树状数组学习笔记

树状数组（Binary Index Tree, BIT）也是很多人心中最简洁优美的数据结构之一。最简单的树状数组支持两种操作，时间复杂度均为 ：

• 单点修改：更改数组中一个元素的值
• 区间查询：查询一个区间内所有元素的和

当然，树状数组能维护的不局限于加法，支持的操作也不止这两种，甚至有大佬能用树状数组实现平衡树，但这篇笔记不会深入讨论（因为我也还不是很懂）。

树状数组的引入

回顾一下，我们说，我们要实现两种操作：单点修改和区间求和。对于普通数组而言，单点修改的时间复杂度是 $O(1)$，但区间求和的时间复杂度是 $O(n)$。
当然，我们也可以用前缀和的方法维护这个数组，这样的话区间求和的时间复杂度就降到了 $O(1)$，但是单点修改会影响后面所有的元素，时间复杂度是$O(n)$。
程序最后跑多长时间，是由最慢的一环决定的，因此现在我们希望找到这样一种折中的方法：无论单点修改还是区间查询，它都能不那么慢地完成。
注意到对$[a,b]$进行区间查询只需查询 $[1,b]$和$[1,a)$然后相减即可（前缀和就是这样进行区间查询的），所以我们可以把区间查询问题转化为求前n项和的问题。
关于数组的维护，有个很自然的想法：可以用一个数组维护若干个小区间，单点修改时，只更新包含这一元素的区间；求前n项和时，通过将区间进行组合，得到从1到n的区间，然后对所有用到的区间求和。实际上，设原数组是 $A$，如果 $C_i$维护的区间是$[A_i,A_i]$ ，此结构就相当于普通数组（还浪费了一倍内存）；如果$C_i$维护的区间就是$[1,A_i]$，此结构就相当于前缀和。
现在我们试图寻找一种结构，一方面，单点修改时需要更新的区间不会太多；另一方面，区间查询时需要用来组合的区间也不会太多。
树状数组就是这样一种结构，它巧妙地利用了二进制（实际上，树状数组的英文名BIT，直译过来就是二进制下标树）。例如11，转化为二进制数就是 $(1011{)}_2$，如果我们要求前11项和，可以分别查询 $((0000{)}_2,(1000{)}_2]$、 $((1000{)}_2,(1010{)}_2]$以及 $((1010{)}_2,(1011{)}_2]$的和再相加。这三个区间怎么来的呢？其实就是不断地去掉二进制数最右边的一个1的过程。
我们定义，二进制数最右边的一个1，连带着它之后的0为 $lowbit(x)$（稍后再来看如何实现）。那么我们用$C_i$维护区间$((A_i-lowbit(A_i),A_i]$ ，这样显然查询前n项和时需要合并的区间数是少于${\log }_2^n$的。
那么如何更新呢，大家会发现更新就是一个“爬树”的过程。一路往上更新，直到MAXN（树状数组的容量）。
每一步都把从右边起一系列连续的1变为0，再把这一系列1的前一位0变为1。这看起来像是一个进位的过程对吧？实际上，每一次加的正是 $lowbit(x)$。这样，我们更新的区间数不会超过 ${\log }_2^{MAXN}$。一个能以 $O(\log n)$时间复杂度进行单点修改和区间查询的数据结构就诞生了。

树状数组的实现

lowbit怎么算？如果一位一位验证的话，会形成额外的时间开销。然而，我们有这样神奇的一个公式：
$lowbit(x)=(x)$ & $(-x)$
我们需要知道，计算机里有符号数一般是以补码的形式存储的。-x相当于x按位取反再加1，会把结尾处原来1000…的形式，变成0111…，再变成1000…；而前面每一位都与原来相反。这时我们再把它和x按位与，得到的结果便是$lowbit(x)$。

单点修改

int tree[MAXN];
inline void update(int i, int x)
{
    for (int pos = i; pos < MAXN; pos += lowbit(pos))
        tree[pos] += x;
}

求前n项和

inline int query(int n)
{
    int ans = 0;
    for (int pos = n; pos; pos -= lowbit(pos))
        ans += tree[pos];
    return ans;
}

区间查询

inline int query(int a, int b)
{
    return query(b) - query(a - 1);
}

初始化的时候，我们只需要update每个点的初始值即可。

实战题目讲解链接：

（HDU P1166）敌兵布阵
（洛谷P1908） 逆序对