博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Validate binary search tree
阅读量:2232 次
发布时间:2019-05-09

本文共 1733 字,大约阅读时间需要 5 分钟。

关于这道题目,不得不感慨leetcode真的是一个不错的站点,之前的代码是有bug的,当时AC了,如今測试用例更加完好了,于是不能AC了。

题目描写叙述:

Given a binary tree, determine if it is a valid binary search tree (BST).

Assume a BST is defined as follows:

  • The left subtree of a node contains only nodes with keys less than the node's key.
  • The right subtree of a node contains only nodes with keys greater than the node's key.
  • Both the left and right subtrees must also be binary search trees.
分析:1 题目中的BST的节点之间的值是一个严格递增的关系。先贴出今天的代码。非常直观,就是中序遍历二叉树。

查看数组是否是严格递增的就可以。代码非常easy:

class Solution {private:    void traverse(TreeNode *root , vector
&in) { if(root == nullptr) return; traverse(root->left,in); in.push_back(root->val); traverse(root->right,in); }public: bool isValidBST(TreeNode *root) { if(root == nullptr) return true; vector
in; traverse(root,in); for(int i=0;i+1
= in[i+1]) return false; return true; }};
这里重点解释一下之前的代码,先帖出代码:

class Solution { //代码不够robust!!

有错误!! bool helper(TreeNode *root, int min, int max) { if(root == nullptr) return true; return (root->val > min && root->val < max ) && helper(root->left,min,root->val) && helper(root->right,root->val, max); } public: bool isValidBST(TreeNode *root) { if(root == nullptr) return true; int min = INT_MIN, max = INT_MAX; return helper(root, min,max); } };

之前是逐渐的降低每一个子树的取值范围。检验就可以,直到根节点。这个代码对于一般的样例是没有不论什么问题的。可是对于树中本身就含有INT_MIN和INT_MAX的节点时,上述代码是错误的。列出几个case:

Case 1: 仅仅有一个根节点,根节点的值就是INT_MIN或者INT_MAX.结果输出false。正确答案是TRUE。

于是我想到了对于特殊值的地方同意等号存在。代码极其繁琐,就不贴出来了。可是还是不正确。比方以下的Case

Case 2: 根节点的值是INT_MIN ,根节点的右子节点为INT_MAX, 根节点的右子树的左子树节点的值为INT_MIN.

.......

转载于:https://www.cnblogs.com/ljbguanli/p/6884131.html

你可能感兴趣的文章
用ARIMA模型做需求预测
查看>>
推荐系统
查看>>
TensorFlow-11-策略网络
查看>>
浅谈 GBDT
查看>>
如何选择优化器 optimizer
查看>>
一文了解强化学习
查看>>
CART 分类与回归树
查看>>
seq2seq 的 keras 实现
查看>>
seq2seq 入门
查看>>
什么是 Dropout
查看>>
用 LSTM 做时间序列预测的一个小例子
查看>>
用 LSTM 来做一个分类小问题
查看>>
详解 LSTM
查看>>
按时间轴简述九大卷积神经网络
查看>>
详解循环神经网络(Recurrent Neural Network)
查看>>
为什么要用交叉验证
查看>>
用学习曲线 learning curve 来判别过拟合问题
查看>>
用验证曲线 validation curve 选择超参数
查看>>
用 Grid Search 对 SVM 进行调参
查看>>
用 Pipeline 将训练集参数重复应用到测试集
查看>>