洛谷 P2596 [ZJOI2006]书架 (平衡树,fhq treap详解)

传送门
fhq treap对于区间的操作可谓是很简单很暴力,但是在没有完全理解fhq treap之前可能会对区间操作一脸懵.这篇博客希望能帮助到大家理解fhq treap的区间操作.
我们要明确一个点,fhq treap维护平衡的方式就是split和merge操作,这两个操作保证和平衡树的性质.但这是按值分裂的fhq treap所采取的方式.而区间操作就显得更加暴力了,说是一颗平衡树,其实又不太像广义上面的平衡树.树的分裂不是靠值,而是靠大小(这就很强了).所谓的建树,只是把一个一个的结点拼接起来.先拼接的节点它的"权值"就越小.这里的权值不是广义的权值,换句话说,这个结点的权值是它merge的顺序而不是结构体里存的val.这部分的内容我的表述可能不够优秀,大伙靠自己意会一下.要点是结构体里的权值并不是fhq treap的平衡依据.
说回这一题.如果能理解fhq treap的区间操作那么这一题就不难了.
要操作一个区间,那么需要把这个区间正确的split出来.我们先建立编号到序列的映射.用pos[p[i]]来记录.结构体命名为fhq.之后就可以通过pos数组来找到编号对应的fhq数组位置.
例如 1 5 3 4 2 这个序列,对编号5的书进行操也就是对fhq[2]这个位置进行操作.区间操作的fhq treap是按大小分裂的,但我们并不知道fhq[2]到底排名第几.所以我们要用dfs的方法搜索这颗平衡树来得到fhq[2]的排名.
具体做法就是我们多维护一个fa.来记录每一个节点的父亲节点.然后从fhq[2]开始一步一步往上找,如果这个节点是父亲节点的右子树,那么就累加上fhq[lson(fa)].size.可以在纸上画一颗平衡树模拟一下这个过程.这样就能找到fhq[2]的排名.
之后把这个节点split出来直接进行各种操作就完事了.
代码:

#pragma GCC optimize(2)
#define LL long long
#define pq priority_queue
#define ULL unsigned long long
#define pb push_back
#define mem(a,x) memset(a,x,sizeof a)
#define pii pair<int,int>
#define fir(i,a,b) for(int i=a;i<=(int)b;++i)
#define afir(i,a,b) for(int i=(int)a;i>=b;--i)
#define ft first
#define vi vector<int>
#define sd second
#define ALL(a) a.begin(),a.end()
#define bug puts("-------")
#define mpr(a,b) make_pair(a,b)
#define lson(i) fhq[i].l
#define rson(i) fhq[i].r
#include <bits/stdc++.h>
#include <iostream>

using namespace std;
const int N = 2e5+10;

inline void read(int &a){
	int x = 0,f=1;char ch = getchar();
	while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
	while(ch<='9'&&ch>='0'){x=x*10+ch-'0';ch=getchar();}
	a = x*f;
}
std::mt19937 rnd(time(0));
struct Node{
	int l,r,siz,key,val,fa;
}fhq[N];
int n,m,tot,p[N],pos[N];
int newnode(int val){
	fhq[++tot].siz = 1;
	fhq[tot].val = val;
	fhq[tot].key = rnd();
	return tot;
}
void update(int now){
	fhq[now].siz = fhq[lson(now)].siz + fhq[rson(now)].siz + 1;
	fhq[lson(now)].fa = fhq[rson(now)].fa = now;
}
void split(int now,int siz,int &x,int &y){
	if(!now){
		x = y = 0;
		return;
	}
	if(fhq[lson(now)].siz < siz){
		x = now;
		split(rson(now),siz-fhq[lson(now)].siz-1,rson(now),y);
	}
	else{
		y = now;
		split(lson(now),siz,x,lson(now));
	}
	update(now);
}
int merge(int x,int y){
	if(!x || !y) return x+y;
	if(fhq[x].key >= fhq[y].key){
		rson(x) = merge(rson(x),y);
		update(x);
		return x;
	}
	else{
		lson(y) = merge(x,lson(y));
		update(y);
		return y;
	}
}
int root,x,y,z,v;
int find(int pos){
	int res = fhq[lson(pos)].siz + 1;
	while(fhq[pos].fa){
		if(rson(fhq[pos].fa) == pos){
			res += fhq[lson(fhq[pos].fa)].siz + 1;
		}
		pos = fhq[pos].fa;
	}
	return res;
}
void op1(int val){
	split(root,val-1,x,y);
	split(y,1,y,z);
	root = merge(y,merge(x,z));
}
void op2(int val){
	split(root,val-1,x,y);
	split(y,1,y,z);
	root = merge(x,merge(z,y));
}
void op3(int val,int t){
	if(!t) return;
	if(t == 1){
		split(root,val-1,x,y);
		split(y,1,y,z);
		split(z,1,z,v);
		root = merge(x,merge(merge(z,y),v));
	}
	else{
		split(root,val-2,x,y);
		split(y,1,y,z);
		split(z,1,z,v);
		root = merge(x,merge(merge(z,y),v));
	}
}
void op4(int val){
	cout << val-1 << endl;
}
void op5(int val){
	split(root,val-1,x,y);
	split(y,1,y,z);
	cout << fhq[y].val << endl;
	root = merge(merge(x,y),z);
}
int main(){
	cin >> n >> m;
	fir(i,1,n) cin >> p[i],pos[p[i]] = i,root = merge(root,newnode(p[i]));
	fir(i,1,m){
		string op;
		int x;
		cin >> op >> x;
		int po = find(pos[x]);
		if(op[0] == 'T'){
			op1(po);
		}
		else if(op[0] == 'B'){
			op2(po);
		}
		else if(op[0] == 'I'){
			int t;
			cin >> t;
			op3(po,t);
		}
		else if(op[0] == 'A'){
			op4(po);
		}
		else{
			op5(x);
		}
	}
	
