每天一道剑指offer-按之字形顺序打印二叉树

本文介绍了一种不使用ArrayList反转操作的之字形打印二叉树算法,利用LinkedList的双向遍历特性,提高了处理海量数据时的效率。

出处: https://www.nowcoder.com/questionTerminal/91b69814117f4e8097390d107d2efbe0

大家的实现很多都是将每层的数据存进ArrayList中,偶数层时进行reverse操作, 在海量数据时,这样效率太低了。 (我有一次面试,算法考的就是之字形打印二叉树,用了reverse, 直接被鄙视了,面试官说海量数据时效率根本就不行。) 下面的实现:不必将每层的数据存进ArrayList中,偶数层时进行reverse操作,直接按打印顺序存入 思路:利用Java中的LinkedList的底层实现是双向链表的特点。 1)可用做队列,实现树的层次遍历 2)可双向遍历,奇数层时从前向后遍历,偶数层时从后向前遍历

public ArrayList<ArrayList<Integer> > Print(TreeNode pRoot) {	
    ArrayList<ArrayList<Integer>> ret = new ArrayList<>();	
    if (pRoot == null) {	
        return ret;	
    }	
    ArrayList<Integer> list = new ArrayList<>();	
    LinkedList<TreeNode> queue = new LinkedList<>();	
    queue.addLast(null);//层分隔符	
    queue.addLast(pRoot);	
    boolean leftToRight = true;	
    while (queue.size() != 1) {	
        TreeNode node = queue.removeFirst();	
        if (node == null) {//到达层分隔符	
            Iterator<TreeNode> iter = null;	
            if (leftToRight) {	
                iter = queue.iterator();//从前往后遍历	
            } else {	
                iter = queue.descendingIterator();//从后往前遍历	
            }	
            leftToRight = !leftToRight;	
            while (iter.hasNext()) {	
                TreeNode temp = (TreeNode)iter.next();	
                list.add(temp.val);	
            }	
            ret.add(new ArrayList<Integer>(list));	
            list.clear();	
            queue.addLast(null);//添加层分隔符	
            continue;//一定要continue	
        }	
        if (node.left != null) {	
            queue.addLast(node.left);	
        }	
        if (node.right != null) {	
            queue.addLast(node.right);	
        }	
    }	
    return ret;	
}

END

觉得文章不错的,欢迎点好看转发,长按下图关注程序员乔戈里,收看更多精彩。

640?

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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