图解数据结构(6)——树及树的遍历

图解先中后序遍历 目录其实从名字就可以很好的理解这三种遍历,我在第二点时候说,但是估计能翻到我的文的同学们之前肯定看过好多类似的了,那咱们换个思路~ 先用我想的一种简单易懂的形象思维理解一下前序、中序、后序 +层序!先序遍历可以想象成,小人从树根开始绕着整棵树的外围转一圈,经过结点的顺序就是先序遍历的顺序 先序遍历结果:ABDHIEJCFKG让我们来看下动画,和小人儿一起跑两遍就记住啦,记住是绕着外围跑哦 中序遍历可以想象成,按树画好的左右位置投影下来就可以了 ... 阅读详情
转载地址   http://www.cnblogs.com/yc_sunniwell/archive/2010/06/27/1766233.html
图解数据结构(6)——树及树的遍历

八、树(Tree)
树,顾名思义,长得像一棵树,不过通常我们画成一棵倒过来的树,根在上,叶在下。不说那么多了,图一看就懂:


当然了,引入了树之后,就不得不引入树的一些概念,这些概念我照样尽量用图,谁会记那么多文字?


树这种结构还可以表示成下面这种方式,可见树用来描述包含关系是很不错的,但这种包含关系不得出现交叉重叠区域,否则就不能用树描述了,看图:


面试的时候我们经常被考到的是一种叫“二叉树”的结构,二叉树当然也是树的一种了,它的特点是除了叶以外的节点都有两个子,图:


由此我们还可以推出“三叉树”:


当然还有“四叉树”,“五叉树”,“六叉树”……但太难画了,节点太多,略过。
九、树的遍历(Traversal)
值得再提一下的是二叉树,因为它确实比较特别,节点有两个子,这两个子是有左右之分的,颠倒一下左右,就是不一样的二叉树了,所以左右是不能随便颠倒的。


在第三篇讲到“队”的时候,提及到了广度优先遍历(Breadth-first traversal),除了广度优先遍历之外,还有深度优先遍历(Depth-first Traversal),深度优先遍历又可分为:前序遍历(Preorder Traversal),后序遍历(Postorder Traversal)和中序遍历(Inorder Traversal),其中中序遍历只有对二叉树才有意义,下图解释这几种遍历:


好了,又到代码阶段,写点代码。我看过许多数据结构的教材,二叉树遍历都是必不可少的内容,而且我知道的全部都是用递归实现的,现在,我要求你不用递归,实现对二叉树的中序遍历。怎么办?我给个提示:广度优先遍历时候我们用了队,中序遍历,我们使用*栈*。看看能不能写出来,我也来写:
#include <stdio.h>

// TreeNode
//////////////////////////////////////////////////////////////////////////
struct TreeNode
{
char m_cVal;
TreeNode* m_pLeft;
TreeNode* m_pRight;

TreeNode(char cVal);
~TreeNode();
};

TreeNode::TreeNode(char cVal)
{
m_cVal = cVal;
m_pLeft = 0;
m_pRight = 0;
}

TreeNode::~TreeNode()
{

}

//Stack
//////////////////////////////////////////////////////////////////////////
class Stack
{
public:
Stack(int iAmount = 10);
~Stack();

//return 1 means succeeded, 0 means failed.
int Pop(TreeNode* &pVal);
int Push(TreeNode* pVal);
int Top(TreeNode* &pVal);

//1 means not null, 0 means null.
int NotNull();
private:
TreeNode **m_ppData;
int m_iCount;
int m_iAmount;
};

Stack::Stack(int iAmount)
{
m_ppData = new TreeNode*[iAmount];
m_iCount = 0;
m_iAmount = iAmount;
}

