Java学习笔记之二叉树的节点数、深度

java使用jtree动态实现二叉树 java使用jtree动态实现二叉树,包含二叉树的插入删除很查找 立即下载

在上篇博文《Java学习笔记之创建二叉树》后,我们现在来求增加二叉树的节点数、二叉树的深度的函数,以下代码中黄色背景是增加实现的代码,由于注释较多,我用绿色字体将自己解读的注解区分。

老样子还是先注明这句话:【本文的代码请见原创http://blog.youkuaiyun.com/wuwenxiang91322/article/details/12231657】


我是结合他的代码一行行通过注释解读自己的理解,从中温习java的语法结构及数据结构、算法的思想。如有错误,望批评指正~

package tree;
import java.util.Stack;

/**
 * 二叉树的链式存储
 * @author WWX
 */

public class BinaryTree{
//二叉树通常用树结点结构存储,有时也包含指向唯一父节点的指针
private TreeNode root = null;

//BinTree()该方法与类名字相同,所以是构造方法,被默认强制为void
public  BinaryTree(){
root = new TreeNode(1,"A");
}

/*创建二叉树,树由结点构成
* <pre>
*           A
*     B          C
*  D     E            F
*  </pre>
* @param root
* @author WWX
*/

public void createBinTree(TreeNode root){
TreeNode newNodeB = new TreeNode(2,"B");
TreeNode newNodeC = new TreeNode(3,"C");
TreeNode newNodeD = new TreeNode(4,"D");
TreeNode newNodeE = new TreeNode(5,"E");
TreeNode newNodeF = new TreeNode(6,"F");
root.leftChild = newNodeB;
root.rightChild = newNodeC;
root.leftChild.leftChild = newNodeD;
root.leftChild.rightChild = newNodeE;
root.rightChild.rightChild = newNodeF;

}

//节点个数

//二叉树的递归思想,先定义根节点root

public int size(){
return size(root);
}

//二叉树递归思想:定义根节点root后,再用subtree实现递归
private int size(TreeNode subtree){
if (subtree == null)
return 0;
else
{
return 1+size(subtree.leftChild)+size(subtree.rightChild);
}
}


//树的高度
//二叉树递归思想,先定义root

public int height(){
return height(root);

}

//二叉树递归思想,定义root后,再用subtree实现递归
private int height(TreeNode subtree){
if (subtree == null)
return 0;
else {
int i = height(subtree.leftChild);
int j = height(subtree.rightChild);
return (i<j)?(j+1):(i+1);
//三目运算符知识,如果(i<j)是真的,则返回j+1,否则返回i+1
}

}


/**
* 二叉树的节点数据结构
* @author WWX
*/

private class TreeNode{
private int key = 0; //key 为层序编码
private String data = null; //data 为数据域
private boolean isVisted = false;

/*     树的每一个节点的数据结构都是TreeNode类型,
createBinTree里定义的root为TreeNode类型,所以左右孩子也为TreeNode类型,
加上二叉树的递归思想,所以所有节点都是TreeNode类型
        */ 

private TreeNode leftChild = null;
private TreeNode rightChild = null;



/*TreeNode(int key,String data) 方法名与类名相同,所以为构造方法
* 
 为什么要用到this?
 因为在TreeNode()函数中需要该函数所属类的当前对象

//这里符合必须使用this的情况:
* 构造方法将外部传入的参数赋值给类的成员变量
* 构造方法的形式参数名称与类的成员变量名一致
*/

//构造方法的形式参数名称与类的成员变量名一致

public TreeNode(int key,String data){

this.key = key;//构造方法将外部传入的参数赋值给类的成员变量
this.data = null;
this.isVisted = false;
this.leftChild = null;
this.rightChild = null;

}
}


//测试
public static void main(String[] args) {
        BinaryTree bt = new BinaryTree();
        //TreeNode root = new TreeNode(0, "R"); 
        
