重建二叉树

【题目】

输入某二叉树的前序遍历和中序遍历的结果,请重建出该二叉树。假设输入的前序遍历和中序遍历的结果中都不含重复的数字。例如输入前序遍历序列{1,2,4,7,3,5,6,8}和中序遍历序列{4,7,2,1,5,3,8,6},则重建二叉树并返回。

【思路】

在二叉树的前序遍历序列中,第一个数字总是树的根节点的值。但在中序遍历中,根节点的值在序列的中间,左子树的结点的值位于根节点的值的左边,而右子树的结点的值位于根节点的右边。因此我们需要扫描中序遍历序列,才能找到根节点的值。

如图所示,前序遍历序列的第一个数字1就是根节点的值。扫描中序遍历序列,就能确定根节点的值的位置。根据中序遍历的特点,在根节点的值1前面3个数字都是左子树结点的值,位于1后面的数字都是右子树结点的值。

由于中序遍历序列中,有3个数字是左子树结点的值,因此左子树总共有3个左子结点。同样,在前序遍历的序列中,根节点后面的3个数字就是3个左子树结点的值,再后面的所有数字都是右子树结点的值。这样我们就在前序遍历和中序遍历两个序列中,分别找到了左右子树对应的子序列。
这里写图片描述

【代码】

    //重建二叉树
    public static TreeNode reConstructBinaryTree(int[] pre,int[] in){
        if(pre==null||in==null||pre.length!=in.length) return null;
        return core(pre,0,pre.length-1,in,0,in.length-1);
    }

    private static TreeNode core(int[] pre, int preStart, 
            int preEnd, int[] in, int inStart, int inEnd) {
        TreeNode node=new TreeNode(pre[preStart]);//先序数组起点就是根节点
        if(preStart==preEnd){//只有一个节点
            if(inStart!=inEnd || pre[preStart]!=in[inStart]){
                System.out.println("input valid");
            }
        }
        int i=0;
        while(pre[preStart]!=in[inStart+i]){
            i++;//查找中序数组的根节点
        }
        //构建左子树
        if(i==0){
            node.left=null;
        }else{
            node.left=core(pre,preStart+1,preStart+i,in,inStart,inStart+i-1);
        }
        //构建右子树
        if(inStart+i==inEnd){
            node.right=null;
        }else{
            node.right=core(pre,preStart+i+1,preEnd,in,inStart+i+1,inEnd);
        }
        return node;

    }
基于NSGA-III算法求解微电网多目标优化调度研究(Matlab代码实现)内容概要:本文围绕基于NSGA-III算法的微电网多目标优化调度展开研究,重点介绍了如何利用该先进多目标进化算法解决微电网系统中多个相互冲突的目标(如运行成本最小化、碳排放最低、供电可靠性最高等)的协同优化问题。文中结合Matlab代码实现,详细阐述了NSGA-III算法的基本原理、在微电网调度模型中的建模过程、约束条件处理、目标函数设计以及仿真结果分析,展示了其相较于传统优化方法在求解高维、非线性、多目标问题上的优越性。同时,文档还提供了丰富的相关研究案例和技术支持背景,涵盖电力系统优化、智能算法应用及Matlab仿真等多个方面。; 适合人群:具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事能源优化领域的工程技术人员;尤其适合正在进行微电网调度、多目标优化算法研究或撰写相关论文的研究者。; 使用场景及目标:①掌握NSGA-III算法的核心思想及其在复杂能源系统优化中的应用方式;②学习如何构建微电网多目标调度模型并利用Matlab进行仿真求解;③为科研项目、毕业论文或实际工程提供算法实现参考和技术支撑。; 阅读建议:建议读者结合文中提供的Matlab代码实例,逐步调试运行并深入理解算法流程与模型构建细节,同时可参考文档中列出的其他优化案例进行横向对比学习,以提升综合应用能力。
内容概要:本文深入探讨了YOLOv11目标检测模型在计算机竞赛中的应用价值,介绍了其作为实时目标检测前沿技术的核心原理,即通过单次前向传播实现目标分类与定位,具备高精度与高速度的优势。文章阐述了YOLOv11基于深度学习和卷积神经网络的特征提取机制,并重点分析了在竞赛中提升性能的关键技巧,包括数据集精细化管理、针对性数据增强策略(如光照调整)、模型结构选择与学习率调度优化。结合自动驾驶、医疗影像分析和环境监测等实际应用场景,展示了其广泛适用性。并通过一段完整的代码实例,详细解析了模型加载、图像预处理、推理、后处理及结果可视化的全流程。最后展望了YOLOv11未来在硬件加速、多模态融合及模型可解释性方面的演进趋势。; 适合人群:具备一定深度学习基础,参与计算机视觉相关竞赛的高校学生、研究人员及算法工程师;熟悉Python和PyTorch框架的技术人员。; 使用场景及目标:①掌握YOLOv11在各类计算机竞赛中的实际部署方法;②学习如何针对特定任务优化模型性能;③理解从数据处理到结果可视化的完整目标检测流程;④为参赛项目提供高效、可靠的解决方案。; 阅读建议:建议结合代码实例动手实践,复现检测流程,并根据具体竞赛需求调整数据增强策略与模型参数,同时关注模型轻量化与推理效率的平衡。
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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