带你读《图解算法小抄》二十三、树(2)

简介: 带你读《图解算法小抄》二十三、树(2)

带你读《图解算法小抄》二十三、树(1)https://developer.aliyun.com/article/1347837?groupCode=tech_library


2.BFS vs DFS深度优先搜索(DFS)


深度优先搜索(DFS)是一种用于遍历或搜索树或图数据结构的算法。它从根节点开始(在图的情况下选择一些任意节点作为根节点),沿着每条分支尽可能远地探索,直到无法继续为止,然后回溯。

1完整实现

/**
 * @typedef {Object} TraversalCallbacks
 *
 * @property {function(node: BinaryTreeNode, child: BinaryTreeNode): boolean} allowTraversal
 * - 确定 DFS 是否应该遍历从节点到其子节点。
 *
 * @property {function(node: BinaryTreeNode)} enterNode - 当 DFS 进入节点时调用的回调函数。
 *
 * @property {function(node: BinaryTreeNode)} leaveNode - 当 DFS 离开节点时调用的回调函数。
 */
/**
 * 使用默认回调函数扩展缺失的遍历回调函数。
 *
 * @param {TraversalCallbacks} [callbacks] - 包含遍历回调函数的对象。
 * @returns {TraversalCallbacks} - 使用默认回调函数扩展的遍历回调函数。
 */function initCallbacks(callbacks = {}) {
  // 初始化空的回调函数对象。
  const initiatedCallbacks = {};  // 在用户未提供真实的回调函数时,使用空的回调函数作为默认回调函数。
  const stubCallback = () => {};
  // 默认情况下,如果用户未提供回调函数,则允许遍历每个节点。
  const defaultAllowTraversalCallback = () => true;  // 将原始回调函数复制到我们的 initiatedCallbacks 对象中,或者使用默认回调函数代替。
  initiatedCallbacks.allowTraversal = callbacks.allowTraversal || defaultAllowTraversalCallback;
  initiatedCallbacks.enterNode = callbacks.enterNode || stubCallback;
  initiatedCallbacks.leaveNode = callbacks.leaveNode || stubCallback;  // 返回处理后的回调函数列表。
  return initiatedCallbacks;
}
/**
 * 二叉树的递归深度优先搜索遍历。
 *
 * @param {BinaryTreeNode} node - 开始遍历的二叉树节点。
 * @param {TraversalCallbacks} callbacks - 包含遍历回调函数的对象。
 */export function depthFirstSearchRecursive(node, callbacks) {
  // 调用 "enterNode" 回调函数通知即将进入当前节点。
  callbacks.enterNode(node);  // 仅在允许遍历左子节点的情况下遍历左侧分支。
  if (node.left && callbacks.allowTraversal(node, node.left)) {
    depthFirstSearchRecursive(node.left, callbacks);
  }  // 仅在允许遍历右子节点的情况下遍历右侧分支。
  if (node.right && callbacks.allowTraversal(node, node.right)) {
    depthFirstSearchRecursive(node.right, callbacks);
  }  // 调用 "leaveNode" 回调函数通知当前节点及其子节点的遍历完成。
  callbacks.leaveNode(node);
}
/**
 * 对根节点进行深度优先搜索遍历。
 * 在每一步遍历中调用 "allowTraversal"、"enterNode" 和 "leaveNode" 回调函数。
 * 有关回调函数对象的形状的详细信息,请参见 TraversalCallbacks 类型定义。
 *
 * @param {BinaryTreeNode} rootNode - 开始遍历的节点。
 * @param {TraversalCallbacks} [callbacks] - 遍历回调函数。
 */export default function depthFirstSearch(rootNode, callbacks) {
  // 如果用户未提供某些回调函数,则使用默认回调函数替代。
  const processedCallbacks = initCallbacks(callbacks);  // 现在,当我们拥有所有必要的回调函数时,可以进行递归遍历。
  depthFirstSearchRecursive(rootNode, processedCallbacks);
}

