博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
算法-二叉树-序列化和反序列化二叉搜索树
阅读量:2181 次
发布时间:2019-05-01

本文共 2321 字,大约阅读时间需要 7 分钟。

算法-二叉树-序列化和反序列化二叉搜索树

1 题目概述

1.1 题目出处

https://leetcode-cn.com/problems/serialize-and-deserialize-bst/

1.2 题目描述

序列化是将数据结构或对象转换为一系列位的过程,以便它可以存储在文件或内存缓冲区中,或通过网络连接链路传输,以便稍后在同一个或另一个计算机环境中重建。

设计一个算法来序列化和反序列化二叉搜索树。 对序列化/反序列化算法的工作方式没有限制。 您只需确保二叉搜索树可以序列化为字符串,并且可以将该字符串反序列化为最初的二叉搜索树。

编码的字符串应尽可能紧凑。

注意:不要使用类成员/全局/静态变量来存储状态。 你的序列化和反序列化算法应该是无状态的。

2 BST+前序遍历

2.1 思路

  • 序列化

    先序遍历BST,按照root->left->right的顺序递归添加到StringBuilder,以#分隔

  • 反序列化

    按#拆分StringBuilder,并按照BST规则重新递归构建树即可。

    具体来说,会先建立根节点,然后依次遍历剩下的value,每次都从根节点开始比较值大小,根据bst规则递归查找插入位置。

2.2 代码

/** * Definition for a binary tree node. * public class TreeNode { *     int val; *     TreeNode left; *     TreeNode right; *     TreeNode(int x) { val = x; } * } */public class Codec {
// Encodes a tree to a single string. public String serialize(TreeNode root) {
if(root == null){
return null; } StringBuilder resultSb = new StringBuilder(); serialize(root, resultSb); return resultSb.toString(); } private void serialize(TreeNode root, StringBuilder sb){
if(root != null){
sb.append(String.valueOf(root.val)).append("#"); }else{
return; } serialize(root.left, sb); serialize(root.right, sb); } private void generateTree(TreeNode root, int target){
if(target <= root.val){
if(root.left == null){
root.left = new TreeNode(target); }else{
generateTree(root.left, target); } }else{
if(root.right == null){
root.right = new TreeNode(target); }else{
generateTree(root.right, target); } } } // Decodes your encoded data to tree. public TreeNode deserialize(String data) {
if(null == data || data.length() == 0){
return null; } String[] strs = data.split("#"); TreeNode root = new TreeNode(Integer.parseInt(strs[0])); for(int i = 1; i < strs.length; i++){
generateTree(root, Integer.parseInt(strs[i])); } return root; }}// Your Codec object will be instantiated and called as such:// Codec codec = new Codec();// codec.deserialize(codec.serialize(root));

2.3 时间复杂度

O(N)

2.4 空间复杂度

O(N)

转载地址:http://elpkb.baihongyu.com/

你可能感兴趣的文章
Bagging 简述
查看>>
详解 Stacking 的 python 实现
查看>>
简述极大似然估计
查看>>
用线性判别分析 LDA 降维
查看>>
用 Doc2Vec 得到文档/段落/句子的向量表达
查看>>
使聊天机器人具有个性
查看>>
使聊天机器人的对话更有营养
查看>>
一个 tflearn 情感分析小例子
查看>>
attention 机制入门
查看>>
手把手用 IntelliJ IDEA 和 SBT 创建 scala 项目
查看>>
GAN 的 keras 实现
查看>>
AI 在 marketing 上的应用
查看>>
Logistic regression 为什么用 sigmoid ?
查看>>
Logistic Regression 为什么用极大似然函数
查看>>
SVM 的核函数选择和调参
查看>>
LightGBM 如何调参
查看>>
用 TensorFlow.js 在浏览器中训练神经网络
查看>>
cs230 深度学习 Lecture 2 编程作业: Logistic Regression with a Neural Network mindset
查看>>
梯度消失问题与如何选择激活函数
查看>>
为什么需要 Mini-batch 梯度下降,及 TensorFlow 应用举例
查看>>