897.递增顺序搜索树 递归思考

leetcode 897. 递增顺序搜索树(中序遍历) 给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。 示例 1: 输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9] 输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9] 示例 2: 输入:root = [5,1,7] 输出:[1,null,5,null,7] 提示: 树中节点数的取值范围是 阅读详情

897. 递增顺序搜索树

题目:

给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的结点成为树的根结点,并且每个结点没有左子结点,只有一个右子结点。
github题解仓库

解法一:

思路:

函数最终要返回该二叉搜索树最左边的结点,也是以该结点为根结点的递增顺序搜索树,所以设计的递归函数的返回值应该是所给搜索树的最左边的结点ans。中序遍历中引入pos(后继)这个参数可以很方便的处理前后继之间的关系,pos参数表示当前结点在中序遍历中的后继结点。(突然发现这与线索树的建立有异曲同工之妙啊啊啊!(咦,这不就是在考察遍历时前后继之间的关系吗!所以,就得引入后继这个参数!

class Solution{
public:
	TreeNode* increasingBST(TreeNode* root, TreeNode* pos = nullptr) {
        if(!root) return pos;
        TreeNode* ans = incresaingBST(root->left, root);//当前结点左子树的后继结点就是该结点本身
        root->right = increasingBST(root->right, pos);//pos是中序遍历下当前结点的后继结点
        							//那它是怎么确定的呢?在此之前某次调用root->left时,赋予的root
        root->left = nullptr;
        return ans;
    }   
}

带你跑:

大体上是左子树进入递归设置好后继结点,当前结点的右指针指向 右子树进入递归调出的后继结点,这两个动作嵌套完成。

在遍历左子树的过程中传入的参数(root->left, root),root为后面的结点确定了的pos,也就是其左子树的最右边结点的后继。

当遇到任一结点T的左孩子为空时,结束判断语句就返回该结点T,而第一次遇到的左孩子为空的结点就是原搜索树最左边的结点,所以函数结尾需返回它,在此之前需声明一个ans变量保存它。

当遇到任一结点T的右孩子为空时,就直接返回它所在子树的后继或者是最后的nullptr。

所以root->right = increasingBST(root->right,pos)这段代码既能使当前结点指向其右子树中最左边的结点,还能使其指向祖先结点中的某个后继结点。

总结就是前者铺路,后者搭桥。

解法二:

思路:

反过来按照右、中、左的顺序递归处理该搜索树(咦!突然发现题目要求中序遍历,但这不算,但这种解法值得一见!

class Solution{
public:
    void fun(TreeNode* root, TreeNode* ans) {//ans是始终指向拼接中的递增顺序搜索树的根结点的指针。
        if(!root) return;
        fun(root->right, ans)
        root->rigth = ans;
        ans = root;
        fun(root->left, ans)
        root->left = nullptr;
    }
	TreeNode* increasingBST(TreeNode* root){
        TreeNode* ans = nullptr;
        fun(root, ans);
        return tail;
    }
}

添加默认参数,合并为一个函数的写法:

递归函数返回递增顺序搜索树的根结点,那么赋值时抓住这点来读代码。(刚开始不太好读明白的。慢慢来(:

class Solution{
public:
    TreeNode* increasingBST(TreeNode* root, TreeNode* ans = nullptr) {
		if(!root) return ans;//第一次返回nullptr,之后返回传进来的ans(目标搜索树的根结点)。
        ans = increasingBST(root->right, ans);
        root->right = ans;
        ans = root;
        ans = increasingBST(root->left, ans);//这里注意上面的ans要传入到函数中,而被赋值的ans已改变
        root->left = nullptr;//先处理完左分支后才能设为空指针
        return ans;
    }
}

进一步精简:

函数功能也可以理解为root后面拼接ans。

class Solution{
public:
	TreeNode* increasingBST(TreeNode* root, TreeNode* ans = nullptr) {
        if(!root) return ans;
        root->right = increasingBST(root->right, ans);
        ans = increasing(root->left, root);
        root->left = nullptr;
        return ans;
	}   
}
参考:https://leetcode-cn.com/problems/increasing-order-search-tree/solution/c-yi-ci-bian-li-yuan-di-xiu-gai-by-meng-fzstk/

