树结构算法：颜色标记法与DFS/BFS遍历详解

1. 树结构算法概述

树是计算机科学中最基础也最重要的数据结构之一，广泛应用于文件系统、数据库索引、游戏AI等领域。在处理树结构问题时，我们通常需要遍历整棵树来搜索特定节点或验证某些属性。根据遍历顺序和方向的不同，主要分为以下几种经典方法：

• 颜色标记法：通过给节点"着色"来记录访问状态
• BFS（广度优先搜索）：按层级逐层遍历
• 自顶向下DFS：从根节点开始递归处理
• 自底向上DFS：先处理子树再处理当前节点

这几种方法各有特点，适用于不同场景。下面我将结合具体代码示例，详细解析每种方法的实现原理和适用场景。

2. 颜色标记法详解

2.1 基本思想与实现

颜色标记法本质上是DFS的一种变体，通过给节点赋予不同"颜色"来标记其访问状态。典型的三色标记法实现如下：

python复制WHITE = 0  # 未访问
GRAY = 1   # 访问中
BLACK = 2  # 已访问完成

def dfs(node):
    if node.color == BLACK:
        return
    if node.color == GRAY:
        raise Exception("检测到环")
    
    node.color = GRAY
    for child in node.children:
        dfs(child)
    node.color = BLACK

这种方法的优势在于：

1. 可以清晰判断节点状态
2. 容易检测环的存在
3. 适合需要多次访问同一节点的场景

2.2 实际应用场景

颜色标记法特别适用于以下情况：

• 拓扑排序（课程安排、任务调度）
• 垃圾回收中的标记-清除算法
• 检测图中的环

提示：在实现时，可以用整数代替颜色枚举，节省内存空间。对于大规模图，可以考虑使用位运算进一步优化。

3. BFS算法解析

3.1 标准实现模板

BFS使用队列数据结构，保证节点按层级顺序被访问。以下是Python实现示例：

python复制from collections import deque

def bfs(root):
    if not root:
        return
    
    queue = deque([root])
    while queue:
        level_size = len(queue)
        for _ in range(level_size):
            node = queue.popleft()
            print(node.val)  # 处理当前节点
            for child in node.children:
                if child:
                    queue.append(child)

3.2 层级处理技巧

BFS的一个关键特性是可以自然获取层级信息。我们常用两种方式处理层级：

1. 队列长度法（如上例）
2. 双队列法：使用两个队列交替存储当前层和下一层节点

对于某些特定问题，如二叉树右视图、最小深度等，BFS通常比DFS更高效。

4. 自顶向下DFS

4.1 递归实现模式

自顶向下DFS是最直观的深度优先实现方式：

python复制def dfs(node, parent_val):
    if not node:
        return
    
    # 处理当前节点（使用父节点信息）
    node.val += parent_val
    
    # 递归处理子节点
    for child in node.children:
        dfs(child, node.val)

这种方式的典型特点是：

• 父节点的信息可以传递给子节点
• 通常需要携带额外参数
• 适合计算从根到叶子的路径相关属性

4.2 应用案例

常见应用包括：

• 路径和问题（如求所有根到叶子的路径和）
• 树的序列化
• 带状态的树遍历

5. 自底向上DFS

5.1 后序遍历实现

自底向上DFS通常通过后序遍历实现：

python复制def dfs(node):
    if not node:
        return 0
    
    left_sum = dfs(node.left)
    right_sum = dfs(node.right)
    
    # 处理当前节点（使用子树信息）
    total = left_sum + right_sum + node.val
    
    return total

这种方式的优势在于：

• 子树的处理结果可以用于父节点计算
• 适合需要聚合子树信息的场景
• 天然支持并行计算子树

5.2 典型应用场景

• 计算树的高度/直径
• 子树统计（如求子树平均值）
• 树形DP问题

6. 方法比较与选择指南

6.1 时间复杂度对比

6.2 选择策略

1. 需要层级信息 → 选择BFS
2. 需要路径信息 → 自顶向下DFS
3. 需要子树聚合 → 自底向上DFS
4. 需要检测访问状态 → 颜色标记法

7. 常见问题与调试技巧

7.1 栈溢出问题

深度很大的树使用递归DFS可能导致栈溢出。解决方案：

• 改用迭代实现
• 使用尾递归优化（某些语言支持）
• 增加栈大小（不推荐）

7.2 重复计算问题

对于需要多次访问同一节点的问题，可以考虑：

1. 记忆化搜索（缓存计算结果）
2. 使用颜色标记法记录访问状态

7.3 边界条件处理

特别注意以下边界情况：

• 空树（root为null）
• 只有根节点的树
• 退化成链表的树（极度不平衡）
• 每个节点都是叶节点的树（极端平衡树）

在实际编码中，我习惯先写出基础case的处理逻辑，再逐步添加特殊情况的处理。测试时要特别注意各种极端情况的组合。