二叉树采用二叉链表存储:编写计算二叉树最大宽度的算法(二叉树的最大宽度是指二叉树所有层中结点个数的最大值)

二叉树采用二叉链表存储:编写计算二叉树最大宽度的算法
(二叉树的最大宽度是指二叉树所有层中结点个数的最大值)

和二叉树有关的代码,基本都逃不过“先中后层”,这四种遍历

而我们这里是让你计算最大宽度,它是横着来的,那我们就可以断定是要用到层序遍历
对层序遍历不熟悉的,可以看我这篇文章光速上手二叉树层序遍历

代码思路

首先我们有如下的树,和一个空队列,用一个变量max记录最大宽度
在这里插入图片描述

所谓的计算最大宽度,不就是让你在进行层序遍历的时候多统计一下每层的数目吗?
那我们可以用一个point值记录当前队列里面还有多少元素,然后point依次- -,出队头,入队头左右孩子,当point结束一轮,也就是point到0的时候,那么上一层元素全部清除,下一层元素全部到队列中,这时候你统计max和当前队列长度哪个更大,就是新的max

注:每次我们用point记录当前队列有多少元素,然后point依次- -直到point=0,是把这一层的元素全部出掉,换成下一层元素,这样就可以保证我们每次统计到的都是一层的宽度。

举例说明:
在这里插入图片描述
第一层遍历:
根节点A入队,此时队列中只有一个元素A,那么point=队列长度=1
一开始max=0,0<1,所以max更新为1
在这里插入图片描述
此时point=1>0,说明下一层还没有完全进队列
point–,A左右孩子入队,
在这里插入图片描述

point=0,说明第一层遍历结束

第二层遍历:
用point记录当前队列长度,point=2
max也更新为2
在这里插入图片描述
然后point依次- -
point=1,B出队,B左右孩子DE入队
在这里插入图片描述
point --,point=0,C出队,C的右孩子F入队(这里C没有左孩子)
在这里插入图片描述

第三层遍历:
用point记录当前队列长度,point=3
max更新为3
在这里插入图片描述
point依次- -,直到point=0
和上面是同理的,就是把该层元素DEF全出掉,然后DEF的孩子全入队,也就是下一层元素全入队,第三层遍历的最终结果如下图:
在这里插入图片描述
第四层遍历:
用point记录当前队列长度,point=2
2<max=3,所以不用更新max
在这里插入图片描述

然后和前面一样,point依次 - -,直到point=0,然后该层元素全部出掉,下一层元素全部入队
最终结果如下图:
在这里插入图片描述
第五层遍历:
用point记录当前队列长度,point=1
1<max=3,所以不用更新max
在这里插入图片描述

point依次- -,直到point等于0,出该层元素,入下一层元素。
在这里插入图片描述

到这里,大家会发现,队中无元素了,也就是队列为空的情况,这就是层序遍历结束
然后你打印最后的max=3即可

代码实现如下:
一些队列的基本操作你可以去我往期的队列文章里面看,我这里就直接上函数接口了
数据结构队列万字详解链接

//用的队列的相关操作
void InitQueue(SqQueue* Q);//初始化队列
int EnQueue(SqQueue* Q,BiTree e);//入队
void DeQueue(SqQueue* Q);//出队
int QueueEmpty(SqQueue Q);//队列判空
int QueueLength(SqQueue Q);//获取队列长度//求二叉树最大宽度
int BiTreeWidth(BiTree T){if(T==NULL){//树为空,宽度为0return 0;}else{SqQueue Q;//声明一个辅助队列InitQueue(&Q);//初始化队列int max=0;//记录最大宽度EnQueue(&Q,T);//根节点入队while(!QueueEmpty(Q)){//层序遍历int point=QueueLength(Q);//记录该层元素个数(该层宽度)max=max>point?max:point;//如果该层宽度更大,更新maxwhile(point){//移除当前层元素,入下一层元素BiTree tmp=Q.data[Q.front];//出队头元素,用tmp记录出队结点DeQueue(&Q);if(tmp->lchild!=NULL){//出队的结点有左孩子EnQueue(&Q,tmp->lchild);//左孩子入队}if(tmp->rchild!=NULL){//出队的结点有右孩子EnQueue(&Q,tmp->rchild);//右孩子入队}}}return max;}
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/130016.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

