王道数据结构课后题第五章第14题

王道数据结构第五章二叉树的遍历第14题 假设二叉树采用二叉链表存储结构,设计一个算法,求非空二叉树b的宽度(即具有结点数最多的那一层结点个数)。 阅读详情

王道数据结构课后题第五章第14题

问题描述

假设二叉树采用二叉链表存储结构,设计一个算法,求非空二叉树 b 的宽度(即具有结
点数最多的那一层的结点个数)。

问题思路

借助树的层次遍历的非递归算法,在处理每层第一个结点和最后一个结点时设置变量记录其在队列中的下标,相减即可得到该层结点数,每层的结点数量都记录在一个数组width中。最后遍历该数组找最大值,即为树的宽度。

代码

int LevelOrder_width(BiTree T){
    if(T==NULL){
        return 0;
    }
    BiTNode Q[MaxSize];
    int front=-1,rear=-1;
    int level=0,last=0,flag=1;//flag记录上一次处理的结点是否为上一层的最右结点,若1则是,当前处理节点为该层第一个结点,并将flag置为0
    int i=0,j=0;//记录当前层的第一个结点的rear值和最后一个结点的rear值,相减则为当前层的结点数
    int width[MaxSize]=0;//记录每一层宽度的数组
    // width[1]=1;
    BiTree p;
    Q[++rear]=T;
    while(front<rear){
        p=Q[++front];
        if(flag==1){
            i=front;
            flag=0;
        }
        if(p->lchild)   Q[++rear]=p->lchild;
        if(p->rchild)   Q[++rear]=p->rchild;
        if(front==last)
            level++;
            flag=1;
            j=front;
            width[level]=j-i+1;
            last=rear;
    }
    int max=0;//借助max遍历查找数组中最大值即为一层结点数最多的值
    for(int k=1;k<=level;k++){
        width[k]>max?max=width[k]:continue;
    }
    return max;
}
【专栏必读】王道考研408操作系统+Linux系统编程万字笔记使用说明及章节导航 王道408考研操作系统)第一章计算机系统概述-第一节1、2:操作系统概念、概念和特征1:理解fork的作用prinf("还没有执行fork函数的本进程为:%d\n" , getpid());//其返回值是pid类型的 sleep(1);if(ret > 0) //父进程返回的是子进程ID {printf("我是父进程,我的id是:%d,我的孩子id是%d\n" , getpid() , ret);sleep(1);} } else if(ret == 0) //子进程fork返回值是0 {......... 阅读详情

相关推荐

(王道408考研数据结构)第五章树-第四节1:二叉树排序树(BST)及其操作

文章目录一:二叉排序树基本概念二:二叉排序树查找二:二叉排序树插入/构建四:二叉排序树删除 一:二叉排序树基本概念 二叉排序树(Binary Sort Tree)::又称之为二叉搜索树,它具有下面的性质 若其左子树不空,则左子树上所有结点的值均小于它根结点的值 若其左子树不空,则左子树上所有结点的值均大于它根结点的值 其左、右子树也分别是二叉排序树 由以上性质可知,二叉排序树的中序遍历是一个递增序列 二:二叉排序树查找 二叉排序树查找:若树非空,让目标值与根节点的值进行比较。查找成功返回结点指针,失败

快乐江湖的博客 2341

假设二叉树采用二叉链表存储结构,设计一个算法,求非空二叉树b的宽度(即具有结点数最多的那一层的结点个数)。

每次递归时,如果当前结点不为空,就将当前层数的宽度+1,并更新最大宽度。然后递归遍历左右子树,将层数加1。最后最大宽度在全局变量 MAX 里。

gc的博客 867

数字频率计设计中的常见误区:从VHDL代码到硬件实现的避坑指南

本文深入探讨了数字频率计从VHDL代码到FPGA硬件实现过程中的关键误区与解决方案。重点分析了闸门时间生成的精度与资源平衡、控制时序设计中的竞争冒险规避,以及如何利用EDA工具进行综合、时序约束与调试,确保设计稳定可靠。文章为开发者提供了从仿真成功到硬件可用的实战避坑指南。

spark7igniter的博客 213

《王道数据结构》假设二叉树采用二叉链表存储结构,设计一个算法,求非空二叉树的宽度(即具有结点数最多的那一层的结点个数)

王道数据结构课后习题、数据结构

m0_46987570的博客 1134

西门子工业物联网云平台 Insights Hub 技术白皮书

Insights Hub是西门子公司推出的工业物联网云平台,它是一个使用开放技术的基于云架构的平台,能够为制造业企业提供物联网连接、数据分析、应用开发等一系列服务。Insights Hub的设计理念是“连接、分析和运营”,即通过连接物理设备、收集数据并进行分析,来优化工业生产的运营和管理。