2参考资料

  • Wikipedia
  • Tree Traversals (Inorder, Preorder and Postorder)
  • BFS vs DFS
相关文章
|
2月前
|
存储 算法 C语言
"揭秘C语言中的王者之树——红黑树:一场数据结构与算法的华丽舞蹈,让你的程序效率飙升,直击性能巅峰!"
【8月更文挑战第20天】红黑树是自平衡二叉查找树,通过旋转和重着色保持平衡,确保高效执行插入、删除和查找操作,时间复杂度为O(log n)。本文介绍红黑树的基本属性、存储结构及其C语言实现。红黑树遵循五项基本规则以保持平衡状态。在C语言中,节点包含数据、颜色、父节点和子节点指针。文章提供了一个示例代码框架,用于创建节点、插入节点并执行必要的修复操作以维护红黑树的特性。
66 1
|
4月前
|
存储 算法 Java
Java中,树与图的算法涉及二叉树的前序、中序、后序遍历以及DFS和BFS搜索。
【6月更文挑战第21天】Java中,树与图的算法涉及二叉树的前序、中序、后序遍历以及DFS和BFS搜索。二叉树遍历通过访问根、左、右子节点实现。DFS采用递归遍历图的节点,而BFS利用队列按层次访问。以下是简化的代码片段:[Java代码略]
39 4
|
4月前
|
存储 算法 Linux
【数据结构和算法】---二叉树(1)--树概念及结构
【数据结构和算法】---二叉树(1)--树概念及结构
41 0
|
7天前
|
大数据 UED 开发者
实战演练:利用Python的Trie树优化搜索算法,性能飙升不是梦!
在数据密集型应用中,高效搜索算法至关重要。Trie树(前缀树/字典树)通过优化字符串处理和搜索效率成为理想选择。本文通过Python实战演示Trie树构建与应用,显著提升搜索性能。Trie树利用公共前缀减少查询时间,支持快速插入、删除和搜索。以下为简单示例代码,展示如何构建及使用Trie树进行搜索与前缀匹配,适用于自动补全、拼写检查等场景,助力提升应用性能与用户体验。
22 2
|
3月前
|
大数据 UED 开发者
实战演练:利用Python的Trie树优化搜索算法,性能飙升不是梦!
【7月更文挑战第19天】Trie树,又称前缀树,是优化字符串搜索的高效数据结构。通过利用公共前缀,Trie树能快速插入、删除和查找字符串。
83 2
|
3月前
|
机器学习/深度学习 数据采集 算法
Python实现GBDT(梯度提升树)回归模型(GradientBoostingRegressor算法)项目实战
Python实现GBDT(梯度提升树)回归模型(GradientBoostingRegressor算法)项目实战
|
3月前
|
机器学习/深度学习 数据采集 算法
Python实现GBDT(梯度提升树)分类模型(GradientBoostingClassifier算法)并应用网格搜索算法寻找最优参数项目实战
Python实现GBDT(梯度提升树)分类模型(GradientBoostingClassifier算法)并应用网格搜索算法寻找最优参数项目实战
113 3
|
3月前
|
算法 JavaScript
JS 【详解】树的遍历(含深度优先遍历和广度优先遍历的算法实现)
JS 【详解】树的遍历(含深度优先遍历和广度优先遍历的算法实现)
56 0
JS 【详解】树的遍历(含深度优先遍历和广度优先遍历的算法实现)
|
4月前
|
机器学习/深度学习 数据采集 存储
算法金 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost 算法大全
**摘要:** 这篇文章介绍了决策树作为一种机器学习算法,用于分类和回归问题,通过一系列特征测试将复杂决策过程简化。文章详细阐述了决策树的定义、构建方法、剪枝优化技术,以及优缺点。接着,文章讨论了集成学习,包括Bagging、Boosting和随机森林等方法,解释了它们的工作原理、优缺点以及如何通过结合多个模型提高性能和泛化能力。文中特别提到了随机森林和GBDT(XGBoost)作为集成方法的实例,强调了它们在处理复杂数据和防止过拟合方面的优势。最后,文章提供了选择集成学习算法的指南,考虑了数据特性、模型性能、计算资源和过拟合风险等因素。
52 0
算法金 | 决策树、随机森林、bagging、boosting、Adaboost、GBDT、XGBoost 算法大全
|
4月前
|
机器学习/深度学习 算法
梯度提升树GBDT系列算法
在Boosting集成算法当中,我们逐一建立多个弱评估器(基本是决策树),并且下一个弱评估器的建立方式依赖于上一个弱评估器的评估结果,最终综合多个弱评估器的结果进行输出。
下一篇
无影云桌面