Day 2 笔记 数据结构
Day 2 笔记 数据结构
1.栈、队列、链表等数据结构都是线性数据结构
2.树状数据结构：二叉堆，线段树，树状数组，并查集，st表...
优先队列其实与二叉堆的存储方式并不相同。
一、二叉堆
1.二叉堆的基本功能：
1.插入元素:O(logn)
2.查找元素:O(logn)
3.删除元素:O(logn)
4.输出堆:O(n)
2.完全二叉树（堆）定义：
所有的叶子节点比非叶子结点的编号小（放左不放右）
3.二叉树存储：
向量存储：根节点是x，左儿子是2x,右儿子是2x+1.
为什么？请看下面的图：
做个数组就好了嘛。
4.二叉堆具有堆序性质：
常见性质：
大根堆：父亲节点的权值永远要比儿子节点的权值要大。
所以：儿子结点作为子树来说是最大的。+(顶部最大)
小根堆：父亲节点的权值永远要比儿子节点的权值要小。
所以：儿子结点作为子树来说是最小的。+(顶部最小)
如果要找最大、最小的值，只需要返回heap[1]的值。
5.维护方式：
不停地上浮(上滤)、下沉(下滤)(swap+向量存储实现)(O(logn))
写一个代码实现方式吧。
//例子就用小根堆了
void update(int n)
{//上浮
while (n!=1)
{
if (heap[n>>1].num<=heap[n].num)break;
//已经满足堆序性质
swap(heap[n>>1].num,heap[n].num);
n<<=1;//继续检查上一层的节点是否满足堆序性质
}
}
下沉的时候找一个最满足堆序性质的儿子。
void downdate(int m)
{//下沉
while ((m<<1)<=n)//还不是叶子节点
{
int y=(heap[m<<1].num<=heap[(m<<1)+1])?(m<<1):(m<<1)+1;
//让y成为小儿子的下标
if (heap[x].num<=heap[y].num)break;
//满足堆序性质，就退出while
swap(heap[x].num,heap[y].num);
x=y;
//继续向下检查堆序性质，直到成为叶节点或者break出来
}
}
6.建堆、删除元素方法:
再放入（删除）元素的同时维护一遍即可。
删除的时候是把最后一个元素放在堆顶并维护。
7.删除任意元素（假的）:
查找到元素，删掉他，换成它作为堆顶的子堆的最后一个元素。
但是，这种情况会使二叉堆不满足二叉树的性质。
整体移动子树？ 不存在的(时间伤不起)
放个表示不存在的bool变量表示它不存在就好了...
代码（结构体方式维护。）
二、二叉搜索树
1.定义：
它或者是一棵空树，或者是具有下列性质的二叉树： 若它的左子树不空，则左子树上所有结点的值均小于它的根结点的值； 若它的右子树不空，则右子树上所有结点的值均大于它的根结点的值； 它的左、右子树也分别为二叉排序树。
——摘自百度百科。
问题：这玩意有什么用？
2.作用：
返回这玩意查找的数据的位置。(废话)
比如第几小的整数，只需要搜一条链就好了。(o(logn))
3.拓展：
1.首先他的思想非常重要，OI考试基本必考。
2.有一些基于二叉搜索树的数据结构。
三、线段树
1.定义：
中文名 线段树
外文名 Segment Tree
功 能 单点、区间的修改、查询
时间复杂度 log（n）（建树为nlogn）
学 科 数据结构
领 域 数据结构
线段树是一种二叉搜索树，与区间树相似，它将一个区间划分成一些单元区间，每个单元区间对应线段树中的一个叶结点。
对于线段树中的每一个非叶子节点[a,b]，它的左儿子表示的区间为[a,(a+b)/2]，右儿子表示的区间为[(a+b)/2+1,b]。因此线段树是平衡二叉树，最后的子节点数目为N，即整个线段区间的长度。
——来自百度百科。
这一大坨什么玩意？
举个例子。
二分18，得到14,再次分割，直到只剩点（区间端点重合、叶节点）为止。
也就是说线段树里面的元素都是一些线段，叶子节点都是点(长度为0的线段)！
所以到底有什么用处？
没有其他数据的线段树就是一条咸鱼。
其实可以想象一下让你求一个线段的最大值，朴素O(n)，因为线段树树高不超过logn,所以求最大值也变成了O(logn)！ 优秀啊...