细心读一读还是好理解的。

其他:

看到了个有点怪怪的写法:(其实跟解法二一样(效果),但又不太一样(编码思路?),殊途同归吧

class Solution {
public:
    TreeNode* solve(TreeNode* root, TreeNode* tail) {
        if (!root) return tail;
        auto rTree = solve(root->right, tail);
        auto lTree = solve(root->left, root);
        root->right = rTree;
       	root->left = NULL;
        return lTree;
    }
    TreeNode* increasingBST(TreeNode* root) {
        return solve(root, NULL);
    }
};
//参考:https://leetcode-cn.com/problems/increasing-order-search-tree/solution/c-di-gui-2chong-jie-fa-fei-di-gui-1chong-r2jv/

思考:

最后有些对递归的思考,或者说对递归函数参数的思考,写递归函数时,参数大体有两种用法或者说应用场景:

  • 一种是以引用或者指针的形式进入函数,在函数的作用下来改变传入参数的值,这样的好处是可以减少全局变量的使用,避免造成变量污染。
  • 另一种可以为递归服务(当然也可以是指针或引用的形式),在函数中调用函数本身时可以传入不同含义的参数,达到期望的作用。

以上是对递归函数从应用上概念的划分,在写或者分析递归函数时,除了自上而下思考解决方案,需对各参数有个以上初步的定义和判断,当然这是很基本的,但脑子要清晰。

随后不管是写递归还是分析递归代码,核心就是分析每个参数的含义,有时一个参数会有多个含义,这也是需要注意的,分析参数的含义是真正理解一段递归代码的必要条件,比如树上递归时,该参数在不同结点上的传入浅层有什么含义(比如有时是当前结点的父结点),或者更本质的含义是什么(比如是遍历的后继结点),或者在终止条件语句中,为什么return的是这个变量而不是其他的,他在不同结点、不同分支上的return的都是什么,函数结尾的return又都返回的是什么。

我觉得分析递归函数的首要原则就是事实求是,函数调用中各参数在位置上的对应关系要分清,各参数的含义要分清。在分清或者试图分清以上两点的基础上去理解递归的含义时,虽然不太容易,但对内功的提升是很有帮助的,同时在纸上或者脑子里跑几一遍,能加深感性上的认识。

反问总结:

从整体递归解决方案上,该参数有什么含义?

从各个结点上对该结点的处理上,该参数有什么含义?

各处return在整体意义上、不同结点、不同分支上都返回的是什么?

这里为什么是xxx,为什么不是其他,还可以用什么代替?

能精简吗,或许有更优雅的写法?

最后,用非递归写法试试?

python123题目——个税计算器 类型:简单分支。 阅读详情

相关推荐

映泰TB250-BTC主板魔改BIOS支持8/9代CPU实战与开机故障排查

BIOS(基本输入输出系统)是计算机硬件与操作系统之间的桥梁,负责初始化硬件和提供运行时服务。其工作原理是通过存储在主板芯片中的固件程序,在上电自检(POST)阶段完成对CPU、内存等关键组件的检测与配置。魔改BIOS的技术价值在于突破硬件限制,通过修改微码和电源管理模块,让旧平台支持新处理器,从而以极低成本实现性能跃升,在预算有限或追求极致性价比的DIY、办公和软路由等应用场景中极具吸引力。本文以映泰TB250-BTC矿板为例,详细解析了通过软刷方式刷入魔改BIOS,并重点解决了刷写后常见的“开机风扇转一

weixin_29164185的博客 418

力扣(8) - 递增顺序搜索树

给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点 示例 1: 输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9] 输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9] 示例 2: 输入:root = [5,1,7] 输出:[1,null,5,null,7] 方案: Definit