      /*这里方法里需要bt.root是由于root变量在BinaryTree类里定义的,

       *根据作用域定义,root只在BinaryTree类里起作用,其它地方调用root,都需要  bt.root
       * 比如:如果写成bt.createBinTree(root),就变成root就不属于BinarTree类了
      */

        bt.createBinTree(bt.root);
        System.out.println("the size of the tree is " + bt.size());
       System.out.println("the height of the tree is " + bt.height());

        
    }
}
 


打印的结果如下:

the size of the tree is 6
the height of the tree is 3

二叉树 JTree java课程实验,二叉树开发,swing,jtree实现图形界面,功能:二叉树的创建、查找、插入、删除 立即下载

相关推荐

二叉树java实现

二叉树基本操作java实现,递归与非递归实现三种遍历顺序,对应的我的博客地址是: http://blog.youkuaiyun.com/u012320459/article/details/48025767#t8

java 二叉树(四)求二叉树的深度和节点总数

1.判断根节点是否为空 2.递归获取左子树的深度 3.递归获取右子树的深度 public int hight(Node node){ if(node==null){ return 0; }else{ int i=hight(node.getLeftChild()); int j=hight(node.getRightChild()); return (i<j)

Sun_Ru的博客 3754

Centos7配置阿里云镜像源的教程

查看你的Centos版本,版本过低会导致安装失败,验证网络是否可以连接阿里云镜像,使用阿里云是需要网络的。# wget命令下载: wget [options] [url]# curl命令下载: curl [options] [url]我上面这个图片由于电脑问题是还没有加载完的。删除原来或者之前的yun源。

lyhshs的博客 2261

Java实现二叉树地遍历、求深度和叶子结点的个数

一、分析   二叉树是n个结点所构成的集合,它或为空树,或为非空树。对于非空树,它有且仅有一个根结点,且除根结点以外的其余结点分为两个互不相交的子集,分别称为左子树和右子树,它们本身又都是二叉树。   显而易见,二叉树具有递归的性质,因此表示二叉树的结点至少要包含3个域:数据域、左指针、右指针。在Java中,我们可以将二叉树的结点视为一个类,其中含有左子树地址、右子树地址和数据三个属性,每个结...

weixin_30882895的博客 783

LabVIEW与MySQL实时数据存储:传感器采集与数据库同步实践

本文详细介绍了如何将LabVIEW与MySQL结合,实现传感器数据的实时采集与高效存储。通过设计合理的数据库表结构、配置LabVIEW数据库连接工具包,并编写核心的采集与存储VI,构建了稳定可靠的数据链路。文章重点分享了批量插入、连接管理、时间同步等关键优化技巧与避坑指南,帮助工程师应对工业监控、环境监测等场景下的实时数据同步挑战。

weixin_29281915的博客 262

通达信量化打板选股指标公式源码副图

X_2:=3*LOW;X_13:=4;X_14:=3;X_15:=2;X_16:=1;

gpzb7的博客 4489

二叉树的深度怎么算(Java代码实现)

题目:输入一棵二叉树的根节点,求该树的深度。从根节点到叶节点依次经过的节点(含根、叶节点)形成树的一条路径,最长路径的长度为树的深度。 示例: 给定二叉树 返回它的最大深度 3 。 解题思路: 我们可以使用广度优先遍历的方式,逐层遍历,每遍历一层,我们就让变量count++,最后返回count即可。 /** * Definition for a binary tree node. * public class TreeNode { * int val; * TreeNode l

越努力越幸运的博客 1976

多角度模板匹配的模板创建技巧

基于形状的模板匹配多角度创建技巧

manuoo的专栏 3403

Java实现求二叉树的深度和宽度

Java实现求二叉树的深度和宽度

V_S1r的博客 843

deepstream车道线检测自定义插件化,其中要注意pipeline的配置,如果插件位置配置不对,会报input format should be RGBA when using blur-obje

