线段树（二）：RMQ

之前我们给大家介绍过了SG的概念和引入了RMQ，这一讲我们就来深入看看RMQ的算法。

1. RMQ的结构

RMQ的结构我们之前也已经见过了，简单来说，就是存储该区间最小值的SG。但和教材上面不同的是，我们这里维护一个同时支持两种RMQ类型的SG，即Range minimum and maximum query，所以每个节点需要同时保存最小值（min）和最大值（max），比如之前题目的RMQ结构为：

那SG的初始化也非常简单了，我们从上往下进行初始化，每次计算当前区间的[min, max]，并创建当前的节点，之后递归创建左右两个子节点。这里需要多讲一下代码实现的技巧，因为SG和Heap一样，基本结构都是基于完美二叉树，所以我们在初始化树的时候，不用真正地去创建一颗树，而是用一个数组就能表示一颗完美二叉树，这个给我们的实现带来很多便利。而且父亲下标和子下标有如下的规律，对于下标为k的节点：

父亲的下标：( k - 1 ) / 2

左孩子的下标：k * 2 + 1

右孩子的下标：k * 2 + 2

对这个实现思路不是很清楚的童鞋，可以看看下面的图例进行理解哦：

2. RMQ的查询

现在我们有了SG的数据结构，那给定某个区间，我们该如何进行查询呢？其实很简单，我们以查询最小值为例，则有下面的查询伪代码¹：

如果所查询的区间和当前节点对应的区间完全没有交集，那么就返回null。

如果所查询的区间完全包含了当前节点对应的区间，则返回当前节点的值。

以上两者情况都不满足，就对左右节点递归处理，返回两个结果中的较小者。

比如之前题目，查询区间[0, 7)的流程图如下：

绿点表示我们经过的节点，红点表示我们返回并且采用的节点，黄点表示我们返回但未采用的节点，其余节点均被舍弃，并未被查询过。

3. RMQ的更新

我们的SG除了支持查询（Query）操作之外，还需要支持更新（Update）操作，因为有时我们会更改某个原始元素，但我们也希望维护原本SG的性质，这样更新之后，我们依然能快速进行查询。我们先来看一个更新操作的例子，还是之前的SG，我们需要把原数组中下标为0的元素更改为2，也就是5 -> 2：

同样，绿色点表示我们更新需要经过的节点。所以对于RMQ的更新，我们只需要从某个叶节点开始，不断向上更新max或min，直到我们抵达Root。而且这个更新操作和Heap删除一个节点，之后向上Bubble-up是非常类似的，至于Heap插入和删除操作，有兴趣的童鞋可以网上自己查查相关资料，或者以后有机会再给大家讲解啦哒~

4. 复杂度分析

到此，我们已经把SG和RMQ基本给大家讲解结束了。最后，我们还剩复杂度的分析，现在我们就来看看。对于基于SG的RMQ的时间复杂度，这个非常简单，之前的图例已经给大家说明了，已经忘了的童鞋可以再看看这个图例：

对于n个元素组成的SG，它的高度必定是logn，而且SG是完美二叉树，所以高度不会像BST出现极端情况，而退化成n，所以SG的查询和更新时间复杂度都是O(logn)。

那空间复杂度呢？我们看到最底层的元素个数有n个，而且树的高度是logn，那空间复杂度岂不是O(nlogn)？其实不是哦，这点有点误导人，SG的空间复杂是O(n)。大家可以注意一下，图例把每层的元素个数标记出来的，如果我们把每层的个数都加起来：
$$n+\frac{n}{2}+\frac{n}{4}+...+4+2+1=n\ast \frac{1-(\frac{1}{2}{)}^{logn}}{1-\frac{1}{2}}=2n\ast (1-(\frac{1}{2}{)}^{logn})<=2n$$
这里需要注意一下，从上往下，节点总数从1每层递增两倍，但从下往上，节点总数从n每层递减两倍，所以整个求和公式是以1/2为公倍数的等比数列，所以SG的空间复杂度不是O(nlog)，而是O(n)，非常的nice，时间复杂度是O(log)，空间复杂度是O(n)，和我们对一维数组进行离散二分查找没有任何区别，性能一致。

可是，是不是到这里就完事大吉了呢？No！可能有聪明的童鞋可能已经发现了，SG的空间复杂度是O(n)，那就意味着初始化SG的时间复杂度为O(n)，加上查询时间复杂度O(logn)，O(n) + O(logn) = O(n)，嗯？最后整体的时间复杂度岂不和之前暴力解的时间复杂度一样嘛？而且暴力解不需要额外空间，所以不会有额外初始化的时间消耗。Wait，也就是说我们讲了半天，SG的效率和暴力解并没有多少优势，至少从渐进的意义上，两者都是O(n)。

其实这个分析是没有问题，但这只针对查询次数为1的情况，如果我们假设我们查询了k次，那么两个算法的整体时间复杂度为：

Brute Force: O( k * n );

Segement Tree: O( n ) + O( k * logn ) = O( n + k * logn );

如果k = n，则：

Brute Force: O( k * n ) = O( n * n ) = O( n ^ 2 );

Segement Tree: O( n + k * logn ) = O( n + n * logn ) = O( nlogn );

也就是说在大量查询的情况下，SG的性能就会优于暴力解，而且即使不是大量查询，SG也不会比暴力解逊色，所以SG它不香么？这种思路在实际应用的非常普遍，比如我们有一组数据，但每天都会有大量用户对这个数据进行查询，我们初始化查询用的数据结构只需要一次，但用户的查询次数是成千上万，或者百万千万，所以有时候我们需要把这些因素考虑到我们的算法设计当中，这也是Offline Algorithm和Online Algorithm的重要区别哦。

到这里，我们讲解完了RMQ的算法思路，包括查询和更新，接下来我们将进入到代码实现的解析当中。

上一节：线段树（一）：基本概念

下一节：线段树（三）：代码解析

系列汇总：超详细！线段树讲解文章汇总（含代码）

5. 参考资料

1. 《挑战程序设计竞赛（第2版）》，（日）秋叶拓哉 等著，人民邮电出版社；

6. 免责声明

※ 本文之中如有错误和不准确的地方，欢迎大家指正哒~
※ 此项目仅用于学习交流，请不要用于任何形式的商用用途，谢谢呢；

---

---

1. 《挑战程序设计竞赛（第2版）》，（日）秋叶拓哉 等著，人民邮电出版社 ↩︎