经典区间线段树详解:从原理到实践
线段树(Segment Tree)是一种非常高效的树形数据结构,用于解决区间查询和修改问题。本文将通过分步骤讲解,带领读者熟练掌握线段树的原理与实现,并探索其应用场景。
引言:数组区间修改问题
线段树要解决这样一个经典问题:比如给定一个数组,频繁地需要进行以下操作:
- 区间查询:查询数组某一子区间内的最大值、最小值、总和等。假定我们总要反复求某个区间内的元素和。
- 区间修改:将某个子区间的所有值都进行一次操作,假定我们总要将区间内所有数增加一个固定数值。
暴力来说,我们直接在原数组上求和和修改即可。对于区间查询,我们可以每次直接遍历子区间计算结果;对于区间修改,可以遍历整个子区间进行更新。然而,区间长度最长可以是几乎整个数组长度,这种方法的时间复杂度为 \(O(n)\),如果操作频繁且数组较大,效率会变得不可接受。
我们需要一种数据结构能够在单次 \(O(\log n)\) 的时间内完成上述操作。线段树应运而生。
线段树的结构与实现
线段树是一种二叉树,用于高效地存储和操作区间信息。
1. 从区间到二叉树
线段树将数组下标空间反复二分划分为多个区间,并使用二叉树存储这些区间的信息:
- 叶节点:表示数组的单个元素。
- 内部节点:表示某一子区间的汇总信息(如区间和、最大值等)。
例如,给定数组 [1, 3, 5, 7, 9, 11]
,其线段树如下:
[0, 5]
/ \
[0, 2] [3, 5]
/ \ / \
[0, 1] (2, 2) [3, 4] (5, 5)
/ \ / \
(0, 0)(1, 1) (3, 3)(4, 4)
小括号为叶节点,即本元素值;中括号即储存区间信息的额外节点,在本题里,他储存区间的总和,这个值由左右儿子计算得出。
2. 空间复杂度与 4 倍数组
普通数组只占用 1 倍空间,不需要多余数据,而线段树的二叉树通常用数组表示。对于大小为 \(n\) 的数组,线段树数组的大小通常是 \(4n\),这是因为:
- 线段树是一棵完全二叉树,其节点数不超过 \(2n - 1\)。
- 但预分配时考虑到最坏情况(非 2 的幂次)会增加存储需求,为了叶节点的左右空节点也仍无需特殊处理,为了简化代码实现,我们直接分配数组大小为 \(4n\),确保不会越界,形成了惯例。
当然空间复杂度是 \(O(n)\) 的,变化的仅系数。你可以对比上例的数组理解。
3. 线段树的构建
以下是构建线段树的代码示例:
#include <iostream>
#include <vector>
using namespace std;
vector<int> tree; // 数组保存二叉树
vector<int> lazy; // 二叉树每个节点对应的懒标记,稍后使用
vector<int> arr; // 建树使用的原数据
void build(int node, int start, int end) {
if (start == end) {
// 叶节点
tree[node] = arr[start];
} else {
// 非叶节点都被继续二分
int mid = (start + end) / 2;
int left_child = 2 * node + 1;
int right_child = 2 * node + 2;
build(left_child, start, mid);
build(right_child, mid + 1, end);
tree[node] = tree[left_child] + tree[right_child]; // 区间和为左右之和
}
}
区间查询与修改
1. 区间查询
线段树支持高效的区间查询,通过分治法将问题划分为子区间处理。要求某个区间内所有数的和,只需要将在线段树里不断拆分区间。以下是实现代码:
int query(int node, int start, int end, int l, int r) {
if (r < start || l > end) {
return 0; // 完全不相交
}
if (l <= start && end <= r) {
return tree[node]; // 完全包含
}
// 部分包含,则交给左右子树处理
int mid = (start + end) / 2;
int left_child = 2 * node + 1;
int right_child = 2 * node + 2;
int left_sum = query(left_child, start, mid, l, r);
int right_sum = query(right_child, mid + 1, end, l, r);
return left_sum + right_sum;
}
假如我们要修改区间 \([1,4]\),可以发现区间最终被拆分到几个子区间,而不一定总是走到最底部,大大提高了效率。
[0, 5][36]×
/ \
[0, 2][9]× [3, 5][27]×
/ \ / \
