AVL树是二叉搜索树的自平衡形式，其中子树的高度最多只相差1。
当二叉树的左右子树包含大致相同数量的节点时，称树是 平衡的。 这就是使树搜索速度非常快的原因。 但是如果二元搜索树不平衡，搜索会变得非常慢。
这是一个不平衡树的例子：
所有的子节点都在左侧分支，没有一个在右侧分支。 这与链表基本相同。 因此，搜索需要 O(n) 时间，而不是您期望从二叉搜索树获得的更快的 O(log n) 。
该树的平衡版本如下所示：
使二进制搜索树平衡的一种方法是以完全随机的顺序插入节点。 但这并不能保证成功，也不总是切实可行。
另一种解决方案是使用自平衡二叉树。 插入或删除节点后，此类型的数据结构会调整树以使其保持平衡。 这种树的高度保证为 log(n)，其中 n 是节点的数量。 在平衡树上，所有插入，移除和搜索操作仅需 O(logn) 时间。 这意味着快速。;-)
AVL树通过向左或向右“旋转”树来修复任何不平衡。
如果AVL树中的节点在“高度”上的差异最大为1，则认为它是平衡的。如果树的所有节点都是平衡的，则树本身是平衡的。
节点的height是获取该节点最低叶子所需的步数。 例如，在下面的树中，从A到E需要三个步，因此A的高度为3。B的高度为2，C的高度为1，其他的高度为0，因为它们是叶节点。
如上所述，在AVL树中，如果节点的左右子树具有相同的高度，则节点是平衡的。 当然不必是完全相同的高度，但差异不能大于1。这些都是平衡树的例子：
以下是不平衡的树，因为左子树的高度与右子树相比太大了：
左右子树的高度之间的差异称为平衡因子(balance factor)。 计算方法如下：
balance factor = abs(height(left subtree) - height(right subtree))
如果在插入或删除后平衡因子变得大于1，那么我们需要重新平衡AVL树的这一部分。 这是通过旋转完成的。
译注：
abs是绝对值的意思。
每个树节点在变量中跟踪其当前平衡因子。 插入新节点后，我们需要更新其父节点的平衡因子。 如果该平衡因子大于1，我们“旋转”该树的一部分以恢复平衡。
对于旋转，我们使用术语：
- Root - 将要旋转的子树的父节点;
- Pivot - 旋转后将成为父节点（基本上位于* Root *位置）的节点;
- RotationSubtree - 旋转侧的Pivot的子树
- OppositeSubtree - 与旋转侧相对的Pivot的子树
让我们举一个使用右（顺时针方向）旋转来平衡不平衡树的示例：
旋转步骤可以通过以下方式描述：
- 将RotationSubtree指定为Root的新OppositeSubtree;
- 将Root指定为Pivot的新RotationSubtree;
- 检查最终结果
用伪代码，上面的算法可以写成如下：
Root.OS = Pivot.RS
Pivot.RS = Root
Root = Pivot
这是一个恒定时间操作 - O(1) 插入永远不需要超过2次旋转。 删除可能需要最多 log(n) 轮换。
AVLTree.swift中的大多数代码只是常规二叉搜索树的东西。 您可以在二叉搜索树找到大部分实现。 例如，搜索树是完全相同的。 AVL树唯一不同的是插入和删除节点。
注意： 如果你对二叉搜索树的常规操作有点模糊，我建议你看这边。 这会使AVL树更容易理解。
有趣的位在balance()方法中，在插入或删除节点后调用。
AVL树是第一个自平衡二叉树。 最近，红黑树似乎更受欢迎。
作者：Mike Taghavi， Matthijs Hollemans
翻译：Andy Ron