夜深人静写算法（四十四）- 线段树

一、引例

1、区间最值

  【例题1】给定一个 $n(n\le 100000)$ 个元素的数组 $A$，有 $m(m\le 100000)$ 个操作，共两种操作：
  1、Q a b 询问：表示询问区间 [a, b] 的最大值；
  2、C a c 更新：表示将第 a 个元素变成 c；

  静态的区间最值可以利用 ST表 来解决，但是它在元素值给定的情况下进行的预处理，然后在 $O(1)$ 时间内进行询问，这里第二种操作需要实时修改某个元素的值，所以无法进行预处理。
  由于每次操作都是独立事件，所以 $m$ 次操作都无法互相影响，于是时间复杂度的改善只能在单次操作上进行优化了，我们可以试想能否将任何的区间 $[a,b](a<b)$ 都拆成 $lo{g}_2(b-a+1)$ 个小区间，然后只对这些拆散的区间进行询问，这样每次操作的最坏时间复杂度就变成$O(lo{g}_2(n))$ 了。

2、区间求和

  【例题2】给定一个 $n(n\le 100000)$ 个元素的数组 $A$，有 $m(m\le 100000)$ 个操作，共两种操作：
  1、Q a b 询问：表示询问区间 $[a,b]$ 的元素和；
  2、A a b c 更新：表示将区间 $[a,b]$ 的每个元素加上一个值 $c$；

  先来看朴素算法，两个操作都用遍历来完成，单次时间复杂度在最坏情况下都是 $O(n)$ 的，所以 $m$ 次操作下来总的时间复杂度就是 $O(nm)$ 了，复杂度太高。
  再来看看树状数组，对于第一类操作，树状数组可以在 $lo{g}_2(n)$ 的时间内出解；然而第二类操作，还是需要遍历每个元素执行$add$ 操作，复杂度为 $O(nlo{g}_{2}n)$，所以也不可行。这个问题同样也需要利用区间拆分的思想。
  线段树就是利用了区间拆分的思想，完美解决了上述问题。

​

二、线段树的基本概念

1、二叉搜索树

  线段树是一种二叉搜索树，即每个结点最多有两棵子树的树结构。通常子树被称作“左子树”（left subtree）和“右子树”（right subtree）。线段树的每个结点存储了一个区间（线段），故而得名。

​​
  如图所示，表示的是一个 $[1,6]$ 的区间的线段树结构，每个结点存储一个区间（注意这里的存储区间并不是指存储这个区间里面所有的元素，而是只需要存储区间的左右端点即可），所有叶子结点表示的是单位区间（即左右端点相等的区间），所有非叶子结点（内部结点）都有左右两棵子树，对于所有非叶子结点，它表示的区间为 $[l,r]$，那么令$mid=\lfloor \frac{(l+r)}{2}\rfloor$，则它的左儿子表示的区间为 $[l,mid]$，右儿子表示的区间为 $[mid+1,r]$。基于这个特性，这种二叉树的内部结点，一定有两个儿子结点，不会存在有左儿子但是没有右儿子的情况。
  基于这种结构，叶子结点保存一个对应原始数组下标的值，由于树是一个递归结构，两个子结点的区间并正好是父结点的区间，可以通过自底向上的计算在每个结点都计算出当前区间的最大值。
  需要注意的是，基于线段树的二分性质，所以它是一棵平衡树，树的高度为 $O(lo{g}_{2}n)$。

​

2、数据域

  了解线段树的基本结构以后，看看每个结点的数据域，即需要存储哪些信息。
  首先，既然线段树的每个结点表示的是一个区间，那么必须知道这个结点管辖的是哪个区间，所以其中最重要的数据域就是区间左右端点 $[l,r]$。然而有时候为了节省全局空间，往往不会将区间端点存储在结点中，而是通过递归的传参进行传递，实时获取。
  再者，以区间最大值为例，每个结点除了需要知道所管辖的区间范围 $[l,r]$ 以外，还需要存储一个当前区间内的最大值 $max$。