Stack::~Stack()
{
delete m_ppData;
}

int Stack::Pop(TreeNode* &pVal)
{
if(m_iCount>0)
{
--m_iCount;
pVal = m_ppData[m_iCount];
return 1;
}
return 0;
}

int Stack::Push(TreeNode* pVal)
{
if(m_iCount<m_iAmount)
{
m_ppData[m_iCount] = pVal;
++m_iCount;
return 1;
}
return 0;
}

int Stack::Top(TreeNode* &pVal)
{
if(m_iCount>0 && m_iCount<=m_iAmount)
{
pVal = m_ppData[m_iCount-1];
return 1;
}
return 0;
}

int Stack::NotNull()
{
if(m_iCount!=0)
return 1;
return 0;
}

int main(int argc, char* argv[])
{
//Construct the tree.
// A
// / \
// / \
// B C
// \ / \
// D E F
// \ \
// G H
// / \
// I J
// / \
// K L
TreeNode nA('A');
TreeNode nB('B');
TreeNode nC('C');
TreeNode nD('D');
TreeNode nE('E');
TreeNode nF('F');
TreeNode nG('G');
TreeNode nH('H');
TreeNode nI('I');
TreeNode nJ('J');
TreeNode nK('K');
TreeNode nL('L');

nA.m_pLeft = &nB;
nA.m_pRight = &nC;
nB.m_pRight = &nD;
nD.m_pRight = &nG;
nC.m_pLeft = &nE;
nC.m_pRight = &nF;
nF.m_pRight = &nH;
nH.m_pLeft = &nI;
nH.m_pRight = &nJ;
nI.m_pLeft = &nK;
nI.m_pRight = &nL;

Stack st;

//Inorder traversal
TreeNode *pVal = &nA;
int iPopped = 0;
while(pVal!=0)
{
if(pVal->m_pLeft!=0 && iPopped==0)
{
st.Push(pVal);
pVal = pVal->m_pLeft;
iPopped = 0;
}
else if(pVal->m_pRight!=0)
{
printf("%c ", pVal->m_cVal);
pVal = pVal->m_pRight;
iPopped = 0;
}
else
{
printf("%c ", pVal->m_cVal);
if(0==st.Pop(pVal))
break;
iPopped = 1;
}
}
return 0;
}


手把手安装GNN必备库 —— pytorch_geometric PyG全称是Pytorch Geometric,它是一个基于Pytorch构建的库,可以帮助用户快速构建和训练自己的图神经网络模型。PyG中实现了很多先进(state of the art)的GNN模块,例如GCN、GraphSage、GAT、SGC、GIN等等。此外,PyG中还包含了大量的benchmark图数据集、丰富的图数据操作方法、支持多GPU。 阅读详情

相关推荐

WVP-GB28181-Pro配置避坑指南:从零到上线全流程详解(含ZLM自动同步技巧)

本文详细解析了WVP-GB28181-Pro视频平台的配置流程,特别针对国标视频平台部署中的常见陷阱,如stream-ip/sdp-ip配置错误、ZLM自动同步问题及端口冲突等,提供了实用的解决方案和优化建议,帮助开发者快速实现从零到上线的全流程部署。

weixin_30836759的博客 93

树的遍历及根据遍历顺序反推树的形状

三种遍历顺序 以上是网上随便找的一个树 前序遍历:FCADBEHGM(根左右) 中序遍历:ACBDFHEMG(左根右) 后序遍历:ABDCHMGEF(左右根) 中序遍历步骤 中序遍历的规则是【左根右】,我们从root节点A看起; 此时F是根节点,遍历F的左子树; F的左子树存在,找到C,此时C看做根节点,遍历C的左子树; C的左子树存在,找到A,此时A看做根节点,遍历A的左子树; A的左子树不存在,返回A,根据【左根右】的遍历规则,记录A,遍历A的右子树;(此时记录顺序为:A) A的右子树不存在,返回C,

weixin_42144277的博客 1005

AI Agent评估:指标、策略与最佳实践

AI智能体正逐渐融入到各个领域,从日常的对话助手到复杂的工作流程自动化,其应用范围不断拓展。然而,确保这些智能体能够可靠、高效地完成任务至关重要,这就使得AI智能体评估成为了人工智能发展过程中不可或缺的一环。本文将深入探讨AI智能体评估的指标、策略以及最佳实践,为读者全面解读这一关键领域。

llm_way的博客 3498

让二叉树更好——三叉树和线索二叉树(遍历的简化)

你是否已经厌倦了,那只能找到孩子却不能反向寻找双亲结点,那遍历起来想要砸键盘的、陈旧的二叉树?今天,就是我们站起来了的时候了。(雾) 好了不皮了,先看一下定义 三叉树 这个名字不是指度最大为三的树,而是在二叉树(两个指针)的基础上多了个指针,因为二叉树找双亲结点只能用栈存储然后回溯,或者只能一个个结点的寻找,非常麻烦的。 (别问名字为什么这样,问就是学校ppt教的,不过也很形象) 好处: 首先就是找到从根节点到任意节点的路径方便了很多; 另外是在非递归遍历的时候,之前的二叉树结构想要回溯就只能借助栈,而现在

