文章目录
1 引言
1.1 树状数组的概念
1.2 树状数组的应用场景
- 动态查询问题：树状数组非常适用于需要动态查询某个区间内元素和的场景。
- 频繁更新问题：树状数组也适用于频繁更新数组元素的情况。
- 逆序对问题：逆序对问题是一个常见问题，即找出数组中所有满足
i<j且a[i]>a[j]的(i, j)对。树状数组可以在O(nlogn)的时间复杂度内解决这个问题。
2 基础知识
2.1 二进制索引的概念和性质
概念：
二进制索引的主要概念是基于数组元素的二进制表示来构建索引。具体来说，对于数组中的每个元素，我们可以将其下标转换为二进制形式，并根据二进制位来构建索引。通过维护这些索引，我们可以快速计算数组的前缀和，从而实现高效的查询和更新操作。
性质：
- 前缀和查询的高效性：二进制索引可以在
O(log n)的时间复杂度内计算数组的前缀和。这是因为它利用了二进制表示的特性，通过跳跃式地计算不同位上的前缀和，实现了快速查询。 - 单点更新的高效性：与前缀和查询一样，二进制索引也可以在
O(log n)的时间复杂度内完成单点更新操作。当数组中的某个元素发生变化时，只需要更新对应的索引，即可快速反映到前缀和上。 - 空间效率：二进制索引的空间复杂度与原始数组相同，即
O(n)。它不需要额外的存储空间来维护索引结构，因此具有较高的空间效率。
2.2 前缀和的概念和计算
计算前缀和的方法很简单，通常是通过迭代数组中的每个元素，并将当前元素与前一个元素的前缀和相加，得到当前元素的前缀和。第一个元素的前缀和就是它本身。
例如，给定一个数组 arr = [1, 2, 3, 4, 5]，它的前缀和数组 prefix_sum 可以这样计算：
prefix_sum[0] = arr[0] = 1
prefix_sum[1] = arr[0] + arr[1] = 1 + 2 = 3
prefix_sum[2] = arr[0] + arr[1] + arr[2] = 1 + 2 + 3 = 6
prefix_sum[3] = arr[0] + arr[1] + arr[2] + arr[3] = 1 + 2 + 3 + 4 = 10
prefix_sum[4] = arr[0] + arr[1] + arr[2] + arr[3] + arr[4] = 1 + 2 + 3 + 4 + 5 = 15
所以，前缀和数组 prefix_sum 为 [1, 3, 6, 10, 15]。
3 树状数组的定义和数学推导
3.1 通俗易懂的解释什么是树状数组※
对于一个数组，我们通常需要这样的操作：
- 修改某个元素的值
- 求一段区间的和
如果用朴素的做法，我们通常需要开一个数组，保存下来所有元素，每查询一次，遍历一次数组
但这会使得求和操作的时间复杂度达到 O ( n ) O(n) O(n)，但如果数据量和查询次数达到上百万，这样的效率太低了
- 但有人可能会想到，把数组中的元素两两求和，保存到另一个数组中：
这样我们在计算的时候就会节省一半的时间，修改数据的时候也就是多改一个数字而已，但是对于很大的数据量，还是很慢。
- 那我们可以再将这一层元素两两求和，往上叠加一层，直到只剩一个元素为止：
这样即使要求和的数字很多，我们也可以利用这些额外的数组计算出需要的答案（用空间换时间的思想）
例如：要计算前14个数字的和
只需要计算这样4个数字就行
即使要计算前一百万个数字的和，我们也只需要进行10~20次加法
这样将查询的时间复杂度降到了 O ( log n ) O(\log n) O(logn)，效率提升了很多
观察这个数组我们可以发现，数组中的某些数字是不会用到的，大家可以手动模拟一下，所有层的第偶数个数字在计算时都不会被用到，都有更好的方案来替代
去除掉不会被用到的数字之后，剩下的数字正好是 n n n个，这与数组的长度是一样的
所以，我们可以用一个与原数组长度相同的数组来装下这些数，这个数组就是一颗树状数组，数组中的每一个元素都对应下面的每一个区间，这些区间表示的都是每个对应的区间和
求和时，我们只需要找到对应的区间，将这些区间相加即可找到答案
修改某个数据时，我们也只需要向上找到包含它的所有区间修改即可
所有查询以及修改元素的操作，都可以在 O ( log n ) O(\log n) O(logn)的时间复杂度内完成
3.2 树状数组的数学推导※
对于一个数
x
x
x，我们可以把它分解成二进制的形式：
2
i
k
+
2
i
k
−
1
+
2
i
k
−
2
+
.