Touale的博客 444

疑难问题(二)——PyTorch 2.3.0 ‘import torch‘ 错误排查:深入解析‘shm.dll‘加载失败与系统路径修复

本文深入解析了在Windows系统上安装PyTorch 2.3.0后,执行'import torch'时遇到的'shm.dll'加载失败错误(OSError)。该问题通常源于系统DLL搜索路径缺失,导致无法找到关键的共享内存通信组件或其依赖项。文章提供了核心解决方案:通过手动修改PyTorch的`__init__.py`文件,将用户基目录下的Library\bin路径添加到DLL搜索列表中,从而从根本上修复此导入错误,并给出了详细的修改步骤和验证方法。

weixin_29056865的博客 308

展开二叉搜索树(leetcode每日打卡)

目录 题目描述 题解 代码 题目描述 给你一棵二叉搜索树,请按中序遍历将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。 输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9] 输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9] 题解 题目要求我们返回按照中序遍历的结果改造而成的、只有右节点的等价二叉...

m0_60264772的博客 376

实用工具抓取youtube热门数据

YouTube作为全球第二大搜索引擎,2024年日均视频播放量突破50亿次,头部创作者单月广告分成可达百万美元量级。但对数据分析者而言,其反爬机制堪称业界最严: ‌反爬技术升级‌:Google部署的Botguard系统可检测异常流量,触发机制包括: 单IP每小时请求超过50次即封禁 检测Headless浏览器指纹(如Chrome的navigator.webdriver属性) 动态加载内容(如评论数据需滚动页面3次后加载) ‌数据价值维度‌:某MCN机构研究显示,前100热门视频的标题关键词复用率高达67%

26万+

【3D目标检测】MMdetection3d——搭建IS-Fusion环境+nuScenes数据集训练

搭建IS-Fusion环境+nuScenes数据集训练

qq_44703886的博客 2324

【树-简单】897. 递增顺序搜索树

【题目】 给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。 示例 1: 输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9] 输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9] 示例 2: 输入:root = [5,1,7] 输出:[1,null,5,null,7] 提示: 树中节点数的取

... 230

cesium 高程数据使用

cesium 高程数据使用高程数据下载高程数据切片简单数据服务 高程数据下载 使用地理空间数据云平台免费提供的高程数据。地理空间云平台 点击列表中的下载得到数据压缩包。例如:ASTGTM2_N22E114.zip 高程数据切片 使用cesium实验室工具对下载得到的压缩包进行切片。cesium实验室 切片得到的文件夹目录。 简单数据服务 使用nodejs的koa启动简单的资源服务。koajs 项目根目录新建data文件夹,在新建dem文件夹放高程数据。 注意目录自行更换,这里是./data/dem

哎哟这个凉白白的博客 1813

递增顺序搜索树

给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。 示例 1: 输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9] 输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9] 示例 2: 输入:root = [5,1,7] 输出:[1,null,5,null,7] 这道题没有什么难度,非常适合

YXXXYX的博客 342

在 SAP 系统中,成本中心(Cost Center)是成本核算与费用管控的基础组织单元,其设计质量直接决定了后续成本归集、分摊、分析及责任考核的准确性

SAP系统成本中心设计核心要点:1. 设计原则包括责任可控、业务同质、核算颗粒度适配、组织对齐及稳定性平衡;2. 划分维度主要有部门、功能、地域、项目和资产5类,可组合使用;3. 需避免颗粒度过细、跨责任主体归集等常见误区;4. 建议采用"明确目标-梳理业务-设计编码"三步法,建立科学的成本中心体系。合理的成本中心设计能精准归集费用、明确责任主体,为成本分析和管控奠定基础。

金牌架构师 1445

PLC批量读写优化:C# Modbus TCP多寄存器批量操作(效率提升50%)

效率提升:请求次数减少90%以上,通信耗时降低50%-95%;资源节约:减少网络带宽占用和PLC/上位机CPU负载;稳定性提升:更少的请求意味着更少的通信异常;适配高频采集:满足工业现场100ms/次的高频率数据采集需求。工业落地时需注意:批量操作的核心是地址连续化规划,提前与PLC工程师协同规划寄存器地址,是优化的前提;同时需配合重试、校验机制,确保批量操作的可靠性。

