[从零开始面试算法] (06/100) LeetCode 104. 二叉树的最大深度：递归的“分解”艺术

最新推荐文章于 2025-09-02 22:57:29 发布

原创最新推荐文章于 2025-09-02 22:57:29 发布 · 679 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #面试 #leetcode #Hot100 #C++ #递归

LeetCode Hot 100 刷题之路专栏收录该内容

9 篇文章

订阅专栏

引言

欢迎来到本系列的第六篇！告别了线性的数组和链表，今天我们将踏入一个更广阔、更具层次感的数据结构世界——树 (Tree)，并从它的最基本形态——二叉树 (Binary Tree) 开始探索。

二叉树是面试中名副-其实的“明星”，其相关问题层出不穷。为了稳固地开启我们的二叉树之旅，我们将从最经典、最基础的问题 LeetCode 104. 二叉树的最大深度 入手。

第一次看到这个问题，你可能会尝试通过数学公式，从节点总数来推算深度。但你会很快发现，这个方法只适用于“完美”的树。那么，对于任意形状的二叉树，我们该如何求解呢？

本文将带你一起：

分析“数学公式法”的局限性，理解为何它不适用于所有二叉树。
深入理解递归思想如何与树的“分形”结构完美契合。
掌握求解树的深度的“黄金法则”，并写出极其简洁优雅的递归代码。

一、题目与前置知识

题目编号：104. 二叉树的最大深度
题目难度：简单
题目链接：104. 二叉树的最大深度 - 力扣 (LeetCode)
题目描述：

给定一个二叉树，找出其最大深度。

二叉树的深度为根节点到最远叶子节点的最长路径上的节点数。

说明: 叶子节点是指没有子节点的节点。
示例：
- 输入: root = [3,9,20,null,null,15,7] (对应下图)
- 输出: 3
```
      3
     / \
    9   20
       /  \
      15   7
```

前置知识：二叉树节点定义

struct TreeNode {
    int val;
    TreeNode *left;
    TreeNode *right;
    TreeNode(int x) : val(x), left(nullptr), right(nullptr) {}
};

二、我的思考：直觉思路的“陷阱”

看到“深度”，我的第一反应是它和“节点总数”之间应该有某种数学关系。对于一个每层都铺满的“完美”二叉树（满二叉树），其节点数和深度的关系是明确的。例如，深度为 3 的满二叉树有 2^3 - 1 = 7 个节点。

于是，我最初的想法是：能不能通过总节点数，反推出树的深度？

这个思路的困境：
这个方法对于形态规整的树是有效的，但对于任意形状的二叉树则完全行不通。思考一个极端的“链式”二叉树：

这棵树只有 3 个节点，如果按照完全二叉树的公式计算，深度应该是 2。但它的实际最大深度却是 3！

结论：我们无法依赖一个简单的数学公式。我们需要一种能够适应树的任意结构的方法。这正是递归大显身手的地方。

三、豁然开朗：递归的“分解”艺术

树形问题天生就适合用递归来解决，因为树本身就是一个递归定义的数据结构：一棵树，是由一个根节点和它的左、右两棵子树组成的。

我们可以利用这个特性，将一个“求整棵树的深度”的大问题，分解成“求其子树深度”的小问题。

求解最大深度的“黄金法则”：

一棵树的最大深度 = 1 (根节点本身占一层) + 其左右子树中，深度较大的那个的深度。

让我们用这个法则来手动求解示例中的树：

求 maxDepth(根节点 3) 的深度：
- 根据法则，它等于 1 + max( maxDepth(左子树 9), maxDepth(右子树 20) )。
分解问题，先求子问题：
- 求 maxDepth(左子树 9):
  - 节点 9 是叶子节点，它的左右子树都是空 (null)。
  - maxDepth(9) = 1 + max( maxDepth(null), maxDepth(null) )
  - 我们定义空树的深度为 0。
  - 所以，maxDepth(9) = 1 + max(0, 0) = 1。
- 求 maxDepth(右子树 20):
  - maxDepth(20) = 1 + max( maxDepth(15), maxDepth(7) )。
  - maxDepth(15) 和 maxDepth(7) 都是叶子节点，它们的深度计算出来也都是 1。
  - 所以，maxDepth(20) = 1 + max(1, 1) = 2。
汇总结果：
- 现在我们有了子问题的答案：左子树深度为 1，右子树深度为 2。
- 代入第一步的公式：maxDepth(3) = 1 + max(1, 2) = 3。

我们得到了正确答案！这个“分解-求解-汇总”的过程，就是递归的精髓。

四、C++ 最优代码与详解

这个递归思路可以被直接、优雅地翻译成代码。

完整代码

#include <algorithm> // 为了使用 std::max

class Solution {
public:
    int maxDepth(TreeNode* root) {
        // 1.
        if (root == nullptr) {
            return 0;
        }

        // 2.
        int left_depth = maxDepth(root->left);
        int right_depth = maxDepth(root->right);

        // 3.
        return 1 + std::max(left_depth, right_depth);
    }
};

代码逐点解释

if (root == nullptr)
这是递归的终止条件 (Base Case)。当递归到空节点时（比如一个叶子节点的子节点），我们知道空树的深度为 0，直接返回。这是递归能够停止并开始“回归”的关键。
int left_depth = maxDepth(root->left); int right_depth = maxDepth(root->right);
这是问题的分解。我们不关心左右子树内部有多复杂，我们只是信任地调用 maxDepth 函数自身去解决这两个规模更小的子问题。函数会一路递归下去，直到遇到终止条件，然后逐层返回子问题的解。
return 1 + std::max(left_depth, right_depth);
这是结果的汇总。当两个子问题 maxDepth(root->left) 和 maxDepth(root->right) 都返回了它们的答案后，当前层就根据我们的“黄金法则”来计算自己的深度：1 (当前层) + 左右子深度中的较大值，然后将这个结果返回给它的上一层调用。

五、总结与收获

复杂度分析：我们访问了树中的每一个节点一次，因此时间复杂度为 O(n)，其中 n 是节点的数量。递归调用栈的深度在最坏情况下（链式树）等于树的高度，因此空间复杂度为 O(h)，其中 h 是树的高度。
核心思想：递归是解决树形问题的首选“瑞士军刀”。通过定义好终止条件和递归关系，我们可以将复杂的大问题分解为简单的子问题来求解。
关键技巧：求解树的高度/深度问题的核心公式是 1 + max(左子树高度, 右子树高度)。这个模式在许多其他树形问题中也会反复出现。