  以数组 $A[1:6]=[1,7,2,5,6,3]$ 为例，建立如图所示的线段树，叶子结点的 $max$ 域为数组对应下标的元素值，非叶子结点的 $max$ 域则通过自底向上的计算由两个儿子结点的 $max$ 域比较得出。这是一棵初始的线段树，接下来讨论下线段树的询问和更新操作。
  在询问某个区间的最大值时，我们一定可以将这个区间拆分成 $O(lo{g}_{2}n)$ 个子区间，并且这些子区间一定都能在线段树的结点上找到（这一点下文会着重讲解），然后只要比较这些结点的 $max$ 域，就能得出原区间的最大值了，因为子区间数量为 $lo{g}_{2}n$，所以时间复杂度是 $O(lo{g}_{2}n)$。
  更新数组某个元素的值时我们首先修改对应的叶子结点的 $max$ 域，然后修改它的父结点的 $max$ 域，以及祖先结点的 $max$ 域，换言之，修改的只是线段树的 叶子结点到根结点的某一条路径上 的 $max$ 域，又因为树高是$O(lo{g}_{2}n)$，所以这一步操作的时间复杂度也是 $O(lo{g}_{2}n)$ 的。

3、指针表示

  接下来讨论一下结点的表示法，每个结点可以看成是一个结构体指针，由数据域和指针域组成，其中指针域有两个，分别为 左儿子指针 和 右儿子指针，分别指向左右子树；数据域存储对应数据，根据情况而定 (如果是求区间最值，就存最值 $max$；求区间和就存和 $sum$)，这样就可以利用指针从根结点进行深度优先遍历了。
  以下是简单的线段树结点的 C++ 结构体：

struct treeNode {
    Data data;                 // 数据域
    treeNode *lson, *rson;     // 指针域
}*root;

​

4、数组表示

  实际计算过程中，还有一种更加方便的表示方法，就是基于数组的静态表示法，需要一个全局的结构体数组，每个结点对应数组中的一个元素，利用下标索引。
  例如，假设某个结点在数组中下标为 $p$，那么它的左儿子结点的下标就是 $2\ast p$，右儿子结点的下标就是 $2\ast p+1$ (类似于一般数据结构书上说的堆在数组中的编号方式)，这样可以将所有的线段树结点存储在相对连续的空间内。之所以说是相对连续的空间，是因为有些下标可能永远用不到。
  还是以长度为 $6$ 的数组为例，如下图所示，红色数字表示结点对应的数组下标，由于树的结构和编号方式，导致数组的第 10、11 位置空缺。

  这种存储方式可以不用存子结点指针，取而代之的是当前结点的数组下标索引，以下是数组存储方式的线段树结点的C++结构体：

struct treeNode {        
    Data data;                         // 数据域
    int pid;                           // 数组下标索引
    int lson() { return pid << 1; }        
    int rson() { return pid<<1|1; }    // 利用位运算加速获取子结点编号
}nodes[ MAXNODES ];

  接下来我们关心的就是 MAXNODES的取值了，由于线段树是一种二叉树，所以当区间长度为 2 的幂时，它正好是一棵满二叉树，数组存储的利用率达到最高（即 100% ），根据等比数列求和可以得出，满二叉树的结点个数为 $2n-1$，其中 $n$ 为区间长度（由于C++中数组长度从0计数，编号从1开始，所以MAXNODES要取 $2n$ ）。那么是否对于所有的区间长度n都满足这个公式呢?
  答案是否定的，当区间长度为 6 时，最大的结点编号为 13，而公式算出来的是 12（$2\times 6$）。
  那么 MAXNODES 取多少合适呢？
为了保险起见，我们可以先找到比 $n$ 大的最小的2的次幂，然后再套用等比数列求和公式，这样就万无一失了。举个例子，当区间长度为 6 时，MAXNODES = 2 * 8；当区间长度为 1000，则 MAXNODES = 2 * 1024；当区间长度为 10000，MAXNODES = 2 * 16384。至于为什么可以这样，是基于区间长度和结点个数满足单调性，所以区间长度越长，需要的结点数越多。

​

三、线段树的基本操作

  线段树的基本操作包括构造、更新、询问，都是深度优先搜索的过程。

1、构造

  线段树的构造是一个二分递归的过程，封装好了之后代码非常简洁，总体思路就是从区间 $[1,n]$ 开始拆分，拆分方式为二分的形式，将左半区间分配给左子树，右半区间分配给右子树，继续递归构造左右子树。
  当区间拆分到单位区间时（即遍历到了线段树的叶子结点），则执行回溯。回溯时对于任何一个非叶子结点需要根据两棵子树的情况进行统计，计算当前结点的数据域，详见注释4。

void segtree_build(int p, int l, int r) {
    nodes[p].reset(p, l, r);                  // (1)
    if (l < r) {
        int mid = (l + r) >> 1;
        segtree_build(p<<1, l, mid);          // (2)
        segtree_build(p<<1|1, mid+1, r);      // (3)
        nodes[p].updateFromSon();             // (4)
    }
}