以上代码中,我们先从对象池中获取一个 DsUserMeta 对象,然后使用 get_lane_line_from_frame 函数获取车道线检测结果,并使用 add_lane_line_meta 函数将其添加到 DsUserMeta 对象中。注意,上述代码中的 get_lane_line_from_frame 函数和 add_lane_line_meta 函数需要你自己实现,用于从视频帧中提取车道线检测结果,并将其添加到 DsUserMeta 中。

pvmsmfchcs的博客 690

使用CUDA进行按流排序的内存分配的示例程序

在GPU编程中,按流排序的内存分配是一种常见的优化技术,它可以提高内存访问的效率。通过将内存分配与特定的CUDA流相关联,可以确保在GPU上的并发操作期间,内存分配操作与其他GPU计算操作同时进行,从而减少了潜在的内存访问延迟。请注意,上述示例中的代码仅供参考,并可能需要根据实际需求进行修改和调整。此外,为了完整性,我们省略了一些细节,例如主机指针的分配和释放,以及错误处理和错误检查等。在该示例中,我们创建了4个CUDA流,并使用内存池进行内存分配。然后,我们在每个流上执行了相应的内存访问操作,并使用。

Byte_O_O的博客 282

java二叉树的深度_Java实现求二叉树的深度和宽度

这个是常见的对二叉树的操作。总结一下:设节点的数据结构,如下:class treenode {char val;treenode left = null;treenode right = null;treenode(char _val) {this.val = _val;}}1.二叉树深度这个可以使用递归,分别求出左子树的深度、右子树的深度,两个深度的较大值+1即可。// 获取最大深度public...

weixin_39787594的博客 419

rk3588主板PDM接口接数字MIC录音

本文介绍了Rockchip 3588平台上6麦克风PDM接口的硬件连接与软件调试过程。硬件方面展示了PDM0_CLK0_M0时钟脚和三组数据脚的连接方案。软件配置包括设备树修改,生成声卡节点,并提供了6通道录音命令示例。文章重点分析了两个常见问题:录音无声(需检查供电、接线和波形)和通道数据缺失(需正确配置rockchip,path-map寄存器映射)。最后通过Audition工具验证录音文件,确认各通道工作正常。调试过程完整展现了从硬件连接到软件配置的完整流程。

m0_60805802的博客 1015

二叉树遍历,求深度,节点数,叶子节点数等基础算法

二叉树是很重要的数据结构。本文代码采用java语言,主要实现了二叉树的先序遍历,中序遍历,后序遍历,二叉树各节点深度之和,二叉树总节点数,二叉树最大深度,二叉树最小深度,二叉树叶子节点数算法。 //二叉树节点的结构class Node { Node leftChild; Node rightChild; int data; } /** * 先序遍历 */ public sta

等不到天黑,烟火不会太完美 2130

复旦微FMSH_Procise安装全流程详解:从环境配置到实战避坑指南

通过本文的全流程解析+实战技巧,开发者可快速掌握Procise在复旦微芯片开发中的核心应用。未来随着AKConv轻量级架构(参考往期文章)等创新技术的融入,国产芯片开发生态将更加完善。立即关注本专栏,获取最新多镜像切换指南与Linux SDK实战教程!扩展阅读复旦微在线升级BOOT.BIN全解析H7-TOOL实现复旦微脱机烧录(注:本文实验环境为Windows 10 x64 + FMQL45T-CORE开发板,部分操作可能因版本更新调整)立即行动下载本文配套配置文件:[GitHub链接]加入技术交流群。

QQ_778132974的博客 3241

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

【数据结构】树-实现树的深度、叶子数、节点数(c++、java)

URLeisure的实现树的深度、叶子数、节点数“完美”复习资料。

扑腾的江鱼复习仓库 2164

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

【Leetcode】二叉树的最大深度

题目描述: 给定一个二叉树,找出其最大深度。 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 说明:叶子节点是指没有子节点的节点。 示例: 给定二叉树[3,9,20,null,null,15,7], 3 / \ 9 20 / \ 15 7 返回它的最大深度3 。 解题思路: 递归求解吧。 CppAC代码: /** ...