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 1262

897.递增顺序搜索树

刷算法题:第一遍:1.看5分钟,没思路看题解2.通过题解改进自己的解法,并且要写每行的注释以及自己的思路。3.思考自己做到了题解的哪一步,下次怎么才能做对(总结方法)4.整理到自己的自媒体平台。5.再刷重复的类似的题目,根据时间和任务安排刷哪几个板块6.用c++语言 都刷过一遍了 就刷中等。

m0_73800437的博客 459

【WRF-Chem工具】pyVPRM 计算大气与陆地植被之间的 CO₂ 交换通量

pyVPRM 计算大气与陆地植被之间的 CO₂ 交换通量

WW、forever的博客 211

递增顺序搜索树:BST中序遍历与原地改造全解析

二叉树遍历是数据结构与算法面试中的高频考点,其中中序遍历与二叉搜索树(BST)的递增序列性质紧密关联。理解这一性质后,如何将一棵BST原地改造为只有右子节点的递增顺序搜索树,成为检验遍历逻辑和指针操作能力的典型题目。从最直观的收集-重建写法,到递归、迭代以及O(1)空间的Morris遍历,每种方案都对应不同层次的工程思维与性能考量。这类改造不仅服务于LeetCode 897,还能延伸到不同的二叉搜索树计数、最优二叉搜索树C语言实现等进阶课题,帮助开发者串起树形DP、卡特兰数等知识点。掌握中序遍历的访问路径与

weixin_32183107的博客 88

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

温度PID控制PLC程序

温度PID稳定控制程序,适用于欧姆龙PLC,对其他PLC也具有很大参考价值

LC09:二叉树;迭代;递归

这篇文章以后记录自己刷题过程中碰到的与二叉树相关的题目,以及递归和迭代相关。 897.递增顺序搜索树 1372. 二叉树中的最长交错路径 208. 实现 Trie (前缀树) 450. 删除二叉搜索树中的节点

one2excellent的博客 348

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")

递增顺序搜索树:中序遍历与指针操作的深度解析

在算法与数据结构体系中,二叉搜索树(BST)是理解有序数据组织方式的基石,其中序遍历天然产生递增序列,这一特性被广泛应用于各类树形结构问题。递归与迭代是遍历操作的两大基本范式,而如何在遍历过程中高效修改节点指针,则体现了对引用传递和内存布局的掌握程度。现实中,无论是构建有序链表、优化空间复杂度,还是实现原地重构,都需要深刻理解树的链化过程。LeetCode 897题“递增顺序搜索树”正是将中序遍历、二叉搜索树、递归与链化操作结合的经典案例,通过分析不同解法的复杂度差异与边界处理,可以全面提升对树结构工程实践

weixin_28725553的博客 310

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

小黑2023年开年大吉,新年新气象,看到本科同学获得百度offer,焦虑&祝福的leetcode之旅:897. 递增顺序搜索树

加油,准备去调研zip打包流程

qq_37418807的博客 117

递增顺序搜索树:二叉搜索树中序遍历与原地重排的实战解析

二叉搜索树(BST)是一种基础数据结构,其核心特性是中序遍历得到严格递增序列。利用这一原理,可以高效完成查找、排序与范围查询。在实际工程中,对有序序列的动态维护常涉及线性表插入与树结构调整,比如递增有序顺序表的插入需要搬移元素,而BST的插入则通过指针完成。进一步地,不同的二叉搜索树形态由卡特兰数刻画,最优二叉搜索树则通过动态规划达到最小化查找代价。这些经典问题都共享同一套有序性规律。本文从LeetCode 897递增顺序搜索树出发,解析如何利用中序遍历将BST原地重排为一条右链,对比递归、显式栈与Morr

weixin_42525637的博客 85

二叉搜索树转递增链表:中序遍历与指针操作详解

二叉搜索树(BST)是一种基础数据结构,其左子树值小于根节点、右子树值大于根节点的特性,使其成为高效查找算法的核心。中序遍历作为BST的标准访问方式,能够按升序输出所有节点值,这一特性在树结构转换中具有重要工程价值。通过指针操作实现BST到单向链表的转换,是内存优化和序列化处理的典型场景。本文以LeetCode 897题为例,详解如何利用中序遍历特性,结合递归与迭代两种方式实现O(N)时间复杂度的转换算法,并分析Morris遍历实现O(1)空间复杂度的优化思路。该技术在数据库索引优化和数据结构扁平化处理等实

