二叉树层序遍历：BFS算法详解与工程实践

1. 二叉树层序遍历的核心概念

第一次接触二叉树层序遍历时，我被这个看似简单实则精妙的算法深深吸引。层序遍历（Level Order Traversal）就像是在给二叉树拍X光片，能够清晰地展示每一层节点的排布情况。与常见的前序、中序、后序遍历不同，层序遍历采用广度优先搜索（BFS）策略，按照从上到下、从左到右的顺序逐层访问节点。

这种遍历方式在实际开发中应用广泛，比如在构建树形菜单、计算二叉树深度、检查完全二叉树属性等场景都能见到它的身影。我记得第一次用层序遍历解决实际问题是在开发一个组织架构图功能时，需要按照部门层级展示员工信息，层序遍历完美匹配了这个需求。

2. 算法实现的核心思路

2.1 队列的关键作用

层序遍历的核心数据结构是队列（Queue），这是由它的BFS特性决定的。算法开始时，我们先将根节点入队，然后开启一个循环：每次从队列头部取出一个节点访问，同时将其左右子节点（如果存在）依次加入队列尾部。这个过程就像是在超市排队结账，先来的顾客先服务，同时新来的顾客排在队尾。

python复制from collections import deque

def levelOrder(root):
    if not root:
        return []
    
    queue = deque([root])
    result = []
    while queue:
        level_size = len(queue)
        current_level = []
        for _ in range(level_size):
            node = queue.popleft()
            current_level.append(node.val)
            if node.left:
                queue.append(node.left)
            if node.right:
                queue.append(node.right)
        result.append(current_level)
    return result

2.2 分层处理的技巧

标准的层序遍历代码中有一个容易忽略但非常重要的细节：在开始处理每一层之前，我们先记录当前队列的长度（即该层的节点数）。这样就能确保我们只处理当前层的节点，不会混淆不同层的节点。这个技巧在需要区分不同层级的场景（如计算每层平均值、找每层最大值等）特别有用。

3. 算法的时间与空间复杂度分析

3.1 时间复杂度

层序遍历需要访问二叉树中的每个节点恰好一次，因此时间复杂度为O(n)，其中n是树中的节点总数。这个效率在大多数情况下都是可以接受的，特别是当我们需要处理整个树的结构时。

3.2 空间复杂度

空间复杂度主要取决于队列中同时存储的最大节点数，也就是二叉树最宽的那层的节点数。对于完美二叉树（所有非叶子节点都有两个