1、AVL(平衡二叉树)与RBT(红黑树)
AVL和RBT都是二叉查找树的优化，其性能要远远好于二叉查找树。
结构对比：AVL的结构高度平衡，RBT的机构基本平衡。平衡度AVL>RBT
查找对比：AVL查找时间复杂度最好，最坏情况下都是O(logN)
RBT查找的时间复杂度最好为O(logN)，最坏情况下比AVL略差
插入删除对比：
1、AVL的插入与删除很容易造成树结构的不平衡。而RBT的平衡度要求较低，更容易实现平衡。
2、当插入一个结点引起树的不平衡，AVL和RBT都最多需要2次旋转操作，但删除一个结点引起不平衡后，AVL最多需要logN 次旋转操作，而RBT最多只需3次。因此两者插入一个结点的代价差不多，但删除一个结点的代价比RBT要低一些。
3、AVL和RBT的插入删除代价最主要还是消耗在查找待操作的结点上。因此时间复杂度基本上都是与O(logN) 成正比的。
总体评价：大量数据实践证明，RBT的总体统计性能要好于平衡二叉树
实际上，插入AVL和RBT的速度取决于你所插入的数据。如果你的数据比较杂乱，红黑树是比较快的，因为红黑树对已经处理好的数据重新平衡减少了不必要的操作。
红黑树是一个更高效的检索二叉树，因此常常用来实现关联数组，JDK的TreeMap本身就是一个红黑树的实现。对于TreeMap而言，由于底层采用“红黑树”来保存集合中的Entry,这就意味着TreeMap添加元素、取出元素的性能都比HashMap低，但TreeMap 中的所有 Entry 总是按 key 根据指定排序规则保持有序状态，TreeSet 中所有元素总是根据指定排序规则保持有序状态。
2、B树与B+树
B+树是B树的一种变体，在磁盘查找结构中，B+树更适合文件系统的磁盘存储结构。
结构对比：B树是多路平衡查找树，所有结点中都包含了待查关键字的有效信息(比如文件磁盘指针)。每个结点存有n个关键字，则有n+1个指针指向其他结点的指针。
B+树严格意义上说已经不是树了，它的叶子结点之间也有指针链接。B+树的非叶子结点并不包含有关键字信息，需要查找的关键字信息都包含在叶子结点上。非叶子结点只作为叶子结点关键字的索引而存在。
查找对比： 1、在相同数量的待查数据下，B+树的查找过程中需要调用磁盘IO的操作要少于普通的B树，因此B+树的查找性能要好于B树。
2、B+树的查找效率更加稳定，因为所有的叶子结点都处于同一层中，而且查找所有关键字都必须走完从根结点到叶子结点的全部历程。因此同一棵B+树中，任何关键字的查找比较次数都是一样的。而B树就不一定了。可能查找到某一非叶子结点就结束了。
插入删除对比：B+树于B树在插入删除操作效率是差不多的。
总体评价：在应用背景下，特别是文件结构存储中。B+树的应用要更多，其效率也要比B~树好。
