AVL平衡树(AVL Tree)

**场景:课堂讨论**


**小明(ESFP学生)**:张老师,为什么AVL树(AVL Tree)中的旋转操作这么重要?感觉只是节点的移动,有没有什么实际意义?

**张老师(ENTP老师)**:好问题,小明!旋转在AVL树中不只是简单的节点移动,它在保持树的平衡性方面起着关键作用。让我用几个例子来说明。

例子1:图书馆书架摆放

  • **张老师**:想象一下,图书馆的书架(Bookshelf)如果一边书多,一边书少,拿书的时候是不是很不方便?

  • **小明**:是的,会导致某边的书难以找到。

  • **张老师**:AVL树的旋转就像重新摆放书架上的书,让两边的书一样多,方便取书。

**代码示例**:

```python

节点类定义

class TreeNode:

def init(self, value):

self.value = value

self.left = None

self.right = None

self.height = 1

def right_rotate(y):

x = y.left # x是y的左子节点

T2 = x.right # T2是x的右子树,准备重新挂接

x.right = y # y成为x的右子节点

y.left = T2 # T2成为y的左子节点

更新高度

y.height = 1 + max(get_height(y.left), get_height(y.right))

x.height = 1 + max(get_height(x.left), get_height(x.right))

return x # 返回新的子树根节点

def get_height(node):

if not node:

return 0

return node.height

```

这段代码定义了一个简单的AVL树节点类`TreeNode`以及一个用于右旋的函数`right_rotate`。我们可以逐步解释这段代码的组成部分和功能:

1. `TreeNode` 类

```python

class TreeNode:

def init(self, value):

self.value = value

self.left = None

self.right = None

self.height = 1

```

  • **`init` 方法**:初始化一个树节点。

  • `value`:节点的值。

  • `left` 和 `right`:指向左子节点和右子节点的指针,初始为 `None`。

  • `height`:节点的高度,初始为1,因为新节点没有子节点时,高度为1。

2. `right_rotate` 函数

```python

def right_rotate(y):

x = y.left # x是y的左子节点

T2 = x.right # T2是x的右子树,准备重新挂接

x.right = y # y成为x的右子节点

y.left = T2 # T2成为y的左子节点

更新高度

y.height = 1 + max(get_height(y.left), get_height(y.right))

x.height = 1 + max(get_height(x.left), get_height(x.right))

return x # 返回新的子树根节点

```

  • **参数 `y`**:需要进行右旋转的子树的根节点。

  • **旋转过程**:

  1. `x = y.left`:将 `y` 的左子节点 `x` 存储。

  2. `T2 = x.right`:将 `x` 的右子树(如果有)存储为 `T2`。

  3. `x.right = y`:将 `y` 设为 `x` 的右子节点。

  4. `y.left = T2`:将 `T2` 挂在 `y` 的左子节点上。

  • **更新高度**:

  • `y.height`:重新计算 `y` 的高度,等于其左右子树高度的最大值加1。

  • `x.height`:重新计算 `x` 的高度。

  • **返回值**:返回新的子树根节点 `x`。

3. `get_height` 函数

```python

def get_height(node):

if not node:

return 0

return node.height

