（如 1, 2, 3, 4, 5）时，会退化成一条斜线（链表），时间复杂度从 $O(\log N)$ 变为 $O(N)$。

2.2 对比 AVL 树（绝对平衡树）

• AVL 树：追求极致的平衡（左右子树高度差不超过 1）。查询效率极高，但为了维护这种严格的平衡，插入和删除时需要频繁旋转，开销较大。
• 红黑树：追求大致平衡。通过红黑规则，保证最长路径不超过最短路径的 2 倍。
  • 结论：红黑树在插入、删除频繁的场景下，综合性能优于 AVL 树。这也正是 Java HashMap 选择红黑树的原因。

---

3. 核心操作：变色与旋转

当插入或删除节点后，红黑树的规则可能会被打破。为了恢复平衡，我们需要用到三种“魔法”：变色、左旋、右旋。

3.1 变色 (Recoloring)

最简单的调整方式。直接将红色变为黑色，或将黑色变为红色。

3.2 左旋 (Left Rotation)

逆时针旋转。将右子节点变为“父节点”，当前节点变为其“左子节点”。

3.3 右旋 (Right Rotation)

顺时针旋转。将左子节点变为“父节点”，当前节点变为其“右子节点”。

---

4. 插入情景深度剖析

默认原则：新插入的节点总是红色的。
为什么？ 因为插入红色节点只可能违反“红红不相邻”规则（规则 4），破坏性较小；而插入黑色节点一定会改变路径上的黑色节点数量（规则 5），破坏性极大，调整极难。

假设新插入节点为 N (New)，父节点为 P (Parent)，叔叔节点为 U (Uncle)，祖父节点为 G (Grandparent)。

情景 1：红黑树为空

• 操作：直接插入，将 N 变为黑色（根节点必须为黑）。

情景 2：父节点 P 是黑色

• 操作：无需调整。插入红色节点不影响黑高，也不违反红红规则。

情景 3：父节点 P 是红色（冲突出现！）

此时必然违反了“红红不相邻”规则。我们需要根据叔叔节点 U 的颜色来决定策略。

3.1 叔叔 U 是红色

• 策略：变色 + 向上递归
• 操作：
  1. 将 P 和 U 变为黑色。
  2. 将 G 变为红色。
  3. 将 G 视为新插入的节点，递归处理（因为 G 变红后可能与其父节点冲突）。

3.2 叔叔 U 是黑色（或 NIL）

此时需要旋转。根据 N 在 P 的位置（左/右）以及 P 在 G 的位置（左/右），分为四种情况（LL, RR, LR, RL）。

以 LL 型为例（P 是 G 的左子，N 是 P 的左子）：

• 策略：变色 + 右旋
• 操作：
  1. 将 P 变为黑色。
  2. 将 G 变为红色。
  3. 对 G 进行右旋。

---

5. 总结

红黑树的魅力在于它通过复杂的规则，换取了简洁的性能保证。

维度	普通 BST	AVL 树	红黑树
平衡性	无保障，可能退化	严格平衡	近似平衡
查找速度	$O(N)$ (最差)	$O(\log N)$ (最快)	$O(\log N)$
插入/删除	快，但容易失衡	慢 (频繁旋转)	较快 (旋转少，变色多)
适用场景	简单数据	读多写少	综合场景 (如 HashMap)

理解红黑树，不仅仅是背诵规则，更是理解 Trade-off（权衡） 的艺术——在严格与混乱之间，寻找最高效的中间态。