好的，所以这一直是困扰我的事情。我知道的树数据结构是：
我如何确定哪种树最适合这项工作？显然堆被规范地用于形成优先级队列。但其余的似乎只是做同一件事的不同方式。有什么方法可以选择最适合这项工作的人吗？
【问题讨论】：
标签： data-structures tree
每一个都有不同的插入、删除和检索复杂性，所有的访问时间大多是 O log(n)。
【讨论】：
与任何其他数据结构一样，您必须了解每种树的特征（搜索、插入和删除操作的复杂性），以及您选择工具的工作的要求。对于您最常执行的操作类型而言，性能最佳的树通常是完成这项工作的最佳工具。
您通常可以在 Wikipedia 上找到任何类型数据结构的一般特征。 Introduction to Algorithms 也至少有一节（在某些情况下是一整章）关于您列出的大多数数据结构，因此它是另一个很好的参考。
【讨论】：
每棵树都有特定的特征，使它们以某种方式有用。您应该将那里的特征与您的需求进行比较。
【讨论】：
让我们一一挑选，好吗？
- 不平衡二叉树
对于搜索任务，永远不会。基本上，它们的性能特征将是完全不可预测的，平衡树的开销不会大到使不平衡树成为可行的替代方案。
除此之外，不平衡二叉树当然还有其他用途，但不能用作搜索树。
- AVL 树
它们很容易开发，但它们的性能通常会被其他平衡策略超越，因为平衡它们比较耗时。 Wikipedia claims 他们在查找密集型场景中表现更好，因为在最坏的情况下它们的高度略低。
- 红黑树
这些在大多数 C++ 的std::map 实现中使用，并且可能也在其他一些标准库中使用。然而，有good evidence 指出，由于现代 CPU 的缓存行为，它们实际上在每个场景中都比 B(+) 树差。从历史上看，当缓存不那么重要（或不那么好）时，它们在主内存中使用时超过了 B 树。
- 2-3 棵树
- B 树
- B*-树
这些需要对所有树进行最仔细的考虑，因为所使用的不同常量基本上是“神奇”的常量，它们以奇怪且有时不可预测的方式与底层硬件架构相关联。例如，每个级别的最佳子节点数可能取决于内存页或缓存行的大小。
我不知道区分它们的一般规则。
- 尝试
完全不同。尝试也是搜索树，但用于语料库中子字符串的文本检索。 trie 是未压缩的前缀树（即从根到叶节点的路径对应于给定字符串的所有前缀的树）。
应该将尝试与 后缀树、后缀数组和 q-gram 索引进行比较和抵消——而不是与其他搜索树，因为它们搜索的数据是不同的：而不是语料库中的离散词，后者的索引结构允许因子搜索。
- 堆
正如你已经说过的，它们根本不是搜索树。
【讨论】：
类似问题：When to choose RB tree, B-Tree or AVL tree?
我想说的是，编写可能工作的最简单的代码（如果可能，请使用库提供的数据结构）。然后测量其性能问题（如果有）。
如果您的性能需求非常极端，请阅读 Konrad Rudolph 的精彩回答。 :)
【讨论】：