```

  • **功能**:返回节点的高度。如果节点不存在(`None`),返回高度为0。

使用场景

  • 这些函数是AVL树实现的一部分。AVL树是一种自平衡的二叉查找树,插入和删除操作后会通过旋转保持树的平衡。

  • `right_rotate` 是在AVL树中处理左重情况的一种旋转操作,它在插入或删除节点后用于恢复平衡。

示例

假设我们有一个不平衡的子树:

```

y

/

x

\

T2

```

执行 `right_rotate(y)` 后:

```

x

\

y

/

T2

```

通过右旋,树变得更加平衡。这是AVL树保持高度平衡的关键操作之一。

例子2:交通信号灯

  • **张老师**:再想象一下交通信号灯(Traffic Light),如果一边的车流过多,另一边很少,会造成交通堵塞。

  • **小明**:确实,那需要调整信号灯的时间。

  • **张老师**:在AVL树中,旋转就像调整信号灯的时间,保证两边车流均匀。

例子3:团队工作分配

  • **张老师**:最后,想象一个项目团队(Project Team),某些人工作过多,另一些人却很闲,会影响效率。

  • **小明**:对,应该重新分配工作。

  • **张老师**:AVL树的旋转就像重新分配任务,让每个人都有合理的工作量。


**小明(ESFP学生)**:明白了,旋转可以保持平衡,类似于现实生活中的许多场景。那旋转的具体操作就是为了确保树的高度尽可能小,从而提高效率,对吗?

**张老师(ENTP老师)**:完全正确!通过这些例子,你可以看到旋转在数据结构中帮助我们保持平衡状态,从而提高操作效率。


思维导图总结

```

[旋转在AVL树中的意义]

├── 保持平衡

│ ├── 高效查找

│ └── 高效插入/删除

├── 实际应用类比

│ ├── 图书馆书架

│ ├── 交通信号灯

│ └── 团队工作分配

└── 实现例子

├── 右旋操作代码

└── 高度更新

```

**老师(ENTP)**:同学们,今天我们来探讨AVL树(AVL Tree),这是一种自平衡的二叉查找树(Binary Search Tree, BST)。它的名字来自于两位发明者的首字母组合。首先,谁能告诉我AVL树的两个主要特性是什么?

**学生(ESFP)**:嗯,AVL树有两个主要特性吧?一个是它遵循二叉查找树的性质,另一个是它的平衡性。也就是每个节点的左子树和右子树的高度差不超过1,对吗?

**老师(ENTP)**:没错!AVL树的平衡性通过平衡因子(Balance Factor, BF)来监控。这个因子就是左子树高度减去右子树高度的值。现在,我们来看一个例子。假设我们有一个节点A,它的左子树高度是2,右子树高度是1,那么A的平衡因子是多少?