麦芽雪冷萃 6018

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")

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

leetcode刷题|二叉树的最大 最小深度以及节点数【DFS】

注意不能按照最大深度写法,因为如果根节点没有左孩子,或者右孩子的话,最小值就是1而非最近的叶子节点的路径上的节点数。采用后续遍历的方式,因为是N叉树,所以要循环遍历N叉树 Node<List> root.children。二叉树的高度:叶子节点到任意根节点的最长路径节点数(叶子节点为1)二叉树的深度:根节点到任意叶子节点的最长路径节点数(根节点为1)避免误区,如果没有左子树,最小深度就是 1+ 右子树的高度。确定返回值和参数:返回int类型,参数是root节点。确定单层的逻辑:左子树+右子树+1。

xiaoxiao_tx的博客 120

二叉树的深度和高度

给定一个二叉树, 找出其最大深度。二叉树的深度为根节点到最远叶子节点最长路径上的节点数。如二叉树 [ 3, 9, 20, null, null, 15, 7 ]的最大深度为3:先看一个简单的情况:对于节点 3, 最大深度自然是左右子节点 + 1, 左右子节点都有可能为空, 但只要有一个, 树的最大高度就是 1 + 1 = 2。然后再增加几个节点:而对于节点 3, 则是左右子树深度最大的那个然后 + 1, 具体谁更大, 并不关心。

Mamba_Stan的博客 1万+

Java二叉树面试题讲解

此文章主要为大家讲解了Java数据结构中二叉树的相关面试题的练习讲解,并为大家提供了做题链接以及做题思路,那么接下来大家就去刷题吧!!!

xinhang10的博客 1339

JAVA构造、操作(遍历、节点数、叶子节点数、复制)二叉树

二叉树的构建与基本操作

No_Words_的博客 1674

Java代码求二叉树深度

首先,我们需要定义二叉树节点的数据结构。int val;val = x;这个类有一个整数值val表示节点的值,以及两个TreeNode类型的引用left和right分别指向左子节点和右子节点。计算二叉树的深度是许多算法和数据结构问题中的常见任务。在 Java 中,通过递归方法可以简洁地实现这一功能。本文提供的代码和解释能够帮助你理解并实现计算二叉树深度的逻辑,并可作为处理其他树形问题的基础。递归在处理此类问题时表现出的优雅和强大,使得它成为面试和实际开发中的重要技能。

My_wife_QBL的博客 635

Java二叉树

Java二叉树

weixin_44070116的博客 1899

日撸 Java 三百行: DAY21 二叉树的深度遍历的递归实现

0.主题 今天实现递归版本的二叉树深度遍历,并实现两个基于此遍历的方法,即求二叉树深度与二叉树结点数。 1.二叉树的深度遍历 深度优先遍历,顾名思义就是一直往深处遍历,直到无路可走再回头换个方向继续往深处遍历,一直到所有结点都被遍历过为止。 在二叉树中,有前序遍历、中序遍历、后序遍历,他们都是对二叉树的深度遍历,区别在于处理结点的时机不同。前序遍历是先处理根结点,然后递归遍历左右子树,而中序遍历、后序遍历则分别是左根右和左右根的处理顺序。 2.程序 1. 二叉树 二叉树中的结点包括三个元素,即结点的值,指向

qq_69515036的博客 2045

leetcode 102 二叉树的最大深度 -- java版

文章目录题目代码 题目 给定一个二叉树,找出其最大深度。 二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。 说明: 叶子节点是指没有子节点的节点。 示例: 给定二叉树 [3,9,20,null,null,15,7], 3 / 9 20 / 15 7 返回它的最大深度 3 。 代码 /* * @lc app=leetcode.cn id=104 lang=java * *...

lingle1的博客 338

LeetCode100之二叉树的直径(543)--Java

这道题,只需要理清几个概念直接的关系,就可以将问题简化成我们曾经做过的求深度问题,这样问题也就轻松解决了。

2301_79318558的博客 1377
上一篇: java学习笔记之图的遍历(广度优先搜索BFS)
下一篇: Binary Tree Inorder Traversal @ LeetCode
samnancy
博客等级 码龄19年 4粉丝 10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