树状数组

简介

树状数组和线段树具有相似的功能，但他俩毕竟还有一些区别：树状数组能有的操作，线段树一定有；线段树有的操作，树状数组不一定有。但是树状数组的代码要比线段树短，思维更清晰，速度也更快，在解决一些单点修改的问题时，树状数组是不二之选。

原理

下面这张图展示了树状数组的工作原理：

这个结构和线段树有些类似：用一个大节点表示一些小节点的信息，进行查询的时候只需要查询一些大节点而不是所有的小节点。

最上面的八个方块就代表数组 a 。

他们下面的参差不齐的剩下的方块就代表数组 a 的上级—— c 数组。

从图中可以看出：
c_2 管理的是 a_1 , a_2 ；
c_4 管理的是 a_1 , a_2 , a_3 , a_4 ；
c_6 管理的是 a_5 , a_6 ； c_8 则管理全部 8 个数。

如果要计算数组 a 的区间和，比如说要算 a_{51} ~ a_{91} 的区间和，可以采用类似倍增的思想：

从 91 开始往前跳，发现 c_n （ n 我也不确定是多少，算起来太麻烦，就意思一下）只管 a_{91} 这个点，那么你就会找 a_{90} ，发现 c_{n - 1} 管的是 a_{90} & a_{89} ；那么你就会直接跳到 a_{88} ， c_{n - 2} 就会管 a_{81} ~ a_{88} 这些数，下次查询从 a_{80} 往前找，以此类推。

用法及操作

那么问题来了，怎么知道 c_i 管理的数组 a 中的哪个区间呢？ 这时，我们引入一个函数——lowbit：

1
2
3
4
5
6
7
8
9
// C++ Version
int lowbit(int x) {
  // x 的二进制表示中，最低位的 1 的位置。
  // lowbit(0b10110000) == 0b00010000
  //          ~~~^~~~~
  // lowbit(0b11100100) == 0b00000100
  //          ~~~~~^~~
  return x & -x;
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
# Python Version
def lowbit(x):
    """
    x 的二进制表示中，最低位的 1 的位置。
    lowbit(0b10110000) == 0b00010000
             ~~~^~~~~
    lowbit(0b11100100) == 0b00000100
             ~~~~~^~~
    """
    return x & -x

注释说明了 lowbit 的意思，对于 x=88 ： 88_{(10)}=1011000_{(2)}
发现第一个 1 以及他后面的 0 组成的二进制是 1000
1000_{(2)} = 8_{(10)}
1000 对应的十进制是 8 ，所以 c_{88} 一共管理 8 个 a 数组中的元素。

在常见的计算机中，有符号数采用补码表示。在补码表示下，数 x 的相反数 -x 为 ~x + 1 。

使用 lowbit 函数，我们可以实现很多操作，例如单点修改，将 a_x 加上 k ，只需要更新 a_x 的所有上级：

1
2
3
4
5
6
7
// C++ Version
void add(int x, int k) {
  while (x <= n) {  // 不能越界
    c[x] = c[x] + k;
    x = x + lowbit(x);
  }
}

1
2
3
4
5
# Python Version
def add(x, k):
    while x <= n: # 不能越界
        c[x] = c[x] + k
        x = x + lowbit(x)

前缀求和：

1
2
3
4
5
6
7
8
9
// C++ Version
int getsum(int x) {  // a[1]..a[x]的和
  int ans = 0;
  while (x >= 1) {
    ans = ans + c[x];
    x = x - lowbit(x);
  }
  return ans;
}

1
2
3
4
5
6
7
# Python Version
def getsum(x): # a[1]..a[x]的和
    ans = 0
    while x >= 1:
        ans = ans + c[x]
        x = x - lowbit(x)
    return ans

区间加 & 区间求和

若维护序列 a 的差分数组 b ，此时我们对 a 的一个前缀 r 求和，即 \sum_{i=1}^{r} a_i ，由差分数组定义得 a_i=\sum_{j=1}^i b_j

进行推导

\begin{aligned} &\sum_{i=1}^{r} a_i\\=&\sum_{i=1}^r\sum_{j=1}^i b_j\\=&\sum_{i=1}^r b_i\times(r-i+1) \\=&\sum_{i=1}^r b_i\times (r+1)-\sum_{i=1}^r b_i\times i \end{aligned}

区间和可以用两个前缀和相减得到，因此只需要用两个树状数组分别维护 \sum b_i 和 \sum i \times b_i ，就能实现区间求和。

代码如下

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
// C++ Version
int t1[MAXN], t2[MAXN], n;

inline int lowbit(int x) { return x & (-x); }

void add(int k, int v) {
  int v1 = k * v;
  while (k <= n) {
    t1[k] += v, t2[k] += v1;
    k += lowbit(k);
  }
}

int getsum(int *t, int k) {
  int ret = 0;
  while (k) {
    ret += t[k];
    k -= lowbit(k);
  }
  return ret;
}

void add1(int l, int r, int v) {
  add(l, v), add(r + 1, -v);  // 将区间加差分为两个前缀加
}

long long getsum1(int l, int r) {
  return (r + 1ll) * getsum(t1, r) - 1ll * l * getsum(t1, l - 1) -
         (getsum(t2, r) - getsum(t2, l - 1));
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
# Python Version
t1 = [0] * MAXN, t2 = [0] * MAXN; n = 0

def lowbit(x):
    return x & (-x)

def add(k, v):
    v1 = k * v
    while k <= n:
        t1[k] = t1[k] + v; t2[k] = t2[k] + v1
        k = k + lowbit(k)

def getsum(t, k):
    ret = 0
    while k:
        ret = ret + t[k]
        k = k - lowbit(k)
    return ret

def add1(l, r, v):
    add(l, v)
    add(r + 1, -v)

def getsum1(l, r):
    return (r) * getsum(t1, r) - l * getsum(t1, l - 1) - \
           (getsum(t2, r) - getsum(t2, l - 1))

