Quan sát cây tìm kiếm nhị phân trong hình 9.1, cùng trao đổi, thảo luận các câu hỏi sau:

a) Nếu thực hiện thuật toán duyệt giữa (trái – gốc – phải) thì nút đầu tiên được duyệt là nút nào?

b) Nút cuối cùng được duyệt là nút nào?

c) Thứ tự các nút được duyệt theo thuật toán duyệt giữa sẽ theo thứ tự nào? Em có nhận xét gì về kết quả đạt được? Giải thích vì sao.

Thuật toán sắp xếp dãy sử dụng cây tìm kiếm nhị phân (BST) có độ phức tạp thời gian phụ thuộc vào cấu trúc của cây BST trong quá trình chèn và duyệt các phần tử.

Độ phức tạp thời gian của thuật toán sắp xếp bằng BST

1. Chèn phần tử vào BST:

- Trung bình: Đối với cây BST cân bằng, độ sâu trung bình của cây là O(log⁡n)O(\log n)O(logn), do đó, việc chèn mỗi phần tử có độ phức tạp trung bình là O(log⁡n)O(\log n)O(logn).

- Trường hợp xấu nhất: Trong trường hợp xấu nhất, nếu cây BST trở thành một cây một nhánh (giống như danh sách liên kết) khi các phần tử được chèn theo thứ tự tăng hoặc giảm dần, độ sâu của cây sẽ là O(n)O(n)O(n). Vì vậy, việc chèn mỗi phần tử có độ phức tạp là O(n)O(n)O(n).

2. Duyệt cây để lấy các phần tử đã sắp xếp:

- Việc duyệt cây (in-order hoặc reverse in-order) có độ phức tạp là O(n)O(n)O(n) vì chúng ta phải thăm tất cả các nút trong cây một lần.

Tổng độ phức tạp thời gian

- Trung bình: Trong trường hợp trung bình khi cây BST gần như cân bằng, độ phức tạp cho việc chèn n phần tử là O(nlog⁡n)O(n \log n)O(nlogn), và duyệt cây là O(n)O(n)O(n). Do đó, tổng độ phức tạp thời gian là O(nlog⁡n)O(n \log n)O(nlogn).

- Trường hợp xấu nhất: Trong trường hợp xấu nhất khi cây BST trở thành một cây một nhánh, độ phức tạp cho việc chèn n phần tử là O(n2)O(n^2)O(n2), và duyệt cây là O(n)O(n)O(n). Do đó, tổng độ phức tạp thời gian là O(n2)O(n^2)O(n2).

Kết luận

- Trung bình: O(nlog⁡n)O(n \log n)O(nlogn)

- Trường hợp xấu nhất: O(n2)O(n^2)O(n2)

Để tránh trường hợp xấu nhất, các thuật toán như AVL tree hoặc Red-Black tree có thể được sử dụng để đảm bảo rằng cây BST luôn gần như cân bằng, giữ độ phức tạp thời gian ở mức O(nlog⁡n)O(n \log n)O(nlogn) trong mọi trường hợp.

Để tính chiều cao của cây tìm kiếm nhị phân (BST), chúng ta có thể sử dụng phương pháp đệ quy. Chiều cao của một cây BST là độ dài của đường dẫn từ nút gốc đến nút lá xa nhất. Dưới đây là cài đặt Python cho hàm height(T) để tính chiều cao của cây tìm kiếm nhị phân T.

class TreeNode:

    def __init__(self, key):

        self.left = None

        self.right = None

        self.val = key

def height(T):

    if T is None:

        return -1  # Chiều cao của một cây rỗng là -1

    else:

        # Tính chiều cao của cây con bên trái và cây con bên phải

        left_height = height(T.left)

        right_height = height(T.right)

        # Chiều cao của cây là chiều cao lớn nhất của hai cây con cộng thêm 1

        return max(left_height, right_height) + 1

Giải thích:

- Hàm height(T) sẽ tính chiều cao của cây tìm kiếm nhị phân T bằng cách sử dụng đệ quy.

- Nếu cây T là cây rỗng (None), chiều cao của cây là -1.

- Nếu cây T không rỗng, chúng ta tính chiều cao của cây con bên trái và cây con bên phải.

- Chiều cao của cây là chiều cao lớn nhất của hai cây con cộng thêm 1 (chiều cao của nút gốc).