LeetCode题练习与总结:不同的二叉搜索树Ⅱ--95

一、题目描述

给你一个整数 n ,请你生成并返回所有由 n 个节点组成且节点值从 1n 互不相同的不同 二叉搜索树 。可以按 任意顺序 返回答案。

示例 1:

输入:n = 3
输出:[[1,null,2,null,3],[1,null,3,2],[2,1,3],[3,1,null,null,2],[3,2,null,1]]

示例 2:

输入:n = 1
输出:[[1]]

提示:

  • 1 <= n <= 8

二、解题思路

我们可以使用递归的方法来解决这个问题。递归的基本思想是,对于每个数i,作为根节点,其左子树由[1, i-1]构成,其右子树由[i+1, n]构成。对于左子树和右子树,我们又可以应用同样的方法来生成所有可能的BST。

  1. 递归基准情况: 如果n小于1,那么没有节点可以用来构建树,返回空列表。
  2. 递归分解: 对于每个数i,作为可能的根节点,递归地为左子树和右子树生成所有可能的BST。
  3. 合并结果: 对于每个根节点i,我们需要将所有可能的左子树和右子树进行组合,得到所有可能的BST。

三、具体代码

import java.util.List;
import java.util.ArrayList;

public class Solution {
    public List<TreeNode> generateTrees(int n) {
        if (n == 0) {
            return new ArrayList<>();
        }
        return generateSubtrees(1, n);
    }

    private List<TreeNode> generateSubtrees(int start, int end) {
        List<TreeNode> subtrees = new ArrayList<>();
        if (start > end) {
            subtrees.add(null); // 添加空树作为递归基准情况
            return subtrees;
        }

        for (int i = start; i <= end; i++) {
            // 生成所有可能的左子树
            List<TreeNode> leftSubtrees = generateSubtrees(start, i - 1);
            // 生成所有可能的右子树
            List<TreeNode> rightSubtrees = generateSubtrees(i + 1, end);

            // 将左子树和右子树与根节点i组合
            for (TreeNode left : leftSubtrees) {
                for (TreeNode right : rightSubtrees) {
                    TreeNode root = new TreeNode(i);
                    root.left = left;
                    root.right = right;
                    subtrees.add(root);
                }
            }
        }
        return subtrees;
    }
}

四、时间复杂度和空间复杂度

1. 时间复杂度

时间复杂度的分析基于每个节点作为根节点时,生成所有可能的左子树和右子树的组合。

  • 对于每个节点i作为根节点,左子树的可能数为i-1,右子树的可能数为n-i。

  • 对于每个节点i,我们需要进行(i-1)*(n-i)次操作来生成所有可能的左子树和右子树的组合。

  • 因为我们需要对1到n的每个数都作为根节点进行这样的操作,所以总的时间复杂度为:

    这是因为对于每个节点i,我们都在进行近似n^2次操作,而这样的操作要进行n次。

因此,时间复杂度是O(n^3)。

2. 空间复杂度

空间复杂度的分析基于递归调用栈的深度以及存储所有生成的树结构的空间。

(1)递归调用栈的深度:递归调用栈的最大深度是O(n),因为每次递归都会减少一个数字直到没有数字剩余。

(2)存储所有生成的树结构的空间

  • 总共有卡特兰数C(n)个不同的二叉搜索树。
  • 每个树的结构最多有O(n)个节点。
  • 因此,总的空间复杂度是O(n) * C(n)。

卡特兰数C(n)的增长速度是O(4^n / n^1.5),所以总的空间复杂度是O(n) * O(4^n / n^1.5) = O(4^n / n^0.5)。

因此,该算法的时间复杂度是O(n^3),空间复杂度是O(4^n / n^0.5)。

五、总结知识点

  1. 递归:代码中使用了递归函数generateSubtrees来生成所有可能的二叉搜索树。递归是一种常用的算法设计技巧,它允许函数调用自身来解决问题的一个较小部分,直到达到一个基准情况。

  2. 二叉搜索树(BST)的性质:二叉搜索树是一种特殊的二叉树,其中每个节点的值都大于其左子树的所有节点的值,且小于其右子树的所有节点的值。代码中利用了这个性质来生成所有可能的BST。

  3. 列表(List)的使用:Java中的List接口用于存储有序的集合,代码中使用了ArrayList来实现这个接口。列表用于存储生成的子树和最终的树集合。

  4. 循环和条件语句:代码中使用了for循环来遍历可能的根节点值,并使用了if语句来判断递归的基准情况。

  5. 树的结构:代码中定义了TreeNode类来表示树的节点,每个节点包含一个值和指向其左右子节点的引用。

  6. 动态规划思想:虽然代码中没有显式地使用动态规划,但是递归方法中隐含了动态规划的思想,即通过解决子问题来构建整个问题的解决方案,并且存储这些子问题的解以避免重复计算。