.
.
+
2
i
1
2^{i_{k}}+2^{i_{k-1}} + 2^{i_{k-2}} + ... + 2^{i_{1}}
2ik+2ik−1+2ik−2+...+2i1，其中，
2
i
k
2^{i_k}
2ik表示
x
x
x的最高二进制位，
2
i
1
2^{i_{1}}
2i1表示最低二进制位，
i
k
≥
i
k
−
1
≥
.
.
.
≥
i
1
(
k
≤
log
x
)
i_{k} \geq i_{k-1} \geq ... \geq i_{1} (k \leq \log x)
ik≥ik−1≥...≥i1(k≤logx)
假设我们要求 1 − x 1-x 1−x的和，我们可以把区间分成 k k k个区间
(
x
−
2
i
1
,
x
]
(x-2^{i_1},x]
(x−2i1,x]
(
x
−
2
i
1
−
2
i
2
,
x
−
2
i
1
]
(x-2^{i_1}-2^{i_2},x-2^{i_1}]
(x−2i1−2i2,x−2i1]
.
.
.
...
...
(
0
,
x
−
2
i
1
−
2
i
2
−
.
.
.
−
2
i
k
−
1
]
(0,x-2^{i_1}-2^{i_2}-...-2^{i_{k-1}}]
(0,x−2i1−2i2−...−2ik−1]
这样我们把 x x x分成了 log x \log x logx个区间，如果我们把所有区间的和都预处理出来，最多只需要加 log x \log x logx次就可以将区间和算出来
如何预处理这些数呢？
我们看一下这些区间有什么性质：
- 首先，每个区间都包含 2 i 2^i 2i个数
- 每个区间 ( L , R ] (L,R] (L,R]的长度一定是 R R R的二进制表示的最后一位 1 1 1所对应的次幂
所以，利用lowbit函数，我们可以把贝格区间简化为
(
R
−
l
o
w
b
i
t
(
R
)
+
1
,
R
]
(R-lowbit(R)+1,R]
(R−lowbit(R)+1,R]（该函数的定义如下）
def lowbit(x):
return x & -x
于是，我们如果想用数组来记录区间和，可以用c[R]来表示区间和：c[x] = a[x - lowbit(x) + 1, x]
下面来看一下c[x]之间的关系：
经过这样的数学推导之后，我们得到了与上面介绍中一致的形式
下面来介绍一下如何计算的数学推导
- 给出x，如何找到x的所有子节点
假设 x > 0 x > 0 x>0，则必然存在最后一位 1 1 1，假设这一位 1 1 1后面有 k k k个 0 0 0，我们让 x − 1 x-1 x−1，则后面有连续的 k k k个 1 1 1，这每个 1 1 1都对应一个儿子，我们找每个儿子只需要每次减去最后一位 1 1 1，一直减 k k k次，直到变成 0 0 0
二进制表示解释如下：
c[x] ~ (x - lowbit(x) + 1, x]
x - 1 ~ ...1000(k个0)
儿子区间1 ： (...0111, ...0110]
儿子区间2 ： (...0110, ...0100]
儿子区间3 ： (...0100, ...0000]
- 如何通过子节点找父节点？
这个与找儿子结点是相反的，是一个迭代的过程，通常用于修改结点
假设给定一个x，修改完a[x]之后要修改哪些区间和？
假设 p p p是一个父节点，它的二进制表示要满足要找子节点之前的形式（最后一位1后面跟着若干个0），那么它的子节点一定满足那个1变成0，后面跟若干个1，后面是若干个0
我们只需要把上面的过程逆过来就可以了
每次加上一个lowbit(x)，就找到直接父节点，然后一直往上加，直到加到那个父节点的位置是1，一共加
log
x
\log x
logx次，就可以找到所有父节点
对于一个要修改的a[x]，修改操作的代码是：
for(int i = x; i <= n; i += lowbit(i)) tr[i] += c;
要想明白的是：为什么改完x之后，只需要更新tr数组的最多这么logx个位置（结合上面的黑白图）
查询（1~x的区间和）操作的代码（找子区间）：
for(int i = x; i; i -= lowbit(x)) res += tr[i];
部分内容及灵感来源：
https://www.bilibili.com/video/BV1ce411u7qP/
https://www.acwing.com/file_system/file/content/whole/index/content/172493/