[0, 1][4]× (2, 2)[5]√ [3, 4][16]√ (5, 5)[11]
/ \ / \
(0, 0)[1] (1, 1)[3]√ (3, 3)[7] (4, 4)[9]
2. 单点修改
假如要修改数组中的一个元素,那么只要从上往下一路查找到底即可,而底节点改变影响父节点的值,递归结束后重新计算和即可。我们需要更新线段树:
void update(int node, int start, int end, int idx, int val) {
if (start == end) {
tree[node] = val;
} else {
int mid = (start + end) / 2;
int left_child = 2 * node + 1;
int right_child = 2 * node + 2;
if (idx <= mid) {
update(left_child, start, mid, idx, val);
} else {
update(right_child, mid + 1, end, idx, val);
}
tree[node] = tree[left_child] + tree[right_child];
}
}
仍使用刚才的例子,假定修改下标 1 的值:
[0, 5][37]×
/ \
[0, 2][10]× [3, 5][27]
/ \ / \
[0, 1][5]× (2, 2)[5] [3, 4][16] (5, 5)[11]
/ \ / \
(0, 0)[1] (1, 1)[4]√ (3, 3)[7] (4, 4)[9]
3. 区间修改:懒标记
这是线段树最难的一部分。线段树通过懒标记(Lazy Propagation)来优化区间修改。核心思想:延迟更新,将修改操作记录在标记数组中,仅在必要时更新。
具体来说,假如我们要修改某个区间的值(比如都增加 \(a\)),我们仍将其分割到几个子区间,若某区间被完全包含,那么我们就不再向下递归,而是仅对该节点修改,并在该节点处的懒标记设为 \(a\),表明我的所有子节点都应该加上 \(a\),但是尚未实际操作。直到后续某次查询来到这里时,我们才将懒标记清空,并将其向下推一层。
void updateRange(int node, int start, int end, int l, int r, int val) {
if (lazy[node] != 0) { // 来到一个节点,首先检查标记,若存在则下推一层
tree[node] += (end - start + 1) * lazy[node];
if (start != end) {
lazy[2 * node + 1] += lazy[node];
lazy[2 * node + 2] += lazy[node];
}
lazy[node] = 0;
}
if (r < start || l > end) { // 完全不相交
return;
}
if (l <= start && end <= r) { // 完全包含,那么在这里停止,并使用懒标记
tree[node] += (end - start + 1) * val;
if (start != end) {
lazy[2 * node + 1] += val;
lazy[2 * node + 2] += val;
}
return;
}
// 部分包含,则交给左右子树处理
int mid = (start + end) / 2;
updateRange(2 * node + 1, start, mid, l, r, val);
updateRange(2 * node + 2, mid + 1, end, l, r, val);
tree[node] = tree[2 * node + 1] + tree[2 * node + 2];
}
仍循上例,将\([1,4]\)都增加 1,我们发现在\([3,4]\)处就进行标记,并不再向下传播。由此,区间修改的操作量和区间查询是一致的。若没有懒标记,则每次修改都会推到最底部,这比暴力还劣。所以懒标记是线段树的必须项,而非锦上添花。
虽然其子树的值暂不正确,但是访问子树一定会经过懒标记,当以后任何情况下再次来到这里,都一定会经过懒标记并将其下推,保证了只要你访问了子树。结果总是正确。由此,区间查询和单点修改函数也需要添加下推标记段(即if (lazy[node] != 0)
部分)。
懒标记就像一个勤快又善于偷懒的管理员,负责照看一片大田地。每当需要给某些田地施肥时,如果整片田地都需要相同的肥料,他会在大门口挂一个牌子,写上“这片田地需要施肥”,但暂时不实际行动。这意味着,他不用一块一块地跑下去忙碌,但是等到有人真正走进田地时,他就会立刻施肥,并顺手把任务分配给更小的田地。这样既节省了时间,又确保了田地里的作物都能及时得到照顾,每个走进田地的人都看到的是已施肥后的土地。懒标记的“懒”,只是暂缓处理;而他的“勤”,则体现在始终精准地完成所有任务!
