用栈后续遍历二叉树的非递归算法!这有算法,哪位大虾抽点时间帮我用c++实现!感激不尽!

striker1982 2004-05-08 11:07:24
typedef struct {
BTNode* ptr;
enum {0,1,2} mark;
0 } PMType; //有mark域的结点指针类型
void PostOrder_Stack(BiTree T)//用栈后续遍历二叉树的非递归算法,
{
PMType a;
InitStack(S); //S的元素为PMType类型
Push (S,{T,0}); //根结点入栈
while(!StackEmpty(S))
{
Pop(S,a);
switch(a.mark)
{
case 0:
Push(S,{a.ptr,1}); //修改mark域
if(a.ptr->lchild) Push(S,{a.ptr->lchild,0}); //访问左子树
break;
case 1:
Push(S,{a.ptr,2}); //修改mark域
if(a.ptr->rchild) Push(S,{a.ptr->rchild,0}); //访问右子树
break;
case 2:
visit(a.ptr); //访问结点,返回
}
}//while
}//PostOrder_Stack
分析:为了区分两次过栈的不同处理方式,在堆栈中增加一个mark域,mark=0表示刚刚访问此结点,mark=1表示左子树处理结束返回,mark=2表示右子树处理结束返回.每次根据栈顶元素的mark域值决定做何种动作.
...全文
230 7 打赏 收藏 举报
写回复
用AI写文章
7 条回复
切换为时间正序
请发表友善的回复…
发表回复
codeyangjun 2004-06-14
  • 打赏
  • 举报
回复
楼主可看清华殷人昆的数据结构教材!我们上课用的是这本,上面有详细的讲解
WYlslrt 2004-06-14
  • 打赏
  • 举报
回复
既然上面说过了,我就不说了。
fannytong 2004-06-14
  • 打赏
  • 举报
回复
小弟写得看看可以吗?


//后序非递归遍历
bool PostOrderTraverse(Bitree T)
{
Tree p;
stack<Tree> s;
p.bitree=T;

while(p.bitree||!s.empty())
{
if(p.bitree)
{
p.tag=0; //给标记tag赋初值0
s.push(p);
p.bitree=p.bitree->lchild;
}
else
{
p=s.top();
s.pop();
if(p.tag==0) //改变tag的值并压回栈中
{
p.tag=1;
s.push(p);
p.bitree=p.bitree->rchild;
}
else
{
cout<<p.bitree->data;
p.bitree=NULL;
}
}
}
return true;
}
whalefish2001 2004-05-09
  • 打赏
  • 举报
回复
对呀,这样就可以了啊

在C++的编译器下也能运行啊。
并且速度还很快。
stephen85 2004-05-08
  • 打赏
  • 举报
回复
这样就可以了
haoahoxueJAVA 2004-05-08
  • 打赏
  • 举报
回复
关注中!

我也想要呀!
wlpwind 2004-05-08
  • 打赏
  • 举报
回复
这个也可以看作c++
文末附数据集可视化效果图。 【数据集概况】 · 检测类别(中文):[矿石0(0), 矿石1(1), 矿石10(10), 矿石11(11), 矿石2(2), 矿石3(3), 矿石4(4), 矿石7(7), 矿石8(8), 矿石9(9), 模组矿石(modore), 普通矿石(ore)] · 训练集:1383 张 · 验证集:130 张 · 测试集:66 张 · 总计:1579 张 该数据集聚焦于典型游戏内资源采集场景,以俯视角呈现冰雪覆盖的虚拟地形环境,包含多种类型矿石与特殊资源点。数据集中各类矿石分布密集且形态多样,标注清晰,能够有效支持对复杂背景下的小目标识别与分类任务,具备较高的训练价值和实际应用潜力。... 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 100 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.9185** mAP50-95 | 0.5810 Precision | 0.9468 Recall | 0.8648 train/box_loss | 1.2381 train/cls_loss | 0.4081 val/box_loss | 1.5489 val/cls_loss | 0.5361 【训练过程分析】 100 轮训练后 mAP50 达到 0.9185,模型收敛良好。Loss 曲线前段快速下降,后段趋于平稳,val_loss 无反弹,没有明显过拟合。但 mAP50-95 为 0.5810,和 mAP50 差距 0.34,定位精度仍有优化空间。 【模型性能评估】 Precision 0.9468、Recall 0.8648...
内容概要:本文提出一种融合细菌觅食优化算法(BFOA)、蚁群算法(ACO)与长短期记忆网络(LSTM)的混合智能算法A-ACO-LSTM,用于解决无人机在复杂三维环境中的路径规划问题。通过三维栅格地图建模,结合LSTM对航段风险的预测能力、BFOA在连续空间中的全局优化能力和ACO在离散栅格路径上的搜索优势,构建了“先学习—再优化—后修正”的协同框架。系统综合考虑路径长度、障碍碰撞、飞行风险、转弯平滑度和垂直爬升等因素,设计多目标归一化代价函数与动态权重机制,在保证飞行安全的前提下提升路径质量。代码基于MATLAB实现,包含环境生成、LSTM训练、BFOA连续优化、ACO离散搜索、路径融合与三维可视化等模块,支持参数配置、结果复现与工程扩展。; 适合人群:具备一定算法基础和MATLAB编程经验,从事无人机路径规划、智能优化算法或人工智能应用研究的研发人员及研究生。; 使用场景及目标:①应对城市楼宇、山地地形等复杂三维障碍环境下的无人机自主导航;②实现低能耗、高安全性、强鲁棒性的飞行路径规划;③为多源算法融合与深度学习辅助优化提供技术参考与实现范例; 阅读建议:建议结合完整代码与GUI界面深入理解各模块交互逻辑,重点关注LSTM风险预测与两种群智能算法的耦合机制,可通过更换训练数据、调整环境参数进行二次开发与性能测试。

33,025

社区成员

发帖
与我相关
我的任务
社区描述
数据结构与算法相关内容讨论专区
社区管理员
  • 数据结构与算法社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