**学生(ESFP)**:平衡因子就是2减去1,所以是1。这说明A是平衡的。

**老师(ENTP)**:完全正确。那么当我们插入一个新节点导致平衡因子超过1或小于-1时,该怎么处理呢?

**学生(ESFP)**:我想这时候需要做旋转操作(Rotation)来恢复平衡。不过,可以再详细讲讲旋转吗?

**老师(ENTP)**:当然。旋转分为四种基本类型:LL(左左)旋转、LR(左右)旋转、RR(右右)旋转和RL(右左)旋转。我们通过一个具体例子来说明。

例子1:LL旋转

**老师(ENTP)**:假设我们有一个不平衡的子树:

```

C

/

B

/

A

```

这是一个典型的左左(LL)不平衡。我们要对节点C进行右旋(Right Rotation)。右旋后,树变成:

```

B

/ \

A C

```

**老师(ENTP)**:通过这次旋转,树重新获得平衡。请注意,旋转操作是局部的,只影响特定的子树。

例子2:LR旋转

**老师(ENTP)**:接下来,我们看看左右(LR)旋转的情况。假设我们有:

```

C

/

A

\

B

```

首先,对A进行左旋(Left Rotation),得到:

```

C

/

B

/

A

```

接着,对C进行右旋,最终结果是:

```

B

/ \

A C

```

这样,我们通过两次旋转恢复了平衡。

例子3:RR旋转

**老师(ENTP)**:我们再看一个右右(RR)旋转的例子:

```

A

\

B

\

C

```

这是一个右右不平衡,我们对A进行左旋:

```

B

/ \

A C

```

**老师(ENTP)**:通过左旋,树重新平衡。

**学生(ESFP)**:我明白了,旋转就是为了调整树的结构,使得每个节点的平衡因子在-1到1之间。通过这种方式,AVL树保持了高效的查找、插入和删除操作。

**老师(ENTP)**:很棒的总结!AVL树在数据库索引、文件系统索引等需要频繁查找且保持数据有序的场景中非常有用。虽然在插入和删除时可能需要多次旋转,但它的平衡性更高,这在查找操作中尤为重要。

**老师(ENTP)**:很好!现在我们更深入地探讨一下AVL树的一些实现细节和优化策略。首先,我们来看一下AVL树的节点结构。一般来说,AVL树节点除了存储键值对外,还需要保存什么信息呢?

**学生(ESFP)**:节点除了保存键值对,还需要保存左右子树的指针、父节点指针,以及一个平衡因子以记录高度差。

**老师(ENTP)**:对的。以下是一个C++中AVL节点的简化结构:

```cpp

template<class K, class V>

struct AVLNode {

AVLNode<K, V>* _left;

AVLNode<K, V>* _right;

AVLNode<K, V>* _parent;

int _bf; // 平衡因子

pair<K, V> _kv; // 键值对

AVLNode(const pair<K,V>& kv) : _bf(0), _kv(kv), _left(nullptr), _right(nullptr), _parent(nullptr) {}

};