Tricks

O(n) 建树：

每一个节点的值是由所有与自己直接相连的儿子的值求和得到的。因此可以倒着考虑贡献，即每次确定完儿子的值后，用自己的值更新自己的直接父亲。

1
2
3
4
5
6
7
8
9
// C++ Version
// O(n)建树
void init() {
  for (int i = 1; i <= n; ++i) {
    t[i] += a[i];
    int j = i + lowbit(i);
    if (j <= n) t[j] += t[i];
  }
}

1
2
3
4
5
6
7
# Python Version
def init():
    for i in range(1, n + 1):
        t[i] = t[i] + a[i]
        j = i + lowbit(i)
        if j <= n:
            t[j] = t[j] + t[i]

O(\log n) 查询第 k 小/大元素。在此处只讨论第 k 小，第 k 大问题可以通过简单计算转化为第 k 小问题。

参考 "可持久化线段树" 章节中，关于求区间第 k 小的思想。将所有数字看成一个可重集合，即定义数组 a 表示值为 i 的元素在整个序列重出现了 a_i 次。找第 k 大就是找到最小的 x 恰好满足 \sum_{i=1}^{x}a_i \geq k

因此可以想到算法：如果已经找到 x 满足 \sum_{i=1}^{x}a_i \le k ，考虑能不能让 x 继续增加，使其仍然满足这个条件。找到最大的 x 后， x+1 就是所要的值。 在树状数组中，节点是根据 2 的幂划分的，每次可以扩大 2 的幂的长度。令 sum 表示当前的 x 所代表的前缀和，有如下算法找到最大的 x ：

  1. 求出 depth=\left \lfloor \log_2n \right \rfloor
  2. 计算 t=\sum_{i=x+1}^{x+2^{depth}}a_i
  3. 如果 sum+t \le k ，则此时扩展成功，将 2^{depth} 累加到 x 上；否则扩展失败，对 x 不进行操作
  4. 将 depth 减 1，回到步骤 2，直至 depth 为 0
 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
// C++ Version
// 权值树状数组查询第k小
int kth(int k) {
  int cnt = 0, ret = 0;
  for (int i = log2(n); ~i; --i) {      // i 与上文 depth 含义相同
    ret += 1 << i;                      // 尝试扩展
    if (ret >= n || cnt + t[ret] >= k)  // 如果扩展失败
      ret -= 1 << i;
    else
      cnt += t[ret];  // 扩展成功后 要更新之前求和的值
  }
  return ret + 1;
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
# Python Version
# 权值树状数组查询第 k 小
def kth(k):
    cnt = 0; ret = 0
    i = log2(n) # i 与上文 depth 含义相同
    while ~i:
        ret = ret + (1 << i) # 尝试扩展
        if ret >= n or cnt + t[ret] >= k: # 如果扩展失败
            ret = ret - (1 << i)
        else:
            cnt = cnt + t[ret] # 扩展成功后 要更新之前求和的值
    return ret + 1

时间戳优化：

对付多组数据很常见的技巧。如果每次输入新数据时，都暴力清空树状数组，就可能会造成超时。因此使用 tag 标记，存储当前节点上次使用时间（即最近一次是被第几组数据使用）。每次操作时判断这个位置 tag 中的时间和当前时间是否相同，就可以判断这个位置应该是 0 还是数组内的值。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
// C++ Version
// 时间戳优化
int tag[MAXN], t[MAXN], Tag;
void reset() { ++Tag; }
void add(int k, int v) {
  while (k <= n) {
    if (tag[k] != Tag) t[k] = 0;
    t[k] += v, tag[k] = Tag;
    k += lowbit(k);
  }
}
int getsum(int k) {
  int ret = 0;
  while (k) {
    if (tag[k] == Tag) ret += t[k];
    k -= lowbit(k);
  }
  return ret;
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
# Python Version
# 时间戳优化
tag = [0] * MAXN; t = [0] * MAXN; Tag = 0
def reset():
    Tag = Tag + 1
def add(k, v):
    while k <= n:
        if tag[k] != Tag:
            t[k] = 0
        t[k] = t[k] + v
        tag[k] = Tag
        k = k + lowbit(k)
def getsum(k):
    ret = 0
    while k:
        if tag[k] == Tag:
            ret = ret + t[k]
        k = k - lowbit(k)
    return ret

例题

build本页面最近更新：，更新历史
edit发现错误？想一起完善？ 在 GitHub 上编辑此页！
people本页面贡献者：HeRaNO, Zhoier, Ir1d, Xeonacid, wangdehu, ouuan, ranwen, ananbaobeichicun, Ycrpro
copyright本页面的全部内容在 CC BY-SA 4.0 和 SATA 协议之条款下提供，附加条款亦可能应用

评论