如何使用Selenium处理Cookie,今天彻底学会了

&#x1f4e2;专注于分享软件测试干货内容&#xff0c;欢迎点赞 &#x1f44d; 收藏 ⭐留言 &#x1f4dd; 如有错误敬请指正&#xff01;&#x1f4e2;交流讨论&#xff1a;欢迎加入我们一起学习&#xff01;&#x1f4e2;资源分享&#xff1a;耗时200小时精选的「软件测试」资…

【Linux】Nignx的入门使用负载均衡动静分离(前后端项目部署)---超详细

一&#xff0c;Nignx入门 1.1 Nignx是什么 Nginx是一个高性能的开源Web服务器和反向代理服务器。它使用事件驱动的异步框架&#xff0c;可同时处理大量请求&#xff0c;支持负载均衡、反向代理、HTTP缓存等常见Web服务场景。Nginx可以作为一个前端的Web服务器&#xff0c;也可…

VUE2和VUE3思维导图知识体系总结大对比

VUE2知识体系 VUE3知识体系 思维导图原件下载地址

前端难学还是后端难学?系统安全,web安全,网络安全是什么区别?

系统安全&#xff0c;web安全&#xff0c;网络安全是什么区别&#xff1f;三无纬度安全问题 系统安全&#xff0c;可以说是电脑软件的安全问题&#xff0c;比如windows经常提示修复漏洞&#xff0c;是一个安全问题 网页安全&#xff0c;网站安全&#xff0c;比如&#xff0c;…

【t5 pytorch版源码学习】t5-pegasus-pytorch源码学习

0. 项目来源 中文生成式预训练模型&#xff0c;以mT5为基础架构和初始权重&#xff0c;通过类似PEGASUS的方式进行预训练。 bert4keras版&#xff1a;t5-pegasus pytorch版&#xff1a;t5-pegasus-pytorch 本次主要学习pytorch版的代码解读。 项目结构&#xff1a; train…

Unity地面交互效果——3、曲面细分基础知识

大家好&#xff0c;我是阿赵。   之前介绍了使用动态法线贴图混合的方式模拟轨迹的凹凸感&#xff0c;这次来讲一下更真实的凹凸感制作。不过在说这个内容之前&#xff0c;这一篇先要介绍一下曲面细分着色器(Tessellation Shader)的用法。 一、为什么要做曲面细分 之前通过法…

canal+es+kibana+springboot

1、环境准备 服务器&#xff1a;Centos7 Jdk版本&#xff1a;1.8 Mysql版本&#xff1a;5.7.44 Canal版本&#xff1a;1.17 Es版本&#xff1a;7.12.1 kibana版本&#xff1a;7.12.1 软件包下载地址&#xff1a;链接&#xff1a;https://pan.baidu.com/s/1jRpCJP0-hr9aI…

【计算机网络】网络层:数据平面

一.网络层概述 每台路由器的数据平面的主要功能时从其输入链路向其输出链路转发数据报&#xff0c;控制平面的主要功能是协调这些本地的每路由转发动作&#xff0c;使得数据报沿着源和目的地主机之间的路由器路径最终进行端到端传送。 网络层不运行运输层和应用层协议。 转发是…

Pytorch网络模型训练

现有网络模型的使用与修改 vgg16_false torchvision.models.vgg16(pretrainedFalse) # 加载一个未预训练的模型 vgg16_true torchvision.models.vgg16(pretrainedTrue) # 把数据分为了1000个类别print(vgg16_true) 以下是vgg16预训练模型的输出 VGG((features): S…

FFmpeg直播能力更新计划与新版本发布

// 编者按&#xff1a;客户端作为直接面向用户大众的接口&#xff0c;随着技术的发展进化与时俱进&#xff0c;实现更好的服务是十分必要的。FFmpeg作为最受欢迎的视频和图像处理开源软件&#xff0c;被相关行业的大量用户青睐&#xff0c;而随着HEVC标准的发布到广泛使用&am…