• (1) 初始化第 $p$ 个结点的数据域，根据实际情况实现 $reset$ 函数；
• (2) 递归构造左子树；
• (3) 递归构造右子树；
• (4) 回溯，利用左右子树的信息来更新当前结点，updateFromSon这个函数的实现需要根据实际情况进行求解，在第四节会详细讨论。构造线段树的调用如下：segtree_build(1, 1, n);

2、更新

  线段树的更新是指更新数组在 $[x,y]$ 区间的值，具体更新这件事情是做了什么要根据具体情况而定，可以是将 $[x,y]$ 区间的值都变成 $val$（覆盖），也可以是将 $[x,y]$ 区间的值都加上 $val$（累加）。
  更新过程采用二分，将 $[1,n]$ 区间不断拆分成一个个子区间 $[l,r]$，当更新区间 $[x,y]$ 完全覆盖被拆分的区间 $[l,r]$ 时，则更新管辖 $[l,r]$ 区间的结点的数据域，详见 注释2 和 注释3。

void segtree_insert(int p, int l, int r, int x, int y, ValueType val) {
    if( !is_intersect(l, r, x, y) ) {              // (1)
        return ;
    } 
    if( is_contain(l, r, x, y) ) {                 // (2)
        nodes[p].updateByValue(val);               // (3)
        return ;
    } 
    nodes[p].giveLazyToSon();                      // (4)
    int mid = (l + r) >> 1; 
    segtree_insert(p<<1, l, mid, x, y, val);       // (5)
    segtree_insert(p<<1|1, mid+1, r, x, y, val);   // (6)
    nodes[p].updateFromSon();                      // (7)
}

• (1) 区间 $[l,r]$ 和区间 $[x,y]$ 无交集，直接返回；
• (2) 区间 $[x,y]$ 完全覆盖 $[l,r]$；
• (3) 更新第 $p$ 个结点的数据域，updateByValue这个函数的实现需要根据具体情况而定，会在第四节进行详细讨论；
• (4) 这里先卖个关子，参见第五节的 lazy-tag；
• (5) 递归更新左子树
• (6) 递归更新右子树
• (7) 回溯，利用左右子树的信息来更新当前结点
  更新区间 $[x,y]$ 的值为 $val$ 的调用如下：segtree_insert(1, 1, n, x, y, val);

3、询问

  线段树的询问和更新类似，大部分代码都是一样的，同样是将大区间 $[1,n]$ 拆分成一个个小区间 $[l,r]$，这里需要存储一个询问得到的结果 $ans$，当询问区间 $[x,y]$ 完全覆盖被拆分的区间 $[l,r]$ 时，则用管辖 $[l,r]$ 区间的结点的数据域来更新 ans，详见 注释1 的 mergeQuery接口。

void segtree_query (int p, int l, int r, int x, int y, treeNode& ans) {
    if( !is_intersect(l, r, x, y) ) {
        return ;
    }
    if( is_contain(l, r, x, y) ) {
        ans.mergeQuery(p);                          // (1)
        return;
    }
    nodes[p].giveLazyToSon();
    int mid = (l + r) >> 1; 
    segtree_query(p<<1, l, mid, x, y, ans);
    segtree_query(p<<1|1, mid+1, r, x, y, ans);
    nodes[p].updateFromSon();                       // (2)
}

• (1) 更新当前解ans，会在第四节进行详细讨论；
• (2) 和更新一样的代码，不再累述；

四、线段树的经典案例

  线段树的用法千奇百怪，接下来介绍几个线段树的经典案例，加深对线段树的理解。

1、区间最值

  区间最值是最常见的线段树问题，引例中已经提到。接下来从几个方面来讨论下区间最值是如何运作的。

1）数据域

    int pid;               // 数组索引
    int l, r;              // 结点区间(一般不需要存储)       
    ValyeType max;         // 区间最大值

2）初始化

void treeNode::reset(int p, int l, int r) {
    pid = p;
    max = srcArray[l]; // 初始化只对叶子结点有效
}