[0, 5][40]×
/ \
[0, 2][11]× [3, 5][29]×
/ \ / \
[0, 1][5]× (2, 2)[6]√ [3, 4][18|+1]√ (5, 5)[11]
/ \ / \
(0, 0)[1] (1, 1)[4]√ (3, 3)[7] (4, 4)[9]
为什么线段树分解为 \(O(\log n)\) 段?
我们发现,每次查询或修改时,线段树通过二分方式分解目标区间为几个大段,长块的修改总不会被推到底,大大提升了效率。线段树的单次操作之所以总是 $ O(\log n) $,是因为它通过二分递归的方式,将问题规模快速减小。每次查询或修改时,线段树会根据区间的位置判断是完全包含、完全不相交,还是部分重叠:
- 若区间的左端点和本节点的左端点对齐,右端点没有越过中点,则直接进入左子树,将问题规模缩小一半。反过来同理。
- 若区间的左端点和本节点的左端点对齐,右端点越过中点,则将左子树整块查询或懒标记修改,然后进入右子树,将问题规模缩小一半。反过来同理。
以上两种情况下,进入子树后区间一端仍然对齐,新情况总还是 1 和 2 的一种。
-
若区间端点不存在对齐,但全部在左右区间中的一侧中,则直接进入,问题规模仍被缩小一半。进入子树后可能是情况 3 或 4.
-
若区间端点不存在对齐,且跨过本区间中点,只有在这种情况下,才会同时进入左右子树,且左右子树总是情况 1 和 2,所以这样的情况最多发生一次。
在这样的分治过程中,只有一次会同时进入左右子树,而递归的深度与线段树的高度相同,而线段树的高度是 $ \log n $,因此每次操作的复杂度是 $ O(\log n) $,访问的节点数最坏是 $ 2\log n $ 左右。这种分治机制有效避免了遍历整个数组的低效操作,是线段树高效的核心原因。你可以自己绘制一个较长的线段树,帮助理解。
拓展知识
指针版线段树
在算法思想完全一样的情况下,二叉树也可以使用指针和动态申请空间来实现,指针版线段树动态分配节点内存,适用于稀疏数组。其可以在更新赋值时再创建节点,内存使用效率高,且不需要 4 倍空间,也叫动态开点线段树。适用于大范围稀疏数据。缺点是编程复杂度较高且常数项性能较低。这种方式本文就不展示了。
在本文章的场景下(维护数组),静态数组版本效率高,更为常用。若要维护巨大但稀疏的值域,则指针版本可节省大量空间。
线段树的其他应用
除了区间查询和修改,线段树还能解决以下问题:
- 区间最值:除了区间和,在线段树节点存储区间最小值或最大值。他们的思想几乎一致,仅需要在分支节点中更新和查询时把区间相加改为区间最值即可。
- 第 k 小值查询:结合其他算法,可以实现排序和统计信息。
- 二维线段树:拓展到二维情况。用于处理平面上的区间问题。
线段树擅长处理可分解的区间性质(如求和、最大值、最小值、乘积等),但对于某些非线性性质,它难以处理或效率低下。某些区间问题则不能使用线段树,典型的例子是区间众数(Mode)和区间中位数(Median):众数无法通过简单的组合两个子区间的结果来得到,因为它需要全局信息,即子区间的众数不能简单合并为整体区间的众数。中位数也类似,它需要区间内的全局排序信息,不能通过线段树的分治思想直接解决。