【总结】LCT算法的基础建模与应用

前言：

在恶心了几道LCT算法的题后，勉强领悟到一点LCT的用处
作为一个比较经典的数据结构，LCT的应用范围比较广泛，比如动态维护最小生成树，动态维护双联通分量，以及其它的一些动态路径询问的问题。尽管在子树问题上，LCT算法显得有些无力（出门左转找ET），但毕竟很多子树问题可以用DFN+Splay水过，但路径询问，却几乎找不到可以替代LCT的算法。

基本概念：

LCT算法，其实就本质而言，是一个十分暴力却优美的算法。优美在于，它基于一个神奇的树上算法：树链剖分。暴力在于，它的实现过程异常简单，只是用Access与Splay两个函数，就可以完成几乎所有操作。
树链剖分是LCT的理论基础，常规的树链剖分可以在$O(Nlog^2N)$复杂度内处理大多数路径、子树问题（但有时离线的点分治却能比它更优秀）。

树链剖分是预处理出来的，也就是说它不能支持对树的结构有修改的问题。而LCT就是用于解决这一漏洞的。

由于树的形态有变化，所以重边和轻边的关系要动态存储，在每一条重链上，都用一个Splay平衡树来维护这条链上的信息，而Access操作，是将该点与根的连线变为一条重链。具体的原理与时间复杂度的证明，这里不再赘述。

典型建模与应用：

首先，最常见也最简单的应用，是直接用懒标记来存储一些需要的信息。当然，有的这类题也可以把人恶心出病来，但绝大多数这类题目都属于不用太多思考就能过的。比如模板题Qtree系列，基本上都是这类题。

有点难度的，比如BZOJ3091城市旅行，
这道题需要4个懒标记互相配合修改：（以下有剧透成分）
由于题目要记录“路径任意选择两个点的期望”，所以很显然要统计所有方案总数，于是一个懒标记存储 n∗1∗a