3）单点更新

void treeNode::updateByValue(ValyeType val) {
    max = val;
}

4）合并结点

void treeNode::mergeQuery(int p) {
    max = getmax( max, nodes[p].max );
}

5）回溯统计

void treeNode::updateFromSon() {
    max = nodes[ lson() ].max;
    mergeQuery( rson() );
}

  结合上一节线段树的基本操作，在构造线段树的时候，对每个结点执行了一次初始化，初始化同时也是单点更新的过程，然后在回溯的时候统计，统计实质上是合并左右结点的过程，合并结点做的事情就是更新最大值；询问就是将给定区间拆成一个个能够在线段树结点上找到的区间，然后合并这些结点的过程，合并的结果 ans一般通过引用进行传参，或者利用全局变量，不过尽量避免使用全局变量。

2、区间求和

  区间求和问题一般比区间最值稍稍复杂一点，因为涉及到区间更新和区间询问，如果更新和询问都只遍历到询问（更新）区间完全覆盖结点区间的话，会导致计算遗留，举个例子来说明。
  用一个数据域sum来记录线段树结点区间上所有元素的和，初始化所有结点的sum值都为0，然后在区间 $[1,4]$ 上给每个元素加上 $4$，如下图所示：

  图中 $[1,4]$ 区间完全覆盖 $[1,3]$ 和 $[4,4]$ 两个子区间，然后分别将值累加到对应结点的数据域sum上，再通过回溯统计sum和，最后得到 $[1,6]$ 区间的sum和为16，看上去貌似天衣无缝，但是实际上操作一多就能看出这样做是有缺陷的。例如当我们要询问 $[3,4]$ 区间的元素和时，在线段树结点上得到被完全覆盖的两个子区间 $[3,3]$ 和 $[4,4]$，累加区间和为 0 + 4 = 4，如下图所示：

  这是因为在进行区间更新的时候，由于 $[1,4]$ 区间完全覆盖 $[1,3]$ 区间，所以我们并没有继续往下遍历，而是直接在 $[1,3]$ 这个结点进行sum值的计算，计算完直接回溯。等到下一次访问 $[3,3]$ 的时候，它并不知道之前在3号位置上其实是有一个累加值 4 的，但是如果每次更新都更新到叶子结点，就会使得更新的复杂度变成 $O(n)$，违背了使用线段树的初衷，所以这里需要引入一个 lazy-tag的概念。
  所谓lazy-tag，就是在某个结点打上一个 “懒惰标记”，每次更新的时候只要更新区间完全覆盖结点区间，就在这个结点打上一个 lazy标记，这个标记的值就是更新的值，表示这个区间上每个元素都有一个待累加值lazy，然后计算这个结点的sum，回溯统计sum。
  当下次访问到有lazy标记的结点时，如果还需要往下访问它的子结点，则将它的 lazy标记传递给两个子结点，自己的lazy标记置空。
  这就是为什么在之前在讲线段树的更新和询问的时候有一个函数叫giveLazyToSon了。接下来看看一些函数的实现。

1）数据域

    int pid;               // 数组索引
    int len;               // 结点区间长度
    ValyeType sum;         // 区间元素和 
    ValyeType lazy;        // lazy tag

2）初始化

void treeNode::reset(int p, int l, int r) {
    pid = p;
    len = r - l + 1;
    sum = lazy = 0;
}

3）单点更新

void treeNode::updateByValue(ValyeType val) {
    lazy += val;
    sum += val * len;
}

4）lazy标记继承

void treeNode::giveLazyToSon() {
    if( lazy ) {
       nodes[ lson() ].updateByValue(lazy);
       nodes[ rson() ].updateByValue(lazy);
       lazy = 0;
    }
}

5）合并结点

void treeNode::mergeQuery(int p) {
    sum += nodes[p].sum;
}

6）回溯统计

void treeNode::updateFromSon() {
    sum = nodes[ lson() ].sum;
    mergeQuery( rson() );
}

  对比区间最值，区间求和的几个函数的实现主旨是一致的，因为引入了 lazy-tag，所以需要多实现一个函数用于lazy标记的继承，在进行区间求和的时候还需要记录一个区间的长度 len，用于更新的时候计算累加的 sum值。