其他的复杂度可以类比，就是建树过程变成O(nlogn)。
关键还在于强制在线的时候，支持在线修改，真是方便。
但是，缺点也很明显，没有优化的线段树需要四倍空间存储，MLE预警。
食用方法如下：
- 在每一个节点处设置一个sum或者min或max或bool的recover，用来求对应的：线段和、最小值、最大值、覆盖情况（求线段长度）。在插入、删除的时候维护上述的值，可以得到O(logn)的算法。
- 但是，如果sum被全部遍历，算法会退化到O(n)，解决方法是打标记法（Lazy思想）,对于整个节点修改不是真正执行，但是保存操作的+/-的值，在查询（或者进行其他影响到节点结果的操作）的时候再往下分割执行。
具体问题具体分析，还是要回归他支持的操作上(全部在线) ：
1.插入元素n
2.删除元素n
3.输出区间l,r的最大值min
4.输出区间l,r的最小值max
5.其他用途(例如：输出某一段区间的覆盖情况等)
还是给一个代码样例，防止考试忘记线段树板子...
1.建树如何实现？
首先我们会得到一段区间，这一段区间可能有初始值，
假设线段点初始值存在a[ ]数组里的话。
int a[]={.........};//原先的线段初始化
void build_tree(int rt,int l,int r)//是根、左节点、右节点
{//建树操作
segment[rt].l=l,segment[rt].r=r;
//先把这个节点的左右端点放进去
if (l==r)
{
segment[rt]=a[l];return;
}
//按照预想，在叶子节点即点上，会有初始化的数据，拿过来用就行
int m=(l+r)>>1;//得到线段中点
build_tree(rt<<1,l,m);//建左子树，其实就是二分思想
build_tree((rt<<1)+1,m+1,r);//建右子树，二分思想*2
segment[rt].min=min(segment[rt<<1].min,segment[(rt<<1)+1].min);
//维护的最小值，按照需求选择是否加上
segment[rt].max=max(segment[rt<<1].max,segment[(rt<<1)+1].max);
//维护的最大值，选择同上
segment[rt].sum=segment[rt<<1].sum+segment[(rt<<1)+1].sum;
//维护的和，选择同上
segment[rt].state_=true;
//维护的存在性，选择同上
//以上四个维护任选其一，按图索骥，要啥就维护啥。
}
（原先的代码因为猝不及防的if虚悬问题RE了...)
代码也很好理解，就是先递归分解，直到得到线段的值，然后回溯回来，就得到维护的值，然后就...然后就...然后就...最后建好了。(因为树高是logn,节点遍历次数是n,维护操作是O(1),所以整个建树操作就是O(\(n×logn×1\))=O(\(nlogn\)))。
2.单点查询和修改
既然我们要避免以上所说的维护O(n)的复杂度，我们引入一个新的变量tag，表示标记，如果是最大最小值或者存在性问题，可以设置成bool变量，如果是求和问题，可以设置成整形变量。
标记的好处就在于你不用非得全部遍历，就按照需要打标记就可以，甚至可以反复打标记，大大优化了原先的算法。
所以我们还要有一个在操作过程中下传标记的算法：
- 1.操作到了就不用标记了，所以清空标记，
- 2.向下传递，传递的过程如果并不需要继续操作，就又懒上了。
然后也这就是优化的进一步推论。
代码实现甚至不需要进一步递归!(Lazy真香啊)Code:
void pushdown(int p)
{//实行对p节点的下传标记
if (segment[p].l==segment[p].r)
{//叶子节点往哪里传？就自己吃了标记算了
if (segment[p].tag==0)return;//没标记传个啥？直接杀掉
segment[p].sum+=tag;//比如求和
segment[p].tag=0;//清除这个标记，用完了，卸磨杀驴
}
if (segment[p].tag==0)return;//没标记传个啥？直接杀掉
segment[p].sum+=(segment[p].l+segment[p].r)*tag;//比如维护和的操作
segment[p<<1].tag=segment[p].tag;//传输左儿子
if ((p<<1)+1<=n)segment[(p<<1)+1].tag=segment[p].tag;
//存在右儿子也传过去
segment[p].tag=0;//干掉这个标记，用完了，卸磨杀驴
}
所以单点查询的时候就杀一批驴，然后找找区间，杀掉的驴的个数是logn只，所以将查询的复杂度优化到了O(logn) 。
综上所述（查询的铺垫），查询操作Code：
int ask_(int p)//2
{//单点查询状态,查询sum
if (segment[p].l==segment.r)return segment[p].sum;
//如果是叶子节点，就是单点，就返回sum的值
pushdown_(p);//先杀驴,再访问