筱羊冰冰 2317

运放偏置电路设计:如何精准计算差分放大器的电压偏移量

本文深入解析了差分放大器偏置电路的设计原理与精准计算方法,重点阐述了如何通过引入参考电压实现信号电压偏移,以适应单电源ADC的输入范围。文章结合实战案例,详细推导了偏移电压公式,并强调了电阻匹配、运放选型及PCB布局对精度和共模抑制比的关键影响,帮助硬件工程师避免常见设计陷阱。

weixin_29288313的博客 634

基于STM32与HRTIM的四开关Buck-Boost双向DC-DC电源设计实战(附源码、仿真与设计解析)

本文详细介绍了基于STM32F334的HRTIM高分辨率定时器实现四开关Buck-Boost双向DC-DC电源的设计实战。通过精准的PWM控制、双环PID算法和智能模式切换逻辑,解决了电压震荡与效率优化等关键问题,并提供了完整的源码、PSIM仿真及参数计算,为高性能电源设计提供了实用参考。

7z8x2c4v6b9的博客 299

WEB:如何优化大数据菜单展示的攻略指南

WEB:如何优化大数据菜单展示的攻略指南

木头 794

深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)

深度学习基于Resnet18的图像多分类--训练自己的数据集(超详细 含源码)

她是不会无条件的!! 2万+

根据遍历结果画出二叉树

二叉树、先根、后根、中序遍历 先根:先访问当前节点再遍历左子树,再遍历右子树 后根:先遍历左子树,再遍历右子树,然后访问当前节点 中序:先访问左子树,然后访问当前节点,再访问右子树 例:已知一棵二叉树的中序遍历得到的结点序列是:DEBAFCHG, 后序遍历得到的结点序列是:EDBFHGCA,画出这棵二叉树 先根据后续遍历的结果,得出该二叉树的根为A,再根据中序遍历得到的结果可分为左子树(DEB)右子树(FCHG) 再根据后续遍历结果得出左子树辈分最高的为为B(EDB),再根据后续结果得出右子树中辈分最高的

m0_47968686的博客 3704

Unity URP半透明物体渲染避坑指南:双面渲染与深度写入的实战技巧

本文深入探讨了Unity URP中半透明物体自交叠渲染问题的核心根源与解决方案。针对模型自身交叠导致的排序错误,文章提供了双面渲染与深度写入两种实战技巧,详细分析了其实现原理、性能开销及适用场景,帮助开发者根据项目需求选择最优方案,有效提升玻璃、水体等材质的视觉表现。

sunny的博客 545

加法器设计—— 原理图与VHDL设计初步

1、在DE2-115开发板上,完成4位全加器系统的设计、下载和功能演示,并在FPGA上实现1位全加器;2、完成3-8译码器的设计、下载和功能演示(利用板上的8段数码管)本次实验在组合逻辑电路的基础上,运用Verilog编程实现了四位全加器和3-8译码器的设计,同时实现了在DE2-115开发板上的下载和功能演示。整个过程加深了我对电路设计和Verilog编程的理解,同时也锻炼了解决问题的能力。

m0_74749526的博客 1237

【数据结构】树-树和森林的遍历(动态图解)

URLeisure的树和森林的遍历“完美”复习资料。

扑腾的江鱼复习仓库 1万+

康耐视visionpro-CogCreateSegmentAvgSegsTool操作工具详细说明

康耐视visionpro-CogCreateSegmentAvgSegsTool操作工具详细说明

视觉人机器视觉的博客 1480

树的后根遍历图解_图解 6 种树,你心中有数吗。。。

数据结构这门课程是计算机相关专业的基础课,数据结构指的是数据在计算机中的存储、组织方式。我们在学习数据结构时候,会遇到各种各样的基础数据结构,比如堆栈、队列、数组、链表、树...这些基本的数据结构类型有各自的特点,不同数据结构适用于解决不同场景下的问题。树形结构相比数组、链表、堆栈这些数据结构来说,稍微复杂一点点,但树形结构可以用于解决很多实际问题,因为现实世界事物之间的关系往往不是线性...