联系作者获取英雄算法联盟优惠券

详情参见：英雄算法联盟

3、区间染色

【例题3】给定一个长度为 $n(n\le 100000)$ 的木板，支持两种操作：
  1、P a b c 将 $[a,b]$ 区间段染色成 $c$；
  2、Q a b 询问 $[a,b]$ 区间内有多少种颜色；
保证染色的颜色数少于30种。

  对比区间求和，不同点在于区间求和的更新是对区间和进行累加；而这类染色问题则是对区间的值进行替换（或者叫覆盖），有一个比较特殊的条件是颜色数目小于30。
  我们是不是要将30种颜色的有无与否都存在线段树的结点上呢？答案是肯定的，但是这样一来每个结点都要存储 30 个 bool 值，空间太浪费，而且在计算合并操作的时候有一步30个元素的遍历，大大降低效率。然而 30 个bool值正好可以压缩在一个 int32 中，利用二进制压缩可以用一个32位的整型完美的存储 30种颜色的有无情况。
  因为任何一个整数都可以分解成二进制整数，二进制整数的每一位要么是0，要么是1。二进制整数的第 $i$ 位是 1 表示存在第 $i$ 种颜色；反之不存在。
  数据域需要存一个颜色种类的位或和 colorBit，一个颜色的 lazy标记表示这个结点被完全染成了 lazy，基本操作的几个函数和区间求和非常像，这里就不出示代码了。
  和区间求和不同的是回溯统计的时候，对于两个子结点的数据域不再是加和，而是位或和。
​

4、矩形面积并

【例题4】给定 $n(n\le 100000)$ 个平行于 XY 轴的矩形，求它们的面积并。如图所示：

  这类二维的问题同样也可以用线段树求解，核心思想是降维，将某一维套用线段树，另外一维则用来枚举。具体过程如下：
  第一步：将所有矩形拆成两条垂直于 $x$ 轴的线段，平行 $x$ 轴的边可以舍去，如图所示：

  第二步：定义矩形的两条垂直于 $x$ 轴的边中 $x$ 坐标较小的为入边，$x$ 坐标较大的为出边，入边权值为 $+1$，出边权值为 $-1$，并将所有的线段按照 $x$ 坐标递增排序，第 $i$ 条线段的 $x$ 坐标记为 $X[i]$，如下图所示：

  第三步：将所有矩形端点的 $y$ 坐标进行重映射(也可以叫离散化)，原因是坐标有可能很大而且不一定是整数，将原坐标映射成小范围的整数可以作为数组下标，更方便计算，映射可以将所有 $y$ 坐标进行排序去重，然后二分查找确定映射后的值，离散化的具体步骤下文会详细讲解。如图所示，蓝色数字表示的是离散后的坐标，即 1、2、3、4 分别对应原先的 5、10、23、25（需支持正查和反查）。假设离散后的 $y$ 方向的坐标个数为 $m$，则y方向被分割成 $m-1$ 个独立单元，下文称这些独立单元为“单位线段”，分别记为 $[1,2]$, $[2,3]$, $[3,4]$。

  第四步：以 $x$ 坐标递增的方式枚举每条垂直线段，$y$ 方向用一个长度为 $m-1$ 的数组来维护“单位线段”的权值，如图所示，展示了每条线段按 $x$ 递增方式插入之后每个“单位线段”的权值。
  当枚举到第 $i$ 条线段时，检查所有 “单位线段” 的权值，所有权值大于零的 “单位线段” 的实际长度之和 (离散化前的长度) 被称为“合法长度”，记为 $L$，那么 $(X[i]-X[i-1])\ast L$，就是第 $i$ 条线段和第 $i-1$ 条线段之间的矩形面积和，计算完第 $i$ 条垂直线段后将它插入，所谓 “插入” 就是利用该线段的权值更新该线段对应的 “单位线段” 的权值和（这里的更新就是累加）。

  如下图所示：红色、黄色、蓝色三个矩形分别是 3 对相邻线段间的矩形面积和，其中红色部分的 $y$ 方向由 $[1,2]$、$[2,3]$ 两个“单位线段”组成，黄色部分的 $y$ 方向由 $[1,2]$、$[2,3]$、$[3,4]$ 三个“单位线段”组成，蓝色部分的 $y$方向由 $[2,3]$、$[3,4]$ 两个“单位线段”组成。特殊的，在计算蓝色部分的时候，$[1,2]$ 部分的权值由于第 3 条线段的插入( 第3条线段权值为-1 )而变为零，所以不能计入“合法长度”。
  以上所有相邻线段之间的面积和就是最后要求的矩形面积并。