  7. 函数定义和返回值:代码中定义了两个函数:generateTrees是公共接口,generateSubtrees是私有辅助函数。generateSubtrees函数返回一个包含所有可能的子树的列表。

  8. 空树的处理:在递归的基准情况中,代码添加了一个空树(null)到子树列表中。这表示没有更多的节点可以用来构建树,是递归终止的条件。

  9. 组合问题的解决:代码通过两层循环来组合左子树和右子树,这是一种常见的解决组合问题的方法。

以上就是解决这个问题的详细步骤,希望能够为各位提供启发和帮助。

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:/a/622722.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

CNN/TCN/LSTM/BiGRU-Attention到底哪个模型效果最好?注意力机制全家桶来啦!

​ 声明&#xff1a;文章是从本人公众号中复制而来&#xff0c;因此&#xff0c;想最新最快了解各类智能优化算法及其改进的朋友&#xff0c;可关注我的公众号&#xff1a;强盛机器学习&#xff0c;不定期会有很多免费代码分享~ 目录 数据介绍 效果展示 原理简介 代…

Python---NumPy万字总结【此篇文章内容难度较大,线性代数模块】(3)

NumPy的应用&#xff08;3&#xff09; 向量 向量&#xff08;vector&#xff09;也叫矢量&#xff0c;是一个同时具有大小和方向&#xff0c;且满足平行四边形法则的几何对象。与向量相对的概念叫标量或数量&#xff0c;标量只有大小&#xff0c;绝大多数情况下没有方向。我们…

Ubuntu 超级终端Terminator常用使用技巧

Ubuntu 超级终端Terminator常用使用技巧 Terminator 是一款功能强大的终端模拟器&#xff0c;它特别适合于需要同时管理多个终端会话的用户。以下是如何在 Ubuntu 上使用 Terminator 的详细指南&#xff1a; 安装 Terminator 如果你的系统尚未安装 Terminator&#xff0c;你…

Prompt Engineering ,Fine-tuning , RAG ?

Prompt Engineering ,Fine-tuning , RAG 总结&#xff1a;1 prompt engineering2 RAG (Retrieval Augmented Generation)**RAG特点****RAG优势****RAG劣势** 3 微调&#xff08;Fine-tuning&#xff09;**微调特点****微调优势****微调劣势** 4 三者共性和区别5 RAG和微调的适应…

港中深「户外自重构蜗牛机器人集群」登Nature子刊!

在科幻电影《超能陆战队》中&#xff0c;我们见证了一种由成千上万个微小磁性单元组成的机器人通过磁力相互连接&#xff0c;形成各种复杂的三维结构。香港中文大学&#xff08;深圳&#xff09;林天麟教授团队致力于将这一科幻转化为现实&#xff0c;近年来开发了一系列自由形…

C++基础与深度解析 | 数组 | vector | string

文章目录 一、数组1.一维数组2.多维数组 二、vector三、string 一、数组 1.一维数组 在C中&#xff0c;数组用于存储具有相同类型和特定大小的元素集合。数组在内存中是连续存储的&#xff0c;并且支持通过索引快速访问元素。 数组的声明&#xff1a; 数组的声明指定了元素的…

【基础技能】Windows常用快捷键

最近做知识管理&#xff0c;梳理了下个人技能&#xff0c;存在好多基础技能都是一知半解&#xff0c;用的时候都是现搜现查&#xff0c;没有形成一个完整的知识体系&#xff0c;导致一些基础不牢靠&#xff0c;需要再次筑基&#xff01; 于是就翻阅了微软的官网&#xff0c;撸…

5.13网络编程

只要在一个电脑中的两个进程之间可以通过网络进行通信那么拥有公网ip的两个计算机的通信是一样的。但是一个局域网中的两台电脑上的虚拟机是不能进行通信的&#xff0c;因为这两个虚拟机在电脑中又有各自的局域网所以通信很难实现。 socket套接字是一种用于网络间进行通信的方…

Linux进程间几种通信机制

一. 简介 经过前一篇文章的学习&#xff0c; 我们知道Linux下有两种标准&#xff1a;system V标准和 Posix标准。 System V 和 POSIX 标准是操作系统提供的接口标准&#xff0c;它们规定了操作系统应该如何实现一些基本功能&#xff0c;比如线程、进程间通信、文件处理等。 …