weixin_39914752的博客 5458

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

22计算机408考研—数据结构—树定义,遍历,Huffman,并查集

手把手教学考研大纲范围内树定义,遍历,Huffman,并查集 22考研大纲数据结构要求的是C/C++,笔者以前使用的都是Java,对于C++还很欠缺, 如有什么建议或者不足欢迎大佬评论区或者私信指出 初心是用最简单的语言描述数据结构 Talk is cheap. Show me the code. 理论到处都有,代码加例题自己练习才能真的学会 树的基本概念 二叉树顺序存储的定义 树的基本概念 我们还记得线性表是 一个结点连着一个结点 树相对于线性表来说是 一个结点连着多个结点 1 结点.

日常发呆 3万+

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【图解数据结构】树及树的遍历

当你第一次学习编码时,大部分人都是将数组作为主要数据结构来学习。 之后,你将会学习到哈希表。如果你是计算机专业的,你肯定需要选修一门数据结构的课程。上课时,你又会学习到链表,队列和栈等数据结构。这些都被统称为线性的数据结构,因为它们在逻辑上都有起点和终点。 当你开始学习树和图的数据结构时,你会觉得它是如此的混乱。因为它的存储方式不是线性的,它们都有自己特定的方式存储数据。 定义 ...

ayuo44400001的博客 1540

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")

树的遍历(图解版)

本文回顾了树的基本概念、分类、核心操作及应用场景。首先介绍了树的非线性层次化结构和相关术语(节点、边、层次、深度等),然后根据结构特征将树分为普通树、二叉树和多叉树,重点讲解了二叉树的特殊类型(满二叉树、完全二叉树、平衡二叉树)。接着详细阐述了树的遍历(深度优先和广度优先)、插入、删除和查找操作,并分析了树在数据存储、字符串处理、算法计算等领域的典型应用。最后通过与其他数据结构的对比,总结了树在表达层级关系和高效率操作方面的优势。文章还提供了二叉树前序遍历的Java代码示例和栈执行过程说明。

weixin_62307424的博客 1138

【数据结构】万字长文图解+代码实现AVL树

在插入后这个时候我们通过观察发现此时这颗AVL树不平衡了,那么我们先要对这颗树上的节点进行平衡因子的更新,我们从插入的位置开始向上进行遍历,如果当前节点是父亲节点的左孩子就让父亲节点平衡因子--,因为是在左子树进行了插入而右子树不变 bf = 右子树高度- 左子树高度,左子树+1相当于 bf = 右子树高度- (左子树高度 + 1)= bf--,同理如果当前节点是父亲节点的右子树那么就让父亲节点的bf++我们完成了上述插入1的操作,并且通过右单旋维护了AVL树的平衡,此时我们再向上面树中插入80和90。

qq_61903414的博客 1625

天勤数据结构:树与二叉树(图解二叉树的三种遍历方式执行流程,超详细)

数据结构(第六章) 树与二叉树 1. 树与二叉树的相互转换 2. 森林与二叉树的相互转换 3. 二叉树的遍历 3.1 层序遍历(广度优先遍历) 2. 深度优先遍历 3. 树转化为二叉树的遍历 将一颗 普通树 转化为 二叉树 后: 二叉树的 先序遍历,等效于普通树的 先序遍历 二叉树的 中序遍历,等效于普通树的 后序遍历 4. 补充:详细图解递归函数的执行流程 4.1 单递归入口 4.2 双递归入口 4.3 二叉树递归遍历原理 (1)递归遍历到每一个节点的原理 执行流程如下。在此原理基础上,我们

寒泉 6万+

【数据结构基础整理】树--05:图解-树的后序遍历

图解树的后序遍历递归执行过程 本章建立在以下章节的基础上: C数据结构与算法-基础整理-树-02:二叉树的建立及四种遍历方式 C数据结构与算法-基础整理-树-03:图解-通过前序遍历对递归执行原理的深入理解 C数据结构与算法-基础整理-树-04:图解-树的中序遍历 后序遍历函数递归执行过程图解 代码如下: //后序遍历,递归实现 void PostorderTraversal(...

ATFWUS的博客 888
上一篇: C# main函数详解及参数应用
下一篇: static全局变量与普通的全局变量有什么区别?
koself
博客等级 码龄17年 22粉丝 25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