```

**老师(ENTP)**:这种结构允许我们在旋转时轻松调整指针,并在插入和删除后快速更新平衡因子。接下来,我们来看看插入操作的具体流程。

插入操作详细流程

**老师(ENTP)**:插入操作分为几个步骤:标准的BST插入、更新平衡因子、检查平衡并进行必要的旋转修正。

  1. **标准BST插入**:按照二叉查找树的规则插入新节点。

  2. **更新平衡因子**:从插入点开始向上回溯,更新每个节点的平衡因子。

  3. **检查平衡并旋转**:如果某个节点的平衡因子超过1或小于-1,确定不平衡类型(LL、LR、RR、RL)并进行相应的旋转。

**学生(ESFP)**:所以每次插入后我们都要回溯到根节点,检查并修正所有可能的不平衡?

**老师(ENTP)**:通常只需修正第一个遇到的不平衡节点,因为旋转操作会恢复该子树的平衡,其父节点的平衡因子可能也会恢复正常。

AVL树的应用场景

**学生(ESFP)**:AVL树和红黑树(Red-Black Tree)相比有什么优缺点呢?

**老师(ENTP)**:AVL树比红黑树具有更严格的平衡性,这意味着在查找操作中,AVL树的性能通常更好。然而,这种严格的平衡性也意味着在插入和删除时,AVL树可能需要更多旋转,导致这些操作的开销比红黑树稍高。

**老师(ENTP)**:因此,AVL树适合用于查找频繁且插入删除较少的场景,比如数据库索引。而红黑树在插入和删除操作频繁的场合可能更具优势,比如在STL的map和set实现中。

**老师(ENTP)**:太好了,既然你对AVL树在实际应用中的实现细节感兴趣,我们就继续探讨一下它在数据库索引中的具体应用。

AVL树在数据库索引中的应用

在数据库中,索引是一种用于快速查找记录的数据结构。AVL树可以作为一种索引结构,帮助提高查询效率。我们来看看它在数据库中的典型应用。

1. **快速查找**

**老师(ENTP)**:AVL树的平衡性使得查找操作非常高效,时间复杂度为O(log n)。在数据库索引中,AVL树可以用来组织记录的主键或唯一键,使得通过键值来查找记录变得快速。

**学生(ESFP)**:这是不是意味着当有大量数据时,AVL树能保证查找时间不会因为数据量增加而显著变长?

**老师(ENTP)**:正是如此。无论数据量多大,AVL树的深度始终保持在O(log n),确保查找操作的效率。

2. **有序数据存储**

**老师(ENTP)**:由于AVL树也是一种二叉查找树,它天然支持有序数据的存储和遍历。这对于需要按顺序检索数据的查询非常有用,比如范围查询。

**学生(ESFP)**:这就是说,如果我想找出数据库中某个范围内的所有记录,AVL树可以帮助快速定位?

**老师(ENTP)**:没错,AVL树支持中序遍历(In-order Traversal),可以方便地获取有序数据。

3. **增删操作的平衡**

**老师(ENTP)**:虽然AVL树的插入和删除操作较红黑树而言稍显复杂,但它的严格平衡特性使得它在某些需要高效查找的场合更具优势。

4. **实际应用中的考虑**

**老师(ENTP)**:在实际数据库系统中,除了AVL树,还有其他索引结构如B树(B-Tree)和B+树(B+ Tree)等。AVL树适合用于内存中的索引,因为它的旋转和调整操作在内存中更为高效。

AVL树与其他索引结构的比较

**学生(ESFP)**:那AVL树和B树、B+树相比有什么特点呢?

**老师(ENTP)**:这是个好问题!简要来说:

  • **AVL树**:高度平衡,适合内存索引,查找快。

  • **B树**:用于磁盘存储的多路自平衡树,节点包含多个元素,减少磁盘I/O次数。

  • **B+树**:B树的变种,所有数据都存储在叶子节点,叶子节点链接,范围查询更高效。

思维导图总结

```

AVL树在数据库中的应用

├── 快速查找

│ └── 时间复杂度O(log n)

├── 有序数据存储

│ └── 支持范围查询

├── 增删操作

│ └── 平衡调整

└── 与其他索引结构比较

├── AVL树:高效查找

├── B树:适合磁盘存储

└── B+树:高效范围查询

```

```

AVL树

├── 节点结构

│ ├── 左右子树指针

│ ├── 父节点指针

│ ├── 平衡因子

│ └── 键值对

├── 操作流程

│ ├── 插入

│ │ ├── 标准BST插入

│ │ ├── 更新平衡因子

│ │ └── 检查并旋转

│ └── 删除(类似)

├── 优缺点

│ ├── 优点:查找快

│ └── 缺点:插入删除旋转多

└── 应用场景

├── 数据库索引

└── 文件系统索引

```

```

AVL树

├── 特性

│ ├── 平衡性

│ └── 二叉查找树性质

├── 旋转操作

│ ├── LL旋转

│ ├── LR旋转

│ ├── RR旋转

│ └── RL旋转

├── 应用

│ ├── 数据库索引

│ └── 文件系统索引

└── 实现结构

└── 三叉链表

├── 左子树指针

├── 右子树指针

├── 父节点指针

└── 平衡因子

```我们全面理解了AVL树的基本概念、特性和操作。希望这种讨论形式帮助你更好地掌握AVL树的知识!

我们来看看在一个更大的树结构中,右旋操作是如何帮助恢复平衡的。

大树结构中的旋转示意

初始状态

考虑以下不平衡的AVL树,其中每个节点的左子树比右子树高,导致不平衡:

```

30

/

20

/

10

```

在这个树中,节点`30`的左子树高度是2,而右子树高度是0,所以平衡因子是2,超过了AVL树允许的范围。

右旋操作

我们对节点`30`进行右旋,以恢复树的平衡。右旋的步骤如下:

  1. **选择旋转节点**:节点`30`是失去平衡的节点。

  2. **执行右旋**:

  • 将`20`提升为新的根节点。

  • 将`30`移动为`20`的右子节点。

  • 保持`10`为`20`的左子节点。

旋转后的树结构变为:

```

20

/ \

10 30

```

旋转效果

  1. **恢复平衡**:现在每个节点的平衡因子都在-1到1之间。
  • 节点`20`的平衡因子是0(左、右子树高度均为1)。

  • 节点`10`和`30`的平衡因子都是0(没有子节点)。

  1. **提高效率**:通过保持树的平衡性,确保查找、插入和删除操作的时间复杂度保持在O(log n)。

更大树结构中的应用

在实际应用中,树的规模可能更大,旋转操作可能需要在多个层级上进行。以下是一个更复杂的例子:

初始不平衡树

```

40

/

30

/

20

/

10

```

在这种情况下,AVL树的多个节点可能失去平衡。我们可以从最下层开始进行旋转:

  1. **对`30`进行右旋**:

```

30

/ \

20 40

/

10

```

  1. **对`40`进行右旋**,如果必要的话,继续调整:

```

30

/ \

20 40

/

10

```

通过一系列旋转操作,树恢复了平衡,每个节点的平衡因子都在-1到1之间。

总结

旋转操作在AVL树中是保持平衡的关键,它通过局部调整节点位置来确保整个树的高度尽可能小。这在大规模数据集中的应用尤为重要,提升了数据操作的效率。无论树的规模多大,旋转都能迅速修正不平衡,使得AVL树始终保持高效的性能表现。

这里是AVL树旋转中的高度更新和相关的先修知识的详细解释和示例:

先修知识

  1. **二叉树**:
  • 每个节点最多有两个子节点,称为左子节点和右子节点。
  1. **平衡因子**:
  • 平衡因子是节点左子树高度减去右子树高度的差。

  • 在AVL树中,每个节点的平衡因子必须是-1、0或1。

  1. **节点高度**:
  • 节点的高度是从该节点到叶节点的最长路径上的边数。

  • 叶节点的高度为0。

  1. **AVL树**:
  • 一种自平衡的二叉搜索树,确保每个节点的平衡因子在-1到1之间。

右旋操作示例

初始状态

考虑以下不平衡的子树:

```

y

/

x

\

T2

```

  • `y` 的高度 = 2

  • `x` 的高度 = 1

  • `T2` 的高度 = 0

旋转步骤

  1. **选定旋转节点**:
  • `x = y.left`:`x` 是 `y` 的左子节点。

  • `T2 = x.right`:`T2` 是 `x` 的右子树。

  1. **旋转操作**:

```python

def right_rotate(y):

x = y.left # x 是 y 的左子节点

T2 = x.right # T2 是 x 的右子树

进行旋转

x.right = y # 将 y 旋转到 x 的右子节点

y.left = T2 # 将 T2 挂接到 y 的左子树

更新高度

y.height = 1 + max(get_height(y.left), get_height(y.right))

x.height = 1 + max(get_height(x.left), get_height(x.right))

return x # 返回新的子树根节点

```

  1. **更新高度**:
  • `y` 的新高度 = 1 + max(高度(`T2`), 0) = 1 + max(0, 0) = 1

  • `x` 的新高度 = 1 + max(高度(无), `y` 的高度) = 1 + max(-1, 1) = 2

结果状态

旋转后的子树:

```

x

\

y

/

T2

```

  • `x` 的高度 = 2

  • `y` 的高度 = 1

  • `T2` 的高度 = 0

代码注释和解释

```python

class TreeNode:

def init(self, value):

self.value = value

self.left = None

self.right = None

self.height = 1 # 初始节点高度为1

def get_height(node):

if not node:

return -1 # 空节点的高度为-1

return node.height

def right_rotate(y):

x = y.left # x 为 y 的左子节点

T2 = x.right # T2 为 x 的右子树

执行旋转

x.right = y # 将 y 变为 x 的右子节点

y.left = T2 # 将 T2 连接到 y 的左子树

更新 y 和 x 的高度

y.height = 1 + max(get_height(y.left), get_height(y.right))

x.height = 1 + max(get_height(x.left), get_height(x.right))

return x # 返回新的根节点 x

```

结论

通过右旋操作,AVL树的高度和结构得到了调整,从而保持了树的平衡性。旋转后,树的高度变化反映了平衡因子的调整,确保操作效率。这个过程对于维护AVL树的高效查找、插入和删除操作是必要的。

【代码示范】

好的,我们可以通过一个具体的例子来演示AVL树的插入操作,包括数值代入、旋转调整,并展示每一步的程序结果及相关注释。我们将用C++实现一个简单的AVL树插入操作,并以插入几个整数为例。

