暴力数据结构——ODT 珂朵莉树

合集 - 数据结构(19)

1.树状数组套权值线段树（带修主席树）2024-07-232.可持久化数据结构2024-07-233.高贵的伸展树——Splay2024-07-234.入门平衡树——Treap2024-02-015.二叉搜索树（BST）2024-02-01

6.暴力数据结构——ODT 珂朵莉树2024-02-01

7.STL之——set2024-02-018.最实用之数据结构思想——分块2024-01-239.高级数据结构（一）树状数组2024-01-2310.从零开始掌握线段树大法2024-01-2311.数据结构复习22023-09-2612.离线分治算法：cdq 分治2024-07-2313.笛卡尔树2024-07-2314.【进阶】树状数组的高阶应用2024-08-0415.SP30906 解题报告2024-09-0416.SP17123 解题报告2024-09-1517.P11208 解题报告2024-10-2218.NOIP 冲刺之——数据结构01-1919.浅谈扫描线2024-02-01

收起

$\mathtt{\text{Origin}}$

$\mathtt{\text{ODT (Old Driver Tree)}}$，中文名珂朵莉树。

有人为了 CF896C 发明了这个算法，这道题又和珂朵莉有关，所以这个算法叫做珂朵莉树。

另外，由于发明者 $\mathtt{\text{lxl}}$ 的原因，也珂叫 $\mathtt{\text{ODT (Old Driver Tree)}}$。

也有个正统名字叫颜色段均摊，但是还是叫珂朵莉树好听。

$\mathtt{\text{0x00}}$ 前言

之所以突然想学这个数据结构是因为之前做了一道题 SP13015，看到的第一眼就是线段树，等到把这道题 A 了之后打开标签才发现是珂朵莉树，出于好奇心的驱使，才有了这篇博客。

珂朵莉可爱捏！

前置芝士：$\mathtt{\text{set}}$（现在知道为什么上一篇博客是 $\mathtt{\text{set}}$ 的学习笔记了吧）

Warning！

$\mathtt{\text{ODT}}$ 可以 可以解决一些线段树不能解决的问题，如区间次幂求和。

但要求数据随机，随机下跑得很快，开了 $O2$ 更快。

数据不随机时间复杂度就是 $O(nm)$，开了 $O2$ 也没用。

$\mathtt{\text{0x01}}$ 珂朵莉树珂以解决什么问题

对一个序列，进行一个区间推平操作。就是把一个范围内，比如 $[l,r]$ 范围内的数字变成同一个。可能除了推平以外，还夹杂其他操作。如果数据是随机的，就可以用珂朵莉树啦。

$\mathtt{\text{0x02}}$ 基本结构

由于区间推平操作，所以序列中的数是一段一段的，而且每一段是同一个数。

所以我们将每个这样的区间打包成一个三元组 $[l,r,val]$，分别代表：左端点、右端点和值。然后将所有这样整合后的三元组插到一个 $\mathtt{\text{set}}$ 里去维护。

这样的话，只需要一个结构体就行了。

struct node{
	int l, r;
	mutable ll val; //mutable 方便以后修改
	node(int l_ = 0, int r_ = -1, ll val_ = 0) :l(l_), r(r_), val(val_) {}
	bool operator <(const node &other) const{ //重载成小于
		return l < other.l;
	}
};
typedef set<node>::iterator IT;
set <node> s;

借大佬的图一用 $\sim$

$\mathtt{\text{0x03}}$ 基本操作

核心操作： $\mathtt{\text{split}}$

在推平操作的进行中，一些区间可能要被合并成一个区间，也可能被分成几个新区间。

这时候就需要用到 $\mathrm{split}$ 函数，它的作用是给定一个位置 $pos$，然后找到包含 $pos$ 的区间，将其分成 $[l,pos-1]$ 和 $[pos,r]$ 两个区间，最后返回指向 $[pos,r]$ 的迭代器。当然，如果 $pos$ 本身就是一个区间的开头，就不用切割了，直接返回这个区间的迭代器。

