Self-Balancing Tree

提纲：
AVL Tree
Red-black Tree
B Tree
B+ Tree
AVL Tree
AVL Tree 是一种自平衡二叉搜索树（self-balancing BST)，数中任意节点的左子树与右子树的高度差小于或等于 1，举例如下：
返例如下：
图中节点 8 的左子树高度为 3，右子树高度为 1，差为 2。
AVL 提出的原因在于解决普通二叉树可能出现的降格问题，保证在二叉树中的搜索、插入、删除操作的复杂度都能控制在 O(logn)O(logn)O(logn)
 的范围内。
Operations
Insertion
Deletion
Insertion
每次插入新节点，先按普通二叉树的 insertion 方式插入，若树中所有节点都满足 AVL Tree 的规定，则插入完毕；若树中有节点不满足 AVL Tree 的规定，则根据情况作出相应的调整。可能出现的情况有 4 种：
i) left - left：
ii) left - right:
iii) right - right:
iv) right - left:
代码实现如下：
AVL.py
class TreeNode(object):
    def __init__(self, val):
        self.val = val
        self.left = None
        self.right = None
        self.height = 1
​
​
class AVLTree(object):
    def insert(self, root, key):
        # Step 1 - Perform normal BST
        if not root:
            return TreeNode(key)
        elif key < root.val:
            root.left = self.insert(root.left, key)
        else:
            root.right = self.insert(root.right, key)
        
        # Step 2 - Update the height of the ancestor node
        root.height = 1 + max(self.getHeight(root.left),
                              self.getHeight(root.right))
        # Step 3 - Get the balance factor
        balance = self.getBalance(root)
        # Step 4 - If the node is unbalanced,
        # then try out the 4 cases
        
        # Case 1 - Left Left
        if balance > 1 and key < root.left.val:
            return self.rightRotate(root)
        # Case 2 - Right Right
        if balance < -1 and key > root.right.val:
            return self.leftRotate(root)
        # Case 3 - Left Right
        if balance > 1 and key > root.right.val:
            root.left = self.leftRotate(root.left)
            return self.rightRotate(root)
        # Case 4 - Right Left
        if balance < -1 and key < root.right.val:
            self.right = self.rightRotate(root.right)
            return self.leftRotate(root)
        return root
    
    def leftRotate(self, z):
        y = z.right
        T = y.left
        
        y.left = z
        z.right = T
        # Update heights
        z.height = 1 + max(self.getHeight(z.left),
                           self.getHeight(z.right))
        y.height = 1 + max(self.getHeight(y.left),
                           self.getHeight(y.right))
        return y
    
    def rightRotate(self, z):
        y = z.left
        T = y.right
        
        y.right = z
        z.left = T
        
        # Update heights
        z.height = 1 + max(self.getHeight(z.left),
                           self.getHeight(z.right))
        y.height = 1 + max(self.getHeight(y.left),
                           self.getHeight(y.right))
        return y
        
    def getHeight(self, root):
        if not root:
            return 0
        return root.height
    
    def getBalance(self, root):
        if not root:
            return 0
        return self.getHeight(root.left) - self.getHeight(root.right)
Deletion
每次删除节点，先按普通二叉树的 deletion 方式删除，若树中所有节点都满足 AVL Tree 的规定，则删除完毕；若树中有节点不满足 AVL Tree 的规定，则根据情况作出相应的调整。可能出现的情况有 4 种，与 insertion 中的 4 种情况相同，代码实现如下：
class AVLTree(object):
    def delete(self, root, key):
        # Step 1 - Perform standard BST delete
        if not root:
            return root
        elif key < root.val:
            root.left = self.delete(root.left, key)
        elif key > root.val:
            root.right = self.delete(root.right, key)
        else:
            if root.left is None:
                tmp = root.right
                root = None
                return tmp
            elif root.right is None:
                tmp = root.left
                root = None
                return tmp
            tmp = self.getMinValueNode(root.right)
            root.val = tmp.val
            root.right = self.delete(root.right, tmp.val)
        # If the tree has only one node, simply return it
        if root is None:
            return root
        
        # Step 2 - Update the height of the ancestor node
        root.height = 1 + max(self.getHeight(root.left),
                              self.getHeight(root.right))
        
        # Step 3 - Get the balance factor
        balance = self.getBalance(root)
        
        # Step 4 - If the node is unbalanced,  
        # then try out the 4 cases 
        # Case 1 - Left Left 
        if balance > 1 and self.getBalance(root.left) >= 0: 
            return self.rightRotate(root) 
  