	return 0;
}	
<think>嗯,用户想了解FHQ-Treap的空间优化方法。首先,我得回忆一下FHQ-Treap的基本结构。FHQ-Treap也就是非旋转Treap,它通过分裂和合并操作来维护平衡,不需要旋转,所以代码相对简单,还能支持可持久化。那空间优化方面,用户可能遇到节点过多导致内存占用大的问题,需要找优化方法。 根据引用[2],FHQ-Treap相比Splay虽然常数大,但实现容易,还能可持久化。可持久化通常会占用更多空间,但用户问的是空间优化,所以可能需要减少节点数量或重用节点。 首先想到的是节点复用。比如删除节点时,不是立即释放内存,而是加入一个缓存池,需要时再取出。这样可以避免频繁申请内存的开销,尤其在多次插入删除的情况下。这种方法在很多数据结构中都有应用,比如内存池技术。 然后是动态分配策略。比如根据操作频率调整节点预分配的数量,高频使用时多分配,低频时减少。不过具体如何实现可能需要进一步思考,比如初始分配一定数量的节点,当不够时再批量申请,而不是每次插入都申请新节点。 还有延迟回收技术。删除节点后不立即回收,而是标记为无效,后续操作中复用。这需要维护一个无效节点列表,并在需要时进行清理或复用。不过要注意避免内存泄漏,可能需要定期清理。 另外,引用[5]提到使用虚节点来优化合并操作,虽然主要是针对并查集,但或许可以借鉴。比如在FHQ-Treap中,是否有类似虚节点的设计,减少结构中的辅助节点数量?或者通过某些方式共享部分结构,比如持久化时的路径复用,但用户可能指的是常规优化而非可持久化场景。 还有,合并操作的优化可能减少临时节点的使用。比如在合并过程中尽量复用现有节点,而不是创建中间节点。不过这可能需要调整合并算法的实现细节。 还需要考虑Treap本身的特性,比如优先级。如果优先级生成策略可以优化,比如使用哈希或更紧凑的存储方式,减少存储开销。例如,使用较小的数据类型存储优先级,或者用伪随机数生成器避免存储全部优先级。 另外,内存对齐和紧凑的节点结构设计也很重要。比如将节点的键、优先级、左右子指针紧凑排列,减少内存碎片,或者使用更小的数据类型。例如,如果键的范围允许,使用int而非long来存储。 可能还需要分析FHQ-Treap的具体实现,比如每个节点通常包含哪些字段。通常有key, priority, left, right,可能还有size。如果size可以动态计算而不存储,但这样会影响性能,需要权衡。 总结可能的优化点: 1. 节点复用与缓存池 2. 延迟回收和批量分配 3. 紧凑的节点结构设计 4. 动态调整预分配策略 5. 优化优先级存储 6. 合并/分裂时的临时节点复用 需要将这些方法具体化,给出实际的技巧,比如如何实现缓存池,如何设计节点结构等。同时要确保这些方法适用于FHQ-Treap的特性,比如非旋转和分裂合并操作。 比如,节点池的实现:预先分配一个节点数组,用栈或队列管理空闲节点。插入时从池中取节点,删除时将节点放回池中。这样减少内存分配次数,提高效率,同时控制内存占用。 紧凑结构方面,可以用union或者位域来压缩字段,但可能增加访问复杂度。或者根据具体情况选择合适的数据类型,比如用32位整数代替64位。 优先级生成方面,如果使用随机数,可以存储种子而不是每个节点的优先级,但Treap需要每个节点有唯一的优先级,所以可能不可行。或者使用哈希函数生成优先级,减少存储空间,比如用较低的位数。 延迟回收的话,维护一个删除列表,当需要新节点时先检查列表,有则复用,无则新建。但要注意节点信息的正确重置。 可能还需要注意可持久化时的优化,但用户的问题可能是一般情况下的空间优化,所以重点放在常规方法上。 最后,给出具体的优化技巧,结合实现示例,比如代码中的节点池管理,或者结构体设计。同时引用相关参考资料,比如引用[2]提到FHQ可用于可持久化,可能涉及节点复用;引用[5]的虚节点思路是否有借鉴意义。</think>### FHQ-Treap 空间优化技巧详解 FHQ-Treap(非旋转 Treap)通过分裂与合并操作实现平衡树功能,其非旋特性使得可持久化成为可能[^2]。以下是针对空间优化的具体技巧及实现方法: --- #### 1. **节点复用与缓存池** **核心思路**:避免频繁的内存分配/释放,通过预分配和复用节点减少系统调用开销。 - **实现方法**: - **预分配节点池**:初始化时批量申请内存