![463dd0d3-7813-eb11-8da9-e4434bdf6706.png](http://p05.5ceimg.com/content/463dd0d3-7813-eb11-8da9-e4434bdf6706.png)
数据结构之真别多想—树状数组
瓶颈
如何理解树状数组?
![4a3dd0d3-7813-eb11-8da9-e4434bdf6706.png](http://p05.5ceimg.com/content/4a3dd0d3-7813-eb11-8da9-e4434bdf6706.png)
这个结构的思想和线段树有些类似:用一个大节点表示一些小节点的信息,进行查询的时候只需要查询一些大节点而不是更多的小节点。
最下面的八个方块就代表存入 a 中的八个数,现在都是十进制。
他们上面的参差不齐的剩下的方块就代表 a 的上级—— c 数组。
很显然看出: c2 管理的是 a1 & a2 ; c4 管理的是 a1 & a2 & a3 & a4 ; c6 管理的是 a5 & a6 ;c8 则管理全部 8 个数。
所以,如果你要算区间和的话,比如说要算 a51 ~ a91 的区间和,暴力算当然可以,那上百万的数,那就 TLE 喽。
——————摘自 http:// oi-wiki.org
初看这些文字,你可能会想:
“啊这这这???你讲这些我们怎么听得懂啊,这树状数组是啥,咋用,我们还是懵的啊”
当然,为了解决问题而书写算法的话,我们不需要去理解这个结构的原理到底是啥,我们只需要知道这个东西
用在哪?
怎么用?
就足够了
用在哪?
我们都知道:
一般的普通数组单点操作的时间复杂度的O(1)、区间操作的时间复杂度是O(n)。
而我们树状数组的和普通数组的区别就在于:
单点操作和区间操作的时间复杂度都是O(log n),而且
单点修改和区间操作(加、求和)都需要用函数实现。
那么这么说我们大概能理解一点了,那就是:
一旦遇到大规模使用区间求和的问题,我们就可以考虑使用树状数组。
怎么用?
总得来说就是三个函数:lowbit、添加函数,求和函数
lowbit
int
单点修改
void
区间求和
int
就这??就这??
啊啊,看似就这,那我们来找一道模板题做一做,深化一下理解吧。
例题:Acwing 788 逆序对的数量
题面
给定一个长度为n的整数数列,请你计算数列中的逆序对的数量。
逆序对的定义如下:对于数列的第 i 个和第 j 个元素,如果满足 i < j 且 a[i] > a[j],则其为一个逆序对;否则不是。
输入
第一行包含整数n,表示数列的长度。
第二行包含 n 个整数,表示整个数列。
输出
输出一个整数,表示逆序对的个数。
PS: 1≤n≤1000001≤n≤100000
输入样例:
6
2 3 4 5 6 1
输出样例:
5
解题过程
“逆序对”的计算需要用到大量的区间运算,在这个时候我们的树状数组就发挥了很大的用处了,
对于这道题的核心思想,即是:
用数组的值作为下标,每次出现逆序对则给该下标对应值加一,最后求和
代码如下
#include
emmm,样例过了,提交!
诶怎么wa了,还是段错误?
![4e3dd0d3-7813-eb11-8da9-e4434bdf6706.png](http://p05.5ceimg.com/content/4e3dd0d3-7813-eb11-8da9-e4434bdf6706.png)
看了看测试数据,原来是我们将数据当作下标,而数据的大小超过了数组大小的限制,而且也造成了空间的冗余,这个时候,我们想到一个方法:
离散化
离散化,即是将对象之间的关系模糊化,在不改变数据相对大小的条件下,对数据进行相应的缩小。
什么意思呢?
比如说:
在{ 1、 2、 99999、 3 }之间判断逆序对和在{ 1、 2、 4、 3}之间判断逆序对在基本流程上无差别,而如果不进行离散化,则花费了99999个空间,为了节省空间,也为了消除数组越界的风险,我们使用离散化优化一下代码。
#include
最后,我们得到了AC!!!
希望我的抛砖引玉能引起更多的思考! (蒟蒻鞠躬)。