示例:插入操作

假设我们要在一个空的AVL树中依次插入以下数值:20, 10, 30, 5, 3。我们将演示这些插入操作以及进行的旋转调整。

1. 插入20

  • **操作**:插入20

  • **结果**:树中只有一个节点20,不需要旋转。

```cpp

// 插入20

AVLNode<int, int>* root = new AVLNode<int, int>({20, 0});

// 树结构:

// 20

```

2. 插入10

  • **操作**:插入10,作为20的左子节点

  • **结果**:平衡因子在[-1, 1]之间,无需旋转。

```cpp

// 插入10

root->_left = new AVLNode<int, int>({10, 0});

root->_left->_parent = root;

// 更新平衡因子

root->_bf = 1;

// 树结构:

// 20

// /

// 10

```

3. 插入30

  • **操作**:插入30,作为20的右子节点

  • **结果**:平衡因子在[-1, 1]之间,无需旋转。

```cpp

// 插入30

root->_right = new AVLNode<int, int>({30, 0});

root->_right->_parent = root;

// 更新平衡因子

root->_bf = 0;

// 树结构:

// 20

// / \

// 10 30

```

4. 插入5

  • **操作**:插入5,作为10的左子节点

  • **结果**:平衡因子在[-1, 1]之间,无需旋转。

```cpp

// 插入5

root->_left->_left = new AVLNode<int, int>({5, 0});

root->_left->_left->_parent = root->_left;

// 更新平衡因子

root->_left->_bf = 1;

root->_bf = 1;

// 树结构:

// 20

// / \

// 10 30

// /

// 5

```

5. 插入3(触发旋转)

  • **操作**:插入3,作为5的左子节点

  • **结果**:插入后10节点的平衡因子为2,需要进行右旋。

```cpp

// 插入3

root->_left->_left->_left = new AVLNode<int, int>({3, 0});

root->_left->_left->_left->_parent = root->_left->_left;

// 更新平衡因子

root->_left->_left->_bf = 1;

root->_left->_bf = 2;

root->_bf = 2;

// 进行右旋以恢复平衡

// 右旋前:

// 20

// / \

// 10 30

// /

// 5

// /

//3

// 右旋操作

AVLNode<int, int>* leftChild = root->_left;

root->_left = leftChild->_right;

if (leftChild->_right) {

leftChild->_right->_parent = root;

}

leftChild->_right = root;

leftChild->_parent = root->_parent;

root->_parent = leftChild;

root = leftChild; // 更新根节点指向

// 更新平衡因子

root->_bf = 0;

root->_right->_bf = 0;

// 右旋后:

// 10

// / \

// 5 20

// / \

//3 30

```

总结

每次插入后,我们检查并更新节点的平衡因子,然后在需要时进行旋转调整以保持AVL树的平衡。通过这种方式,AVL树可以保证所有查找、插入和删除操作的时间复杂度都为O(log n)。这种逐步的插入和调整机制使得AVL树在需要频繁查找的应用场合非常高效。

相关推荐
wheeldown4 小时前
【数据结构】选择排序
数据结构·算法·排序算法
躺不平的理查德8 小时前
数据结构-链表【chapter1】【c语言版】
c语言·开发语言·数据结构·链表·visual studio
阿洵Rain8 小时前
【C++】哈希
数据结构·c++·算法·list·哈希算法
Leo.yuan8 小时前
39页PDF | 华为数据架构建设交流材料(限免下载)
数据结构·华为
半夜不咋不困9 小时前
单链表OJ题(3):合并两个有序链表、链表分割、链表的回文结构
数据结构·链表
忘梓.9 小时前
排序的秘密(1)——排序简介以及插入排序
数据结构·c++·算法·排序算法
y_m_h12 小时前
leetcode912.排序数组的题解
数据结构·算法
1 9 J12 小时前
数据结构 C/C++(实验三:队列)
c语言·数据结构·c++·算法
921正在学习编程12 小时前
数据结构之二叉树前序,中序,后序习题分析(递归图)
c语言·数据结构·算法·二叉树
毕竟秋山澪12 小时前
岛屿数量 广搜版BFS C#
数据结构·算法·宽度优先