珂朵莉树/颜色均摊

本文是结合OI WiKi来讲解
名称由来：
珂朵莉树，又名老司机树 ODT（Old Driver Tree）。起源自 CF896C。
主要用途：
用于区间赋值操作的数据结构题。在数据随机的情况下一般效率较高，由于其本身是一种暴力求解，因此会被精心构造的特殊数据卡到超时。
实现方式：
为了更好地理解，我们引入例题来进行讲解：由$n$个物品，进行$m$次染色，求$m$次染色之后，最终物品有哪几种颜色？
1、节点的保存方式：

struct Node_t {
  int l, r;
  mutable int v;

  Node_t(const int &il, const int &ir, const int &iv) : l(il), r(ir), v(iv) {}

  bool operator<(const Node_t &o) const { return l < o.l; }
};

节点信息：

• $l、r、v$ 表示：第 $l$ ~ $r$ 件物品被染成了 $v$ 。
• mutable 关键字的含义：被 mutable 修饰的变量（mutable 只能用于修饰类中的非静态数据成员），将永远处于可变的状态，即使在一个 const 函数中。

2、$split$ 函数:
$split$ 是最核心的操作之一，它用于将原本包含点 x 的区间（设为 [l, r]）分裂为两个区间 [l, x) 和 [x, r] 并返回指向后者的迭代器。
在进行分裂之前，我们首先要找到 $x$ 所在的线段，由于所有的区间都存储到$set$ 中，于是我们可以借助 $set$ 中的查找函数 $upper$_$bound$ ，其返回的指向是 $set$ 内区间左端点大于$x$ 的迭代器（简单理解为地址），将其自减得到的就是包含 $x$ 区间的迭代器。
接下来就是进行区间分裂，如果此时 $x$ 就是区间的左端点，那我们就不需要进行分裂，直接返回迭代器的位置就行了，如图：

倘若，$x$ 不是左端点该如何处理？那直接删除 $x$ 所在的区间，然后插入区间 $[l,x-1]、[x,r]$ ，那就产生了一个新的问题，我们如何返回 $x$ 所在区间的迭代器？其实 $set$ 的 $insert$ 函数会返回一个 $pair$ 结构体，其中 $pair中的first$ 就是 $x$ 所在位置的迭代器，直接返回即可。

set<Node_t>::iterator split(int x) 
{
  if (x > n) return odt.end();
  auto it = --odt.upper_bound(Node_t{x, 0, 0});
  if (it->l == x) return it;
  int l = it->l, r = it->r, v = it->v;
  odt.erase(it);
  odt.insert(Node_t(l, x - 1, v));
  return odt.insert(Node_t(x, r, v)).first;
}

3、$assign$ 函数
操作 $assign$ 用于对一段区间进行赋值。 对于 ODT 来说，区间操作只有这个比较特殊，也是保证复杂度的关键。
假设现在我们需要对区间 $[l、r]$ 进行染色，如图：

因此需要将 $L、R$ 与其之前的区间断开，这个时候我们就需要用到 $split$ 函数，将其断开之后，使用 $erase$ 暴力的删除它们之前的这段区间，然后在$set$ 中添加区间 $[L、R]$。
注意：

• 由于 $erase$ 删除的区间是前闭后开，所以我们要 $split(R+1)$。
• 珂朵莉树在进行求取区间左右端点操作时，必须先 split 右端点，再 split 左端点。若先 split 左端点，返回的迭代器可能在 split 右端点的时候失效，可能会导致 RE。
  

void assign(int l, int r, int v) 
{
  auto itr = split(r + 1), itl = split(l);	//注意要先分裂R+1
  odt.erase(itl, itr);
  odt.insert(Node_t(l, r, v));
}

4、其它操作：
套模板就好了，参考代码如下：

void performance(int l, int r) 
{
  auto itr = split(r + 1), itl = split(l);
  for (auto it=itl; it != itr; ++it) 
  {
    、、、
  }
}

注意：

• 开始的时候，我们需要将全部区间添加进 $set$ 中。

	set<Node_t> odt;
	odt.insert({1,N,-1});

• 在使用珂朵莉树的时候，往往需要观察一些性质，减少一些其它操作，避免过高的时间复杂度，例如：Physical Education Lessons。