AVL树,红黑树,B树,B+树,Trie树应用场景简介

AVL树,红黑树,B树,B+树,Trie树应用场景简介

        AVL树:平衡二叉树,一般是用平衡因子差值决定并通过旋转来实现,左右子树树高差不超过1,那么和红黑树比较它是严格的平衡二叉树,平衡条件非常严格(树高差只有1),只要插入或删除不满足上面的条件就要通过旋转来保持平衡。由于旋转是非常耗费时间的。我们可以推出AVL适合用于插入删除次数比较少,但查找多的情况。

应用相对其他数据结构比较少。windows对进程地址空间的管理用到了AVL


        红黑树:平衡二叉树,通过对任何一条从根到叶子的简单路径上各个节点的颜色进行约束,确保没有一条路径会比其他路径长2倍,因而是近似平衡的。所以相对于严格要求平衡的AVL树来说,它的旋转保持平衡次数较少。用于搜索时,插入删除次数多的情况下我们就用红黑树来取代AVL

红黑树应用比较广泛:

·        广泛用在C++STL中。mapset都是用红黑树实现的。

·        著名的linux进程调度Completely Fair Scheduler,用红黑树管理进程控制块。

·        epoll在内核中的实现,用红黑树管理事件块

·        nginx中,用红黑树管理timer

·        JavaTreeMap实现


        B树,B+树:它们特点是一样的,是多路查找树,一般用于数据库中做索引,因为它们分支多层数少,因为磁盘IO是非常耗时的,而像大量数据存储在磁盘中所以我们要有效的减少磁盘IO次数避免磁盘频繁的查找。
B+树是
B树的变种树,有n棵子树的节点中含有n个关键字,每个关键字不保存数据,只用来索引,数据都保存在叶子节点。是为文件系统而生的。

        B+树相对B树磁盘读写代价更低:因为B+树非叶子结点只存储键值,单个节点占空间小,索引块能够存储更多的节点,从磁盘读索引时所需的索引块更少,所以索引查找时I/O次数较B-Tree索引少,效率更高。而且B+Tree在叶子节点存放的记录以链表的形式链接,范围查找或遍历效率更高Mysql InnoDB用的就是B+Tree索引。


Trie树:

        又名单词查找树,一种树形结构,常用来操作字符串。它是不同字符串的相同前缀只保存一份
相对直接保存字符串肯定是节省空间的,但是它保存大量字符串时会很耗费内存(是内存)。
类似的有:前缀树(prefix tree),后缀树(suffix tree)radix tree(patricia tree, compactprefix tree)crit-bit tree(解决耗费内存问题),以及前面说的double array trie
前缀树:字符串快速检索,字符串排序,最长公共前缀,自动匹配前缀显示后缀。
后缀树:查找字符串s1在s2中,字符串s1在s2中出现的次数,字符串s1,s2最长公共部分,最长回文串。 

trie 树的一个典型应用是前缀匹配,比如下面这个很常见的场景,在我们输入时,搜索引擎会给予提示。

《AVL树,红黑树,B树,B+树,Trie树应用场景简介》

还有比如IP选路,也是前缀匹配,一定程度会用到trie。

    原文作者:Trie树
    原文地址: https://blog.csdn.net/u014774781/article/details/48580295
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注