leetcode--Flatten Binary Tree to Linked List

本文介绍了一种将二叉树结构转换为链表的方法,提供了两种不同的实现方式:递归方法和前序遍历方法。递归方法通过调整左右子节点连接,将左子树作为右子树进行展平;前序遍历方法则使用栈结构,迭代地展平二叉树。

Given a binary tree, flatten it to a linked list in-place.

For example,
Given

         1
        / \
       2   5
      / \   \
     3   4   6

 

The flattened tree should look like:

   1
    \
     2
      \
       3
        \
         4
          \
           5
            \
             6

click to show hints.

method 1 recursive method:

public class Solution {
    public void flatten(TreeNode root) {
        if(root != null){
			TreeNode aNode = root.left;
			if(aNode != null){
				while(aNode.right != null)
					aNode = aNode.right;
				aNode.right = root.right;
				root.right = root.left;
				root.left = null;
			}
			root = root.right;
			flatten(root);
        }    
    }
}

  

method2: preorder tree traversal method

public class Solution {
    public void flatten(TreeNode root) {
        Stack<TreeNode> nodes = new Stack<TreeNode>();
        if(root != null){
		    TreeNode currentNode = root;
			if(root.right != null)
			    nodes.push(root.right);
			if(root.left != null){
				nodes.push(root.left);
				root.left = null;
			}
			while(!nodes.isEmpty()){
				TreeNode aNode = nodes.pop();
				currentNode.right = aNode;
				//currentNode.left = null;
				currentNode = currentNode.right;
				if(aNode.right != null)
					nodes.push(aNode.right);
				if(aNode.left != null){
					nodes.push(aNode.left);
					aNode.left = null;
				}
			}
        }
    }
}

  

转载于:https://www.cnblogs.com/averillzheng/p/3785045.html

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
这段代码是一个**二叉树展开为链表**的解法,采用的是**后序遍历 + 头插法**的方式,将二叉树就地转换为一个**右偏的单链表**(即所有节点的 `left` 指针为空,`right` 指针指向后继节点)。 --- ## ✅ 问题描述(LeetCode 114. 二叉树展开为链表) 将一个二叉树原地修改为一个右偏的链表,例如: ``` 1 / \ 2 5 / \ \ 3 4 6 ``` 变成: ``` 1 \ 2 \ 3 \ 4 \ 5 \ 6 ``` --- ## ✅ 代码解析 ```cpp class Solution { TreeNode* head; // 用于记录当前链表的头部 public: void flatten(TreeNode* root) { if (root == nullptr) { return; } // 后序遍历:右 -> 左 -> 根 flatten(root->right); flatten(root->left); // 将当前节点插入链表头部 root->left = nullptr; // 左指针置空 root->right = head; // 右指针指向当前链表头 head = root; // 更新链表头为当前节点 } }; ``` --- ## 🧠 通俗解释 想象你是一个木匠,正在把一棵树的枝干**从下到上**、**从右到左**地一根一根地连接起来。 - 先处理右子树,再处理左子树,最后处理当前节点(**后序遍历**)。 - 使用一个 `head` 指针,始终指向链表的头部。 - 每次处理一个节点时,把它插在链表最前面(**头插法**)。 - 插入时,设置 `left = nullptr`,`right = head`,然后更新 `head`。 这样,整个树就被**从下到上地构建出一个右偏的链表**。 --- ## 🔁 举个例子 假设输入如下二叉树: ``` 1 / \ 2 5 / \ \ 3 4 6 ``` 后序遍历顺序为:3 → 4 → 2 → 6 → 5 → 1 构建过程如下: - 处理 3 → 链表:3 - 处理 4 → 链表:4 → 3 - 处理 2 → 链表:2 → 4 → 3 - 处理 6 → 链表:6 → 2 → 4 → 3 - 处理 5 → 链表:5 → 6 → 2 → 4 → 3 - 处理 1 → 链表:1 → 5 → 6 → 2 → 4 → 3 最终变成一个右偏的链表。 --- ## ✅ 时间复杂度 & 空间复杂度 - **时间复杂度**:O(n),每个节点访问一次。 - **空间复杂度**:O(h),递归栈深度,h 是树的高度。 --- ## ✅ 与其它方法的比较 | 方法 | 特点 | |------|------| | 前序遍历 + 重建链表 | 简单直观,但需要额外 O(n) 空间 | | 迭代 + 栈 | 类似前序遍历,需要栈空间 | | 后序遍历 + 头插法(本解法) | 原地修改,空间复杂度 O(h),递归栈开销 | | Morris 遍历 | 空间复杂度 O(1),最优化,但实现较复杂 | --- ###
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  | 博主筛选后可见
 
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