int m=(segment[p].l+segment[p].r)>>1;//中间节点
if (p<=m)return ask_(p<<1);//驴在左孩子家里
else return ans_((p<<1)+1);//驴在右孩子家里
}
单点修改也差不多，基本思想就是找孩子(单点) ，然后一路杀驴，就是在向上的时候不需要返回值，只是再次更新一下维护的值。
杀掉的驴还是logn只，维护的值与其同时进行（同一层栈），所以时间复杂度还是O(logn) 。
综上所述（修改的铺垫），单改Code:
void change_p(int p,int x,int num)//单点修改找孩子
{//
if(segment[p].l==segment[p].r)//找到x了(叶子节点)
{
segment[p].num+=num;//修改操作在这里
return;//可以停下回去更新了
}
if(segment[p].f!=segment[p].r) pushdown_(p);//不是x节点，就杀驴去(更新)
int m=(segment[p].l+segment[p].r)>>1;//取个中点找孩子去
if(x<=m) change_p(p<<1,x,num);//左孩子家里
else change_p((p<<1)+1,x,num);//右孩子家里
segment[p].w=segment[p<<1].w+segment[(p<<1)+1].w;//更新线段和
}
3.操作一个区间的值，询问一个区间
方式大同小异，就是改变区间的时候打上标记，回来的时候维护改变的值，
操作区间的时候就再次维护拆开的两半，拆之前杀驴即可。
改变区间的值Code：
void change_seg(int p,int l,int r,int num)
{
if (segment[p].l==l,segment[p].r==r)
{//恰好完全覆盖这条p线段
segment[p].tag+=num;//打上一个tag标记，养驴
segment[p].sum+=num*(r-l+1);
//加上更改的数值*节点个数,仅仅更改这一层数据，更新上一层维护数据
return;
}
//下面均为不完全覆盖p线段
int m=(segment[p].l+segment[p].r)>>1;
if (r<=m)
{//覆盖的线段在左儿子家里
change_seg(p<<1,l,r,num);//改左儿子
}
else if(l>m)
{//覆盖的线段在右儿子家里
change_seg((p<<1)+1,l,r,num);//改右儿子
}
else
{//两个儿子全覆盖
change_seg(p<<1,l,m,num);//给左儿子覆盖
change_seg((p<<1)+1,m+1,r,num);//给右儿子覆盖
}
segment[p].sum=segment[p<<1].sum+segment[(p<<1)+1].sum;//更新维护数据
}
查询的话...
int ask_seg(int p,int l,int r)
{
if (segment[p].l==l&&r==segment[p].r)return segment[p].sum;
int m=(segment[p].l+segment[p].r)>>1;
if (r<=m)return ask_seg(p<<1,l,r);
else if (l>=m+1) return ask_seg((p<<1)+1,l,r);
else return ask_seg(p<<1,l,m)+ask_seg((p<<1)+1,m+1,r);
}
最后放一个整个的线段树板子吧
四、树状数组
1.定义
树状数组(Binary Indexed Tree(B.I.T), Fenwick Tree)是一个查询和修改复杂度都为log(n)的数据结构。主要用于查询任意两位之间的所有元素之和，但是每次只能修改一个元素的值；经过简单修改可以在log(n)的复杂度下进行范围修改，但是这时只能查询其中一个元素的值(如果加入多个辅助数组则可以实现区间修改与区间查询)。
——来自百度百科
2.算法实现
令这棵树的结点编号为C1，C2...Cn。令每个结点的值为这棵树的值的总和，那么容易发现：
C1 = A1
C2 = A1 + A2
C3 = A3
C4 = A1 + A2 + A3 + A4
C5 = A5
C6 = A5 + A6
C7 = A7
C8 = A1 + A2 + A3 + A4 + A5 + A6 + A7 + A8
...
C16 = A1 + A2 + A3 + A4 + A5 + A6 + A7 + A8 + A9 + A10 + A11 + A12 + A13 + A14 + A15 + A16
这里有一个有趣的性质：
设节点编号为x，那么这个节点管辖的区间为2^k个元素
（其中k为x二进制末尾0的个数）。（不信你就模拟一下看看）
因为这个区间最后一个元素必然为Ax，
所以很明显：Cn = A(n – 2^k + 1) + ... + An
相对于维护，这样的计算省下多少力气...