   那么这里带来几个问题：
    1、是否任意相邻两条垂直 $x$ 轴的线段之间组成的封闭图形都是矩形呢？答案是否定的，如下图所示，其中绿色部分为四个矩形的面积并中的某块有效部分，它们同处于两条相邻线段之间，但是中间有空隙，所以它并不是一个完整的矩形。
    2、每次枚举一条垂直线段的时候，需要检查所有“单位线段”的权值，如果用数组维护权值，那么这一步检查操作是 $O(m)$ 的，所以总的时间复杂度为 $O(nm)$，其中 $n$ 表示垂直线段的个数，复杂度太大需要优化。

  优化自然就是用线段树了，之前提到了降维的思想，$x$ 方向我们继续采用枚举，而 $y$ 方向的“单位线段”则可以采用线段树来维护，和一般问题一样，首先讨论数据域。

    int pid;        // 数组索引
    int l, r;       // 结点代表的“单位线段”区间[l, r] (注意，l和r均为离散后的下标)
    int cover;      // [l, r]区间被完全覆盖的次数 
    int len;        // 该结点表示的区间内的合法长度

  注意，这次的线段树和之前的线段树稍微有点区别，就是叶子结点的区间端点不再相等，而是相差 1，即 l+1 == r。因为一个点对于计算面积来说是没有意义的。
  算法采用深度优先搜索的后序遍历，记插入线段为 [a, b, v]，其中[a, b]为线段的两个端点，是离散化后的坐标；v是 +1 或 -1，代表是入边还是出边，每次插入操作二分枚举区间，当线段树的结点代表的区间被插入区间完全覆盖时，将权值 v累加到结点的 cover域上。由于是后序遍历，在子树全部遍历完毕后需要进行统计。插入过程修改 cover，同时更新 len。
  回溯统计过程对 cover域分情况讨论：
  当 cover > 0时，表示该结点代表的区间至少有一条入边没有被出边抵消，换言之，这块区间都应该在 “合法长度” 之内，则 len = Y[r] - Y[l]（Y[i]代表离散前第 $i$ 大的点的 $y$ 坐标）；更加通俗的理解是至少存在一个矩形的入边被扫描到了，而出边还未被扫描到，所以这块面积需要被计算进来。
  当 cover = 0时，如果该区间是一个单位区间（即上文所说的“单位线段”，l+1 == r，也是线段树的叶子结点），则 len = 0；否则，len需要由左子树和右子树的计算结果得出，又因为是后序遍历，所以左右子树的 len都已经计算完毕，从而不需要再进行递归求解，直接将左右儿子的 len加和就是答案，即 len = lson.len + rson.len。
  上图所示为上述例子的初始线段树，其中根结点管辖的区间为 $[1,4]$，代表 "单位线段” 的两个端点。对于线段树上任何一棵子树而言，根结点管辖区间为 $[l,r]$，并且 $mid=\lfloor \frac{l+r}{2}\rfloor$，那么如果它不是叶子结点，则它的左子树管辖的区间就是 $[l,mid]$，右子树管辖的区间就是 $[mid,r]$。叶子结点管辖区间的左右端点之差为 1（和之前的线段树的区间分配方式稍有不同）。
这样就可以利用二分，在 $O(n)$ 的时间内递归构造初始的线段树。

  上图所示为插入第一条垂直线段 $[1,3,1]$（插入区间 $[1,3]$，权值为1）后的情况，插入过程类似建树过程，二分递归执行插入操作，当 插入区间完全覆盖线段树结点区间 时，将权值累加到对应结点（图中绿色箭头指向的结点）的cover域上；否则，继续递归左右子树。然后进行自底向上的统计，统计的是 len的值。
  $[2,4]$ 这个结点的 cover域为0，所以它的 $len$ 等于两棵子树的len之和，$[1,4]$ 亦然。

  如上图所示为插入第二条垂直线段 $[2,4,1]$（插入区间 $[2,4]$，权值为1）后的情况，只需要修改一个结点（图中绿色箭头指向的结点）的 cover域，该结点的两棵子树不需要再进行递归计算，回溯的时候，计算根结点 len值时，由于根结点的 cover域为0，所以它的 len等于左右子树的 len之和。