        # Case 2 - Right Right 
        if balance < -1 and self.getBalance(root.right) <= 0: 
            return self.leftRotate(root) 
  
        # Case 3 - Left Right 
        if balance > 1 and self.getBalance(root.left) < 0: 
            root.left = self.leftRotate(root.left) 
            return self.rightRotate(root) 
  
        # Case 4 - Right Left 
        if balance < -1 and self.getBalance(root.right) > 0: 
            root.right = self.rightRotate(root.right) 
            return self.leftRotate(root) 
  
        return root 
Red-Black Tree
Red-Black Tree 与 AVL 一样是自平衡二叉搜索树（self-balancing BST），它的结构要求：
每个 node 都有一种颜色，红或者黑
root node 永远是黑色
不能出现相邻的红色 nodes，即一个红色 node 的 parent 和 child 都必须是黑色
从任意 node 出发到所有 leaf node 的路径上包含的黑色 nodes 数量相等
一棵典型的 Red-Black Tree 举例如下：
Red-Black Tree 提出的原因与 AVL Tree 相同，都在于解决普通二叉树可能出现的降格问题，保证在二叉树中的搜索、插入、删除操作的复杂度都能控制在 O(logn)O(logn)O(logn)
 的范围内。
它与 AVL Tree 相比：
AVL Tree 在 insert 和 delete 操作中会出现更多的 rotations，因此如果应用的 insert 和 delete 操作频繁，则 Red-Black Tree 更合适；若应用的 search 操作较多，insert 和 delete 操作较少，则 AVL Tree 更合适。
值得注意的是：
一棵只含黑色 nodes 的树有可能是 Red-Black Tree，但它必须是完美平衡树（Perfect Balanced Tree）
存在一棵 Red-Black Tree 不满足 AVL Tree 的性质，如上图中的树
Operations
Insertion
Deletion
Insertion
略
Deletion
略
B Tree
B Tree 是自平衡搜索树 (self-balancing search tree)，与 AVL Tree 以及 Red-Black Tree 不同，它不是二叉搜索树，它的使用场景主要在于整棵树无法一次性载入到内存中的场景，当数据需要在 memory 与 disk 之间传输时，各个操作的时间瓶颈就出现在了 disk I/O 上。因此，B Tree 的设计思想是尽可能地矮，使得通往目标 node 的路径尽可能短，从而减少 disk I/O 次数。通常 B Tree 的每个 node 大小为一个 page/block。
B Tree 的主要性质有：
所有的 leaf nodes  都在同一 level
B Tree 的类型由 minimum degree --- t  来定义，t 的取值取决于 page/block 大小
除 root node 外的 nodes 都至少包含 k-1 个 keys，root node 至少包含 1 个 key
所有 nodes 至多包含 2t - 1 个 keys
每个 node 的 children 数量比 keys 数量多 1
一个 node 内部的所有 keys 按升序排列，在 k1 与 k2 之间的所有 keys 都包含在 k1、k2 之间的 child node 中
B Tree 的所有操作复杂度都为 O(logn)O(logn)O(logn)
 
一棵典型的 B Tree 如下图所示：
Operations
Search
Traverse
Insertion
Deletion
Search
与其它搜索树的 search 操作类似，递归地从 root node 开始往下搜索，找到合适的 child node，若发现相应的 key 则返回结果，若知道 leaf node 都没找到， 则返回 NULL。
Traverse
traverse 与 inorder traversal 类似，从左下角的 leaf node 开始，inorder traverse 所有 node。
Insertion
与 BST 类似，从 root node 开始往下搜索，直到 leaf nodes 位置，在路径上每遇到一个 node，都先检查该 node 是否已经 full，若是，则先将其分裂成两个 nodes：
1.初始化 x 为 root
2.当 x 不是 leaf node 时
a. 找到 x 中与 key 对应的 child，记为 y
b. 如果 y 不满，则修改 x 为 y
c. 如果 y 已满，则将 y 分裂，根据 key 的大小将 x 修改为 y 分裂后的其中一个 node
3.循环执行第 2 步，直到 x 为 leaf 为止，这时 x 肯定有足够的空间，直接插入 key 即可
这种实现采用主动分裂的策略，但有可能做出不必要的分裂操作。
Deletion
deletion 操作比较复杂，考虑的情况也比较多，有可能需要：
直接删除
parent 中的某 key 被删除后拆借 child 中的 key
parent 中的某 key 被删除后合并 children
一些可能性如下图所示：
​
​

MIT - 6.006 - Previous

Backtracking

Next - MIT - 6.824

2PC & 3PC

Last modified 3yr ago

Copy link

Outline