可爱的刘三岁的博客 3337

【好玩的游戏项目】使用Docker快速部署属于你的RPG网页小游戏

【好玩的游戏项目】使用Docker快速部署属于你的RPG网页小游戏

jks212454的博客 5581

假设二叉树采用二叉链表存储结构,设计一个算法,求非空二叉树的宽度(即具有结点数最多的那一层的结点个数)

求二叉树的宽度有两种方法: 用一个指针记录下每层的最后边的结点,当工作指针的值与该指针一致时,说明一层遍历完毕,这样只需记录下每层的结点数,取最大值即可; 记录下每个结点所处于的层数,之后只需对层树相同的结点个数进行计数,取其最大值即可 第一种: int width1(BiTree bt) {//用第一种方法编写如下算法 if(bt == NULL) retur...

qq_43661234的博客 1万+

YOLOv8改进系列:RepVGG重参数化结构——训练多分支,推理单路,极致提速

本文将详细介绍如何将RepVGG的重参数化思想融入到YOLOv8的骨干网络中,实现一种训练时多分支、推理时单路的改进版YOLOv8。我们将提供完整的代码实现、详细的原理讲解,并在COCO数据集和自定义数据集上进行充分的实验验证。

YOLO 201

2021 王道考研 数据结构+习题讲解

2021 王道考研 数据结构 P1【2021版】0.0 课程指南 P2【2021版】1.1.0 开篇_数据结构在学什么 P3【2021版】1.1.1 数据结构的基本概念 P4【2021版】1.2.1 算法的基本概念 P5【2021版】1.2.2 算法的时间复杂度 P6【2021版】1.2.3 算法的空间复杂度 P7【2021版】2.1_线性表的定义和基本操作 P8【2021版】2.2.1_顺序表的定义 P9【2021版】2.2.2_1_顺序表的插入删除 P10【2021版】2.2.2_2_顺序表的查找 P1

weixin_47312141的博客 4万+

SAP ABAP 缓冲同步揭秘——从 DDLOG 表到 RSDBBUF3 的完整实践指南

DDLOG 看似一张不起眼的系统表,却承担着 SAP 多实例环境下的数据一致性重任。通过掌握其字段意义、解析方法及周边监控工具,你可以在性能与一致性之间找到最佳平衡;通过精细化的参数管理与主动刷新策略,更能在关键业务场景中确保“数据永远是最新的”。愿本文能成为你日常排障与架构决策的参考手册。

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 317

基于51单片机设计的花样流水灯设计

花样流水灯是一种常见的LED灯效果,通常由多个LED灯组成,通过控制每个LED灯的亮灭顺序和时间,实现花样流水灯的效果。在51单片机中,可以使用定时器和端口控制来实现这一效果。

3436

25版王道数据结构课后习题详细分析 第五章树与二叉树 5.4树、森林

给定一棵树的先根遍历序列和后根遍历序列,能否唯一确定一棵树?若能,请举例说明将下面一个由3棵树组成的森林转换为二叉树。 已知某二叉树的先序序列和中序序列分别为 ABDEHCFIMGJKL和 DBHEAIM FCGKLJ, 请画出这棵二叉树,并画出二叉树对应的森林。 编程求以孩子兄弟表示法存储的森林的叶结点数。 以孩子兄弟链表为存储结构,请设计递归算法求树的深度。下列关于树的说法中,正确的是利用二叉链表存储森林时,根结点的右指针是

2406_86301373的博客 1203

高通平台N4单路输入的720P相机预览

N4的一路720P Camera作为MIPI摄像头使用

llw21680的专栏 165

2021 王道考研 数据结构+习题讲解_王道课后题pdf

链接: https://pan.baidu.com/s/1GievaM8_-gBOEA-fV6GqYg 提取码: vshu 复制这段内容后打开百度网盘手机App,操作更方便哦[知识强化]第三章 栈和队列。链接: https://pan.baidu.com/s/1JwhYC3fHlgUTgr8qh0n3xQ 提取码: kv8s 复制这段内容后打开百度网盘手机App,操作更方便哦[知识强化]第八章 排序。

2501_90391156的博客 1399

【C语言】一文带你拿捏分支和循环语句(一万字详细讲解)

if/switch语句、while/fo/do...while循环语句、goto语句详解

StackFrame 1238

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")

25版王道数据结构课后习题详细分析 第五章树与二叉树 5.5树与二叉树的应用

在有n个叶结点的哈夫曼树中,非叶结点的总数是( )给定整数集合{3,5,6,9,12},与之对应的哈夫曼树是( )下列编码中,( )不是前缀码设哈夫曼编码的长度不超过 4,若已对两个字符编码为1和 01,则还最多可对( )个 字符编码一棵哈夫曼树共有215个结点,对其进行哈夫曼编码,共能得到( )个不同的码字设某哈夫曼树有5个叶结点,则该哈夫曼树的高度最高可以是( )。 以下对于哈夫曼树的说法中,错误的是( ) 下列关于哈夫曼树的说法中,错误的是( )