  继续如上图所示为插入第三条垂直线段 $[1,3,-1]$（插入区间 $[1,3]$，权值为 -1）后的情况，直观的看，现在 Y 方向只有 $[2,4]$ 一条线段了，所以根结点的 $len$ 就是 $Y[4]-Y[2]=15$。

  讲完插入，就要谈谈询问。在每次插入之前，需要询问之前插入的线段中，在 $y$ 方向的“合法长度” $L$，根据线段树结点的定义，$y$ 方向“合法长度”总和其实就是根结点的 len，所以这一步询问操作其实是 $O(1)$ 的，在插入过程中已经实时计算出来，再加上插入的 $O(logn)$ 的时间复杂度，已经完美解决了上述复杂度太大的问题了。
​​

5、区间K大数

【例题5】给定 $n(n\le 100000)$ 个数的数组，然后 $m(m\le 100000)$ 条询问，询问格式如下：
  1、l r k 询问 $[l,r]$ 的第 K 大的数的值

  这是一个经典的面试题，利用了线段树划分区间的思想，线段树的每个结点存的不只是区间端点，而是这个区间内所有的数，并且是按照递增顺序有序排列的，建树过程是一个归并排序的过程，从叶子结点自底向上进行归并，对于一个长度为 6 的数组 $[4,3,2,1,5,6]$，建立线段树如图所示：

  从图中可以看出，线段树的任何一个结点存储了对应区间的数，并且进行有序排列，所以根结点存储的一定是一个长度为数组总长的有序数组，叶子结点存储的递增序列为原数组元素。
  每次询问，我们将给定区间拆分成一个个线段树上的子区间，然后二分枚举答案 T，再利用二分查找统计这些子区间中大于等于 T 的数的个数，从而确定 T 是否是第K大的。
  对于区间K大数的问题，还有很多数据结构都能解决，这里仅作简单介绍。

五、线段树的常用技巧

1、离散化

  在讲解矩形面积并的时候曾经提了一下离散化，现在再详细的说明一下，所谓离散化就是将无限的个体映射到有限的个体中，从而提高算法效率。
  举个简单的例子，一个实数数组，我想很快的得到某个数在整个数组里是第几大的，并且询问数很多，不允许每次都遍历数组进行比较。
  那么，最直观的想法就是对原数组先进行一个排序，询问的时候只需要通过二分查找就能在 $O(lo{g}_{2}n)$ 的时间内得出这个数是第几大的了，离散化就是做了这一步映射。
  对于一个数组 $[1.6,7.8,5.5,11.1111,99999,5.5]$，离散化就是将原来的实数映射成整数(下标)，如图所示：

  这样就可以将原来的实数保存在一个有序数组中，询问第 K 大的是什么称为正查，可以利用下标索引在 $O(1)$ 的时间内得到答案；询问某个数是第几大的称为反查，可以利用 二分查找 或者 哈希表 得到答案，复杂度取决于具体算法，一般为 $O(lo{g}_{2}n)$。

2、lazy-tag

  这个标记一般用于处理线段树的区间更新。
  线段树在进行区间更新的时候，为了提高更新的效率，所以每次更新只更新到更新区间完全覆盖线段树结点区间为止，这样就会导致被更新结点的子孙结点的区间得不到需要更新的信息，所以在被更新结点上打上一个标记，称为 lazy-tag，等到下次访问这个结点的子结点时再将这个标记传递给子结点，所以也可以叫延迟标记。

3、子树收缩

  子树收缩是子树继承的逆过程，子树继承是为了两棵子树获得父结点的信息；而子树收缩则是在回溯的时候，如果两棵子树拥有相同数据的时候在将数据传递给父结点，子树的数据清空，这样下次在访问的时候就可以减少访问的结点数。

六、线段树的多维推广

1、二维线段树 - 矩形树

  线段树是处理区间问题的，二维线段树就是处理平面问题的了，曾经写过一篇二维线段树的文章，就不贴过来了，直接给出传送门：二维线段树。

2、三维线段树 - 空间树

  线段树-二叉树，二维线段树-四叉树，三维线段树自然就是八叉树了，分割的是空间，一般用于三维计算几何，当然也不一定用在实质的空间内的问题。
  比如需要找出身高、体重、年龄在一定范围内并且颜值最高的女子，就可以用三维线段树（三维空间最值问题），嘿嘿嘿！！！
​