最优二叉搜索树:
给定一个n个不同关键字的已排序的序列K=<k1,k2,…,kn>(因此k1<k2<…<kn)我们希望用这些关键字构造一棵二叉树。对每个关键字ki,都有一个概率pi表示其搜索频率。
有些要搜索的值可能不在K中,因此,我们还有n+1个“伪关键字”d0,d1,d2,…,dn表示不在K中的值。d0表示所有小于k1的值,dn表示所有大于kn的值,对i=1,2,…,n-1伪关键字di表示所有在ki和k(i+1)之间的值。
对每个伪关键字di也都有一个概率qi表示对应的搜索频率。
假定一次搜索的代价等于访问的结点数,即此次搜索找到的结点在T中的深度再加1.那么在T中进行一次搜索的期望代价为:
对于一个给定的概率集合,我们希望构造一棵期望搜索代价最小的二叉搜索树,我们称之为最优二叉搜索树。
用动态规划方法求解此问题:
步骤1:最优二叉搜索树的结构:
考虑一棵二叉搜索树的任意子树,它必须包含连续关键字ki,…,kj(1<=i<=j<=n),而且其叶结点必然是伪关键字d(i-1),…,dj。
最优子结构:
如果一棵最优二叉搜索树T中有一棵包含关键字ki,…,kj(1<=i<=j<=n)的子树T‘,那么T’必然是包含关键字ki,…,kj和伪关键字d(i-1),…,dj的子问题的最优解。
步骤2:一个递归算法
root[i, j]保存根结点kr的下标r。
步骤3:计算最优二叉搜索树的期望搜索代价
def OptimalBinarySearchTree(q,p,n,e,root,w):
#n表示内结点个数
#w[i][j]是内结点bi到bj构成的子树的存取概率之和,包括两边的叶子结点
#e[i][j]表示搜索代价
for i in range(n+1):
w[i+1][i]=q[i]
e[i+1][i]=0
for r in range(n):#r:结点个数-1
for i in range(1,n-r+1):
j=i+r
w[i][j]=round(w[i][j-1]+q[j]+p[j],3)
e[i][j]=round(e[i+1][j]+w[i][j],3)
root[i][j]=i
#k表示用不同的元素作为根节点
for k in range(i+1,j+1):
t=round(e[i][k-1]+e[k+1][j]+w[i][j],3)
if t<e[i][j]:
e[i][j]=t
root[i][j]=k
print("e")
for i in range(1,n+2):
print(e[i][1:])
print('root')
for i in range(1,n+2):
print(root[i][1:])
print('w')
for i in range(1,n+2):
print(w[i])
#叶子结点的存取概率
q=[0.05,0.10,0.05,0.05,0.05,0.10]
#内结点的存取概率
p=[0,0.15,0.10,0.05,0.10,0.20]
n=len(p)-1
e,root,w=[],[],[]
for i in range(n+2):
e.append([0]*(n+1))
root.append([0]*(n+1))
w.append([0]*(n+1))
OptimalBinarySearchTree(q,p,n,e,root,w)
运行结果如图