2406_86301373的博客 726

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

王道数据结构 | 第五章 树与二叉树

王道数据结构 | 第五章 树与二叉树 代码和计算都很重要

emmm_Yeah的博客 1198

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

王道计算机考研 数据结构C语言复现-第五章-栈

这篇文章收录了王道考研课程中涉及的数据结构的所有代码。此外,本博客可能会添加一些额外的代码(不仅限于王道考研),因为408考试中会频繁考察一些冷门的知识点,所以这篇博客会涵盖所有相关的代码。这也是我数据结构的第一轮复习,希望能与大家共同进步。由于博客篇幅的限制,可能无法一次性包含所有内容,欢迎指出代码错误部分!

桃木山人的博客 580

25版王道数据结构课后习题详细分析 第五章树与二叉树 5.2二叉树的概念

“二叉树为空”意味着二叉树以下说法中,正确的是 具有10个叶结点的二叉树中有个度为2的结点设高度为h的二叉树上只有度为0和度为2的结点,则此类二叉树中所包含的结点数至少为具有n个结点且高度为n的二叉树的数目为 假设一棵二叉树的结点个数为50,则它的最小高度是设二叉树有2n个结点,且m

2406_86301373的博客 1199

王道8套有变化吗_计算机考研7,8月记录

考试科目:数二,英二,计算机408六月底到七月初,回校,毕业,见了一些人,听了一些话,看了几个学校,研究了下录取名单,感觉其实没必要一直杠死在学硕上,专硕确实是简单点的。下了很大决心换了专硕,毕竟之前学的一大部分是白费的。现有的一堆数一资料没有太大用了,哎!但是,还是得说,七月加油啦!重点:专业课:六月遗留+天勤计网+天勤数据结构+王道操作系统+王道数据结构数学:20版闭关修炼+660+18讲英语...

weixin_42363277的博客 679

数据结构 第五章(树和二叉树)【上】

(1)树是n(n≥0)个结点的有限集,它或为空树(n=0),或为非空树。对于非空树T,有且仅有一个称之为根的结点(一棵树可以只有根结点,没有其它结点),除根结点以外的其余结点可分为m(m>0)个互不相交的有限集,其中每个集合本身又是一棵树,并且称为根的子树(下图中结点A有3棵子树)。(2)树的结构定义是一个递归的定义,即在树的定义中又用到树的定义。(1)二叉树(Binary Tree)是n(n≥0)个结点所构成的集合,它或为空树(n=0),或为非空树。对于非空树T有且仅有一个称之为根的。

Zevalin的博客 1803

25版王道数据结构课后习题详细分析 第五章树与二叉树 5.3二叉树的遍历和线索二叉树 选择题部分

01.在下列关于二叉树遍历的说法中,正确的是( )。 02.在任何一棵二叉树中,若结点 a有左孩子 b、右孩子 c,则在结点的先序序列、中序序列、后序序列中,( )。 03.设n,m为一棵二叉树上的两个结点,在中序遍历时,n在m前的条件是( )。 04.设n,m为一棵二叉树上的两个结点,在后序遍历时,n在m前的充分条件是( )。 05.在二叉树中有两个结点m和n,若m是n的祖先,则使用( )可以找到从m到n的路径。

2406_86301373的博客 1961

【2026考研】《王道计算机组成原理》笔记汇总(超详细合集)

本篇文章是在准备 2026 年考研时,对《王道计算机考研 计算机组成原理》的所有笔记进行汇总,方便学习和复习时查看。对于期末考试也可以食用。笔记是纯人工手打的,会有一些小问题,如果有错误的地方请评论或私信…

iFulling的博客 8925

11408考研课程概览

第二章:数据的表示和运算,40,13,16,34,8,4,14,9,33,10,21,13,19,22,10,34,7,6,11,33,31,30 共418min,第三章:存储系统,28,25,25,12,37,32,37,16,27,22,26,11,27,19 共344min,第四章:指令系统, 23,14,14,21,42,9,28,15,12,24,12,14 共228min,第七章:输入/输出系统 ,33,28,27,24,44,20,12,27 215min, 共。

m0_64450656的博客 5875

数据结构知识点总结

数据结构知识点总结(参考王道)

uiguhgd的博客 7762
上一篇: 王道数据结构代码题第二章第六题
下一篇: 基于Arduino的智能循迹小车
diefor_you
博客等级 码龄6年 23粉丝 3原创
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
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