【jvm】虚拟机栈

目录 一、背景二、栈与堆三、声明周期四、作用五、特点&#xff08;优点&#xff09;六、可能出现的异常七、设置栈内存大小八、栈的存储单位九、栈运行原理十、栈帧的内部结构10.1 说明10.2 局部变量表10.3 操作数栈10.4 动态链接10.5 方法返回地址10.6 一些附加信息 十一、代…

整理10个地推拉新app接单平台,免费一手推广渠道平台干货分享

1. 聚量推客&#xff1a; “聚量推客”汇聚了众多市场上有的和没有的地推网推拉新接单项目&#xff0c;目前比较火热&#xff0c;我们做地推和网推从业者如果长期在这行业去做推广可以使用这个平台&#xff0c;价格高数据也好&#xff0c;大部分拉新项目也都是官签一手资源 一…

关于Intel Press出版的《Bedyong BIOS》第2版的观后感

文章目录 此书的背景UEFI运行时DXE基础CPU架构协议PCI协议UEFI驱动的初始化串口DXE驱动示例 《Beyond BIOS》首先介绍一个简单的UEFI应用程序模块&#xff0c;用于展示UEFI应用程序的行为。作者为Waldo。该模块名为“InitializeHelloApplication”&#xff0c;它接受两个参数&a…

Leetcode—101.对称二叉树【简单】

2023每日刷题&#xff08;十九&#xff09; Leetcode—101.对称二叉树 利用Leetcode101.对称二叉树的思想的实现代码 /*** Definition for a binary tree node.* struct TreeNode {* int val;* struct TreeNode *left;* struct TreeNode *right;* };*/ bool isSa…

【深度学习基础】Pytorch框架CV开发(1)基础铺垫

&#x1f4e2;&#xff1a;如果你也对机器人、人工智能感兴趣&#xff0c;看来我们志同道合✨ &#x1f4e2;&#xff1a;不妨浏览一下我的博客主页【https://blog.csdn.net/weixin_51244852】 &#x1f4e2;&#xff1a;文章若有幸对你有帮助&#xff0c;可点赞 &#x1f44d;…

3 — NLP 中的标记化:分解文本数据的艺术

一、说明 这是一个系列文章的第三篇文章&#xff0c; 文章前半部分分别是&#xff1a; 1 、NLP 的文本预处理技术 2、NLP文本预处理技术&#xff1a;词干提取和词形还原 在本文中&#xff0c;我们将介绍标记化主题。在开始之前&#xff0c;我建议您阅读我之前介绍的关…

Docker的简单安装

安装环境 CentOS Linux release 8.1.1911 (Core)内核4.18.0-147.el8.x86_64Mini Installation 安装前的准备工作 切换国内源 由于centos源已经过期&#xff0c;所以切换为阿里云的yum源&#xff0c;第二个是docker的仓库 wget -O /etc/yum.repos.d/CentOS-Base.repo https:…

云闪付app拉新推广一手渠道 附详细教程

云闪付推广拉新可以通过“聚量推客”申请 云闪付是什么呢&#xff1f;是中国银联出的支付平台&#xff0c;在地推和网推项目里也算是比较火热的app拉新产品&#xff0c;属于地推和网推的百搭项目&#xff0c;操作也简单 只需要动账就算一个数据&#xff0c;目前主要招收地推、…

重新思考边缘负载均衡

本文介绍了Netflix在基于轮询的负载均衡的基础上&#xff0c;集成了包括服务器使用率在内的多因素指标&#xff0c;并对冷启动服务器进行了特殊处理&#xff0c;从而优化了负载均衡逻辑&#xff0c;提升了整体业务性能。原文: Rethinking Netflix’s Edge Load Balancing[1] 我…

第十五章 EM期望极大算法及其推广

文章目录 导读符号说明混合模型伯努利混合模型(三硬币模型)问题描述三硬币模型的EM算法1.初值2.E步3.M步初值影响p,q 含义 EM算法另外视角Q 函数BMM的EM算法目标函数LEM算法导出 高斯混合模型GMM的EM算法1. 明确隐变量, 初值2. E步,确定Q函数3. M步4. 停止条件 如何应用GMM在聚…