新闻详情

新闻详情

首页 / 资讯中心 / 详情

DeepSeek LeetCode 102. 二叉树的层序遍历 TypeScript实现

发布时间:2026/11/14 0:45:59来源:尧图网络
DeepSeek    LeetCode 102. 二叉树的层序遍历 TypeScript实现
LeetCode 102. 二叉树的层序遍历题目描述给你二叉树的根节点 root返回其节点值的层序遍历即逐层地从左到右访问所有节点。示例:输入: root [3,9,20,null,null,15,7] 输出: [[3],[9,20],[15,7]] 3 / \ 9 20 / \ 15 7题解BFS广度优先搜索核心思路用队列逐层处理节点。关键在于在每层开始时记录队列长度这个长度就是当前层的节点数从而将同一层的节点归到同一个子数组中。TypeScript 实现classTreeNode{val:number;left:TreeNode|null;right:TreeNode|null;constructor(val?:number,left?:TreeNode|null,right?:TreeNode|null){this.valvalundefined?0:val;this.leftleftundefined?null:left;this.rightrightundefined?null:right;}}functionlevelOrder(root:TreeNode|null):number[][]{constresult:number[][][];if(rootnull)returnresult;constqueue:TreeNode[][root];while(queue.length0){constlevelSizequeue.length;// 当前层的节点数constcurrentLevel:number[][];for(leti0;ilevelSize;i){constnodequeue.shift()!;// 出队currentLevel.push(node.val);if(node.left)queue.push(node.left);if(node.right)queue.push(node.right);}result.push(currentLevel);}returnresult;}复杂度分析指标 复杂度 说明时间 O(n) 每个节点恰好入队、出队一次空间 O(n) 队列最多存一层的节点最坏完全二叉树叶子层约 n/2代码要点说明levelSize 是关键进入 while 循环时先保存 queue.length本次循环只处理这 levelSize 个节点新入队的子节点留给下一轮从而自然分层。queue.shift() 与性能JS 数组的 shift() 是 O(n) 操作。若追求更优性能可用索引指针代替 shiftfunctionlevelOrder(root:TreeNode|null):number[][]{constresult:number[][][];if(!root)returnresult;constqueue:TreeNode[][root];lethead0;// 队头指针避免 shift 的 O(n) 开销while(headqueue.length){constlevelSizequeue.length-head;constcurrentLevel:number[][];for(leti0;ilevelSize;i){constnodequeue[head];currentLevel.push(node.val);if(node.left)queue.push(node.left);if(node.right)queue.push(node.right);}result.push(currentLevel);}returnresult;}递归DFS写法也可行用一个 depth 参数标记层级把节点值 push 到 result[depth] 中但本题 BFS 更直观。DFS 递归写法补充functionlevelOrder(root:TreeNode|null):number[][]{constresult:number[][][];constdfs(node:TreeNode|null,depth:number):void{if(!node)return;if(!result[depth])result[depth][];result[depth].push(node.val);dfs(node.left,depth1);dfs(node.right,depth1);};dfs(root,0);returnresult;}
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/13 10:09:00

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/13 13:31:48

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/13 16:11:45

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