LeetCode 104. Maximum Depth of Binary Tree (C++)

本文介绍两种求解二叉树最大深度的方法:深度优先遍历和广度优先遍历。通过递归深入节点直至叶节点来计算深度,并利用队列实现层次遍历。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Given a binary tree, find its maximum depth.

The maximum depth is the number of nodes along the longest path from the root node down to the farthest leaf node.

方法一: 深度优先遍历

/**
 * Definition for a binary tree node.
 * struct TreeNode {
 *     int val;
 *     TreeNode *left;
 *     TreeNode *right;
 *     TreeNode(int x) : val(x), left(NULL), right(NULL) {}
 * };
 */
class Solution {
public:
    int maxDepth(TreeNode* root) {
        int maxLvl = 0;
        dfs(root, maxLvl, 0);
        return maxLvl;
    }
    
    void dfs(TreeNode* root, int& max, int level) {
        if(!root) return;
        if(level+1 > max) max = level+1;
        dfs(root->left, max, level+1);
        dfs(root->right, max, level+1);
    }
};

方法二:广度优先遍历, 用一个queue也可以做到分层遍历。

class Solution {
public:
    int maxDepth(TreeNode* root) {
        if(!root) return 0;
        int maxlvl = 0;
        queue<TreeNode*> nQueue;
        nQueue.push(root);
        while (!nQueue.empty()) {
            ++maxlvl;
            for(int i=0, n=nQueue.size(); i < n; ++i) {
                TreeNode* cur = nQueue.front();
                nQueue.pop();
                if (cur->left) nQueue.push(cur->left);
                if (cur->right) nQueue.push(cur->right);
            }
        }
        return maxlvl;
    }
};


内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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