【APM】在Kubernetes中搭建OpenTelemetry+Loki+Tempo+Grafana链路追踪(一)

文章目录 1、最终效果2、前提准备2、环境信息3、服务集成&#xff08;Opentelemetry ->Tempo&#xff09;3.1 上报链路数据3.1.1 下载opentelemetry-agent3.1.2 启动配置业务app3.1.3 配置opentelemetry输入输出3.1.4 配置grafana datasource3.1.4.1 配置tempo3.1.4.2 配置l…

基于RK3568的鸿蒙通行一体机方案项目

鸿蒙通行一体机方案以鸿蒙版AIoT-3568X人工智能主板为核心平台&#xff0c;搭载OpenHarmony操作系统&#xff0c;使用自研算法和国产芯片&#xff0c;可管可控&#xff0c;并提供身份识别以及其他外设配件生态链支持。 01 项目概述 项目使用场景 鸿蒙版通行一体机方案凭借自主…

【云计算小知识】云管理的作用是什么?

云计算已经成为推动企业数字化转型&#xff0c;提升运营效率的重要力量。而在这个过程中&#xff0c;云管理作为确保云计算环境稳定、高效运行的关键环节&#xff0c;其作用愈发凸显。今天我们小编就给大家详细介绍一下云管理的作用是什么&#xff1f; 云管理的作用是什么&…

探索渲染农场的高性能奥秘

在当今数字化的时代&#xff0c;渲染农场正逐渐成为许多行业不可或缺的强大工具。那么&#xff0c;为什么我们说渲染农场是高性能的计算机系统呢&#xff1f;让我们深入剖析其中关键要点。 “渲染农场”拥有大规模的计算资源。它由众多高性能的计算机节点组成&#xff0c;这些…

Maven、JavaWeb基础开发

1 Maven介绍 1、标准化的项目结构 2、标准化的构建流程 3、依赖管理 4、依赖范围 2 JavaWeb基础开发 2.1 Http协议 1 Http请求数据格式 2 Http响应数据格式 2.2 Web服务器&#xff08;Tomcat&#xff09; VTS、FileServer使用Tomcat部署&#xff1b; 其他服务单元TESLA S…

vue3.0(七) 计算属性(computed)

文章目录 1 计算属性&#xff08;computed &#xff09;1.1 computed使用1.2 computed使用场景1.4 computed的注意点1.4 computed的原理1.5 computed的示例 computed 和 Methods 的区别 1 计算属性&#xff08;computed &#xff09; 在 Vue 3 中&#xff0c;computed 是一个用…

【AI大模型】自动生成红队攻击提示--GPTFUZZER

本篇参考论文为&#xff1a; Yu J, Lin X, Xing X. Gptfuzzer: Red teaming large language models with auto-generated jailbreak prompts[J]. arXiv preprint arXiv:2309.10253, 2023. https://arxiv.org/pdf/2309.10253 一 背景 虽然LLM在今天的各个领域得到了广泛的运用…

Nginx安全扫描借助lua-nginx-module模块增加授权

一、问题描述 某次安全扫描通过Dirsearch工具发现&#xff0c;nginx代理访问某后端业务时&#xff0c;发现&#xff1a;Springboot未授权漏洞&#xff0c;存在信息泄露风险&#xff0c;危险等级&#xff1a;中危&#xff1b; 相关资源&#xff1a;openresty官网、/lua-nginx-m…

结构体补充-位段

文章目录 位段介绍位段内存分配位段的使用注意事项结束 位段介绍 为什么会有位段呢? 我们直到一个int是4个字节表示32个bit位,但是比如2,3这样的整数,我们只需要2个bit位就可以了,那30个比特位不就是浪费掉了吗,所以位段就产生了 位段通过结构体来实现&#xff0c;位段表示方法…

Hive表数据优化

Hive表数据优化 1.文件格式 为Hive表中的数据选择一个合适的文件格式&#xff0c;对提高查询性能的提高是十分有益的。 &#xff08;1&#xff09;Text File 文本文件是Hive默认使用的文件格式&#xff0c;文本文件中的一行内容&#xff0c;就对应Hive表中的一行记录。 可…

C++之Eigen库基本使用(下)

1、常见变换 Eigen::Matrix3d //旋转矩阵&#xff08;3*3&#xff09; Eigen::AngleAxisd //旋转向量&#xff08;3*1&#xff09; Eigen::Vector3d //欧拉角&#xff08;3*1&#xff09; Eigen::Quaterniond //四元数&#xff08;4*1&#xff09; Eigen::Isom…