IT split(int pos) {
	IT it = s.lower_bound(node(pos)); //按 l 找包含 pos 的 node
	if(it != s.end() && it -> l == pos) return it; //若 pos 是一个区间的开头，就直接返回该区间迭代器
   --it; //由于找到的是 pos 后面的区间，所以要先--才是包含它的区间
	int l = it -> l, r = it -> r;
	ll val = it -> val;
	s.erase(it); //先把此区间删除
	s.insert(node(l, pos - 1, val)); //插入切割后的第一个区间
	return s.insert(node(pos, r, val)).first; //插入切割后的第二个区间并返回值
	//insert函数返回pair，其中的first是新插入结点的迭代器
}

那么我们按照 $pos$ 创建一个 $node$ ，然后去查询，就找到了 $it$ 这个位置。这个时候有三种情况，一种是我们正好找到了一个区间，它是以 $pos$ 开头的，所以就对应了代码中的第一个 $\mathrm{if}$ 判断，这时候直接返回这个区间的迭代器 $it$。

还有两种情况是，我们找到的这个区间是正好比包含 $pos$ 的区间大一点点的，或者 $pos$ 太大了，超过了最后一个区间的右端点。不管怎样先把 $it$ 往前挪一个格，然后这时候看看 $it$ 的右端点，如果比 $pos$ 小，说明是 $pos$ 太大了，就直接返回 $\mathrm{s}.\mathrm{end}()$。否则的话，现在 $it$ 就是应该包含了 $pos$ 的那个区间。这时候，我们要把它一分为二，把原来的那个区间删掉，然后插入两个新区间，分别是 $[l,pos-1]$ 和 $[pos,r]$。

$\mathtt{\text{assign}}$

对应区间推平操作。因为区间 $[l,r]$ 可能与其他节点代表的区间有交集，所以我们要先把 $l$ 和 $r$ $\mathrm{split}$ 出来，将其中的节点全删掉，最后再插入$\{l,r,val\}$。

void assign(int l, int r, ll val) {
	IT itr = split(r + 1), itl = split(l);
	s.erase(itl, itr);
	s.insert(node(l, r, val));
}

注意： 必须要先 $\mathrm{split}(\mathrm{r}+1)$，再 $\mathrm{split}(\mathrm{l})$。

比如现在要从 $[3,5]$ 中分离出 $[3,4]$，则要执行 $\mathrm{split}(3)$ 和 $\mathrm{split}(5)$。若先执行后者，再执行前者，则 $itl$ 指向代表 $[3,5]$ 的 $node$，$itr$ 指向代表 $[5,5]$ 的 $node$，但是这时代表 $[3,5]$ 的 $node$ 已经被删除了，调用 $\mathrm{erase}$ 时就会出问题，导致 RE。

其他操作

void change(int l, int r, ll val) { //暴力套就完事了
	IT itr = split(r + 1), itl = split(l);
	for(IT it = itl; it != itr; it++) {
		//to do
	}
}

$\mathtt{\text{0x04}}$ 时间复杂度

珂朵莉树只有当数据随机时才有比较好的表现，这是因为她的时间复杂度是期望复杂度。比如一共有 $4$ 种操作，在随机数据下，进行区间推平的概率为 $\frac{1}{4}$，对于每次区间推平操作，都相当在一整条线段上选取一段，期望长度为整个线段长度的 $\frac{1}{3}$，而每次平推操作都会删除掉此区间内的其他区间节点，所以每次操作后 set 的长度都会变成原来的 $\frac{2}{3}$。所以一波操作下来，$\mathtt{\text{set}}$ 的长度就变为了 $O(\log n)$，所以时间复杂度约为 $O(q\log n)$。

以上只是我方便自己理解的粗略证明，严谨、正确性方面不保证。

好好好，正确又严谨的证明如下：（再次借大佬的图）