求k的值也很简单，已知lowbit(n)=：
- 1.找到n在二进制下的第一个1
- 2.返回这个1和它右边的0组成的二进制数的十进制。
利用补码的性质，我们可以得出：
int lowbit(int n){return n & -n;}
所以，只需要反复进行某些步骤就好了：
- 1.初始化sum=0;
- 2.如果n<=0,停止；否则就sum+=c[n];
- 3.n-=lowbit(n);然后是第二步。
如果是修改呢？
while(i<=n)//0.在数组内部
{
c[i]=c[i]+x;//1.修改
i+=lowbit(i);//2.跳转到下一个与其有关的值
}
五、ST表
1.定义：
定义一个二维数组st_list[ i ][ j ],表示闭区间[ i,i + 2^j-1 ]的最小值/最大值。
2.推论和建表方法：
根据这个原理，当j=0的时候，i+2^j-1 = i+1-1 = i,
也就是说st表的第一列是原数组！
将数组二分成两部分，即[i,i+2(j-1)]和[2(j-1)+1,j-1],
分啊分，直到分到点的值（原数组）,倒着推回去，就可以得到ST表了。
所以这种建表方式本质上是一种dp , 递推。
3.性质（好处）：
1.建表过程O(nlogn),访问过程O(1)。
2.离线(静态)操作。不支持在线(动态)。
问题又来了：如何O(1)访问最大最小值呢？
1.先寻找刚好使得满足2^j <= i < 2^(j+1)的i值(建议预处理)
2.因为2^log(a)>a/2,所以我们要查找区间[i,j]的最大/小值就是
st(l,i)和st(r-2i+1,k)的max/min。(从l向后推2i,从r向前推2^i)
还是画个图好理解。
一次操作，仅需要O(1)的优秀复杂度。
六、最近公共祖先和欧拉序遍历
1.欧拉序遍历是什么？
我们知道一个树的先序遍历是头、左、中间...、右，而欧拉序遍历是在返回的时候再次遍历根节点，变成了头、左、头、中间1、头、...、头、右、头。(也可以打破从左到右遍历的顺序。)
上面的树的欧拉序遍历就是:
1 2 1.5 2 7 2 3 2 1 4 2.5 11 9 11 8 11 2.5 4 1
自己观察，会发现元素a,b的最近公共祖先就在上述遍历中，
第一次出现a和最后一次出现b的这样一个线段内。
尾声。祝大家考个好成绩，早日AK IOI，多多RP++。
各种板子传送门：
二叉堆：
1.合并果子
2.陶陶摘苹果（升级版）
3.纯板子
二叉搜索树：
没找着...
线段树：
1.校门外的树
2.[USACO1.2]挤牛奶Milking Cows
3.统计和
树状数组：
ST 表：
最近公共祖先和欧拉序遍历：
Thanks a lot!
Especially my teacher guided me.
最新文章
- 编译 wxWidgets-3.0.2 on Mac OS X Yosemite 出错？！的解决方法
- jQuery.buildFragment源码分析以及在构造jQuery对象的作用
- IIS 伪静态配置（安装ISAPI_Rewrite配置）
- 【wikioi】1041 Car的旅行路线
- cookie sessionStorage localStorage 区别
- 烂泥：KVM安装Windows Server 2008 R2使用virtio硬盘
- 软件工程 speedsnail 冲刺1
- Hibernate笔记——Hibernate介绍和初次环境配置
- BIND9配置文件详解模板[转载]
- python-列表、字典、元组的员工信息处理接口（第二篇（五）：基于列表、字典和元组的员工信息处理接口）
- JQuery弹出层，点击按钮后弹出遮罩层，有关闭按钮
- [转载]php 处理上百万条的数据库如何提高处理查询速度
- HDU 1222（数论，最大公约数）
- Microsoft office PPT 2007 保存时速度慢（整理自网上）
- Node.js开发工具、开发包、框架等总结
- Hibernate 的原生 SQL 查询
- int类型被强制转换成较低精度的byte类型
- MySQL学习笔记（五）并发时经典常见的死锁原因及解决方法
- MQ选型之RabbitMQ
- <构建之法>第三10、11、12章