weixin_33428613的博客 200

一个算法笨蛋的12月leetCode刷题日记

时间 情况 2021年12月1日 2021年12月2日 2021年12月3日 2021年12月4日 2021年12月5日 2021年12月6日 【606】根据二叉树创建字符串(思路:不错,这题我有一丝悟到的递归的真谛,化简为繁。用语言难以表述,就是看完题目,感觉好复杂,好难啊。然后突然就能够静下心来,观察题目,将条件最简化。以前我也试过静下心来观察题目,但是还是感觉好烦躁,写不出递归。这次我成功了,势如破竹,一下就写出了递归,太强了) 2021年12月7日 ...

yuanchangliang的博客 4165

待做-待补充-每个节点做事,时间,以及与角度的关系

二叉树遍历 = 前中后序遍历= 递归遍历 + 3种时间节点递归遍历会依次遍历到每个节点。而前中后序则是在递归遍历的基础上选择操作发生的时间。

qq_42863961的博客 468

二叉搜索树中序遍历与递增顺序转换实战

二叉搜索树(BST)是一种基础数据结构,其核心特性是中序遍历结果必然升序。这一特性在算法题解中具有重要价值,例如LeetCode 897题要求将BST转换为仅含右子节点的递增顺序树。通过中序遍历的递归或迭代实现,可以高效完成这种结构转换,时间复杂度为O(N)。该技术在数据库索引优化和有序数据存储等工程场景中有实际应用,同时涉及指针操作、树遍历等编程基本功。掌握BST的中序遍历原理及其变形应用,能帮助开发者更好地解决树结构相关问题。

weixin_29597551的博客 269

⭐北邮复试刷题LCR 052. 递增顺序搜索树__DFS (力扣119经典题变种挑战)

给你一棵二叉搜索树,请 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。输出:[1,null,2,null,3,null,4,null,5,null,6,null,7,null,8,null,9]输入:root = [5,3,6,2,4,null,8,1,null,null,null,7,9]输出:[1,null,5,null,7]树中节点数的取值范围是 [1, 100]输入:root = [5,1,7]

xiangguang_fight的博客 481

LeetCode刷题笔记 二叉树 二叉搜索树的属性

二叉查找树简介 ​ 二叉查找树 / 二叉搜索树(Binary Search Tree, BST)是一种特殊的二叉树:对于每个父节点,其左子节点的值小于等于父结点的值,其右子节点的值大于等于父结点的值。因此对于一个二叉查找树,我们可以在 O(nlogn) 的时间内查找一个值是否存在:从根节点开始,若当前节点的值大于查找值则向左下走,若当前节点的值小于查找值则向右下走。同时因为二叉查找树是有序的,对其中序遍历的结果即为排好序的数组。 ​ 一个二叉查找树的实现如下: template <class T&g

王清欢的博客 3203

【二叉树】递增顺序搜索树

题目 给你一棵 二叉搜索树,请你按 中序 遍历 将其重新排列为一棵 递增 顺序搜索树 使树中最 左 边的节点成为树的 根 节点 并且每个节点 没有 左 子节点,只有一个 右 子节点

豪冷的博客 1738

数据结构-二叉搜索树转成递增顺序搜索树(Java)

二叉搜索树转成递增顺序搜索树 题目(力扣897题) 给你一棵二叉搜索树,请你 按中序遍历 将其重新排列为一棵递增顺序搜索树,使树中最左边的节点成为树的根节点,并且每个节点没有左子节点,只有一个右子节点。 方法一:中序遍历后生成新的树 1, 2, 代码实现 public TreeNode increasingBST(TreeNode root) { List<Integer> res = new ArrayList<Integer>(); //中序遍

淡沫初夏zz的博客 1015
上一篇: 7.整数反转
下一篇: 206.反转链表 递归,原地,栈,队列
会悟
博客等级 码龄9年 22粉丝 36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