树状数组方法分解.doc

树状数组简介 一、前言 我们平日里总是会遇到一些动态的求和问题，一些朴素的方法时间速度上很难让人满意，因此我们需要设计一些算法来解决所遇到的问题。 基本问题 我们下面设法解决这个动态求和问题。 我们定义 N 个整型变量组成的数组 v[1..N]，每次操作有两种： 将v[idx] 增加 det 求 朴素解决 朴素的解决这个问题，我们用数组记录当前的数值，然后依次求和。那么操作（1）的复杂度是 O(1)，操作（2）的复杂度是 O(idx)，令询问数为 Q ，则在最坏情况下为 O(QN)。 这样的复杂度非常不理想，我们要对之优化！ 二、倍增，分割和优化 很多时候在处理区间问题的时候，倍增思想都是非常常用的，比如 RMQ和LCA问题，而分割方法也是一个有用的工具，比如线段树。 我们知道线段树是能够解决上面这个基本问题的，但是考虑到线段树的代码比较复杂，这里我们讨论更轻松的方法。 第一个想法 我们发现，在朴素算法中，操作（2）用了很多的时间，我们试着优化这个操作的算法。 参照RMQ的思想，我们可以将一个区间分成一些长度为2的整次幂的小区间。 我们定义f[i][j] 表示区间 [I, i+2^j-1] 的和，那么如果我们能够得到所有 f[i][j] ，那么我们就能够在 O(log N) 的时间里计算出我们需要的和。 具体方法如下： 对于区间 [L,R]，我们找到最大的 p ，使得 2^p = R-L+1，而 sum[L,L+2^p-1] = f[L][p]，于是我们只要继续计算 [L+2^p,R]就可以了。 由于每次找最大的 p，因次至多计算 log N 次就能得到结果——这就是倍增思想的应用。 但是很不幸，我们再观察操作（1）的时候，我们发现由于和某一个位置相关的 f[i][j] 实在太多了，所以操作（1）的时间就花的过多了，问题并没有得到解决。 看来我们并不能完全照搬 RMQ 问题的经验——RMQ是静态问题，而这里是动态的。 化简问题 我们回过头看我们研究的问题，我们只需要求 [1,idx] 的和，并不需要求出任意区间的和，所以我们保存了大量没用的 f[i][j] ，因此使得我们操作（1）所需要的时间过多。 现在我们要删去我们不需要的 f[i][j]，让数据变得更加紧凑。 观察计算区间 [1,R]，我们找到最大的 p，满足 2^p = R，我们用到的f[1][p]，之后我们会紧接着计算 [2^p+1,R]，似乎我们跳过了所有的 f[i][p] (1i2^p+1)，那么所有这样的 f[i][p] 是否会用到呢？ 答案是否定的。简单证明一下： 反证法：假设计算区间为 [1..R]，上次使用的为f[j][q]，当前区间为 [2^q+1,R]，计算得到最大的p满足 2^p + 2^q = R ，且有 2^q +1 2^p + 1。则 2^p 2^q，2^q = R，因此上次得到的 q，必然不是最大 q，使得 2^q = R，p 比 q 更优。假设不成立。（证毕） 接着我们不难归纳得出，我们只可能用到 f[i][p] (i mod 2^p = 1)。如下图。 方块就表示一个对应的 f[i][p] ，即一段部分和。 可以发现，现在，对于一个下标 idx ，最多只有 log N 个方块在其上方，因此在完成操作（1）的时候，我们只需要 Log N 的时间，就可以了。 进一步的化简 对于区间 [1,R]，不难发现，我们是将区间划分成了至多 log N 块小区间，长度为 2^p1，2^p2，2^p3 …… 2^pk。这里 pi pi+1 ，即 p 序列是严格递减的。这正是因为我们每次都找出当前最大的 p 的缘故。 于是，我们发现，上图中的红色方块其实也是不需要储存的。我们将其删去，就有了下图。 整理后发现，每一个数组元素和每一个f[i][p]一一对应。紧接着，我们用t数组记录每个数组元素对应的f[i][p]，而这就是树状数组。 至此，我们从基于倍增思想的最朴素的分割方法，不断优化，最后得到了我们需要的东西。 4、树状数组小史 树状数组，Binary Indexed Tree，简称BIT，是1994年由Peter M. Fenwick首先提出的。BIT在快速求和方面有常数小、速度快、空间需求低、代码简洁等许多优点，很短时间便广泛流传。 从英文来看，不难看出，BIT是一个tree，其实设计它的时候本身就是用树的理念设计的。我们如果加一个结点0为根，元素对应的覆盖区域若相邻便连边，很容易建立出这么一颗有根树。 这个树的意义在于：对于区间和 [1,R]，只要取出0-R的这条路径 ，并将路径上所有节点的值相加，就是要求的答案！我们称之为——询问树（the interrogation tree）。 而这棵树的深度是 L