⼆叉搜索树的删除 22 ⼆叉搜索树的删除 我们使⽤辅助函数 fn remove_largest(tree: IntTree) -> (IntTree, Int) 来找到并 删除⼦树中的最⼤值。我们⼀路向右找到没有右⼦树的节点为⽌ 1. match tree { 2. Node(v, left, Empty) => (left, v) 3. Node(v, left, right) => {

之处，比如都依赖最优子结构性质。两者的不 同点在于： ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会重新考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解 决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在动态规划章节中介绍过，相信你对它 并不陌生。 � 给定 ? 种硬币，第

之处，比如都依赖最优子结构性质。两者的不 同点在于： ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会重新考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解 决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在动态规划章节中介绍过，相信你对它 并不陌生。 � 给定 ? 种硬币，第

之处，比如都依赖最优子结构性质。两者的不 同点在于： ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会重新考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解 决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在动态规划章节中介绍过，相信你对它 并不陌生。 � 给定 ? 种硬币，第

之处，比如都依赖最优子结构性质。两者的不 同点在于： ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会重新考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解 决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在动态规划章节中介绍过，相信你对它 并不陌生。 � 给定 ? 种硬币，第

之处，比如都依赖最优子结构性质。两者的不 同点在于： ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会重新考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解 决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在动态规划章节中介绍过，相信你对它 并不陌生。 � 给定 ? 种硬币，第

些相似之处，比如都依赖最优子结构性质，但 工作原理不同。 ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在“完全背包问题”章节中介绍过，相 信你对它并不陌生。 Question 给定

些相似之处，比如都依赖最优子结构性质，但 工作原理不同。 ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在“完全背包问题”章节中介绍过，相 信你对它并不陌生。 Question 给定

些相似之处，比如都依赖最优子结构性质，但 工作原理不同。 ‧ 动态规划会根据之前阶段的所有决策来考虑当前决策，并使用过去子问题的解来构建当前子问题的解。 ‧ 贪心算法不会考虑过去的决策，而是一路向前地进行贪心选择，不断缩小问题范围，直至问题被解决。 我们先通过例题“零钱兑换”了解贪心算法的工作原理。这道题已经在“完全背包问题”章节中介绍过，相 信你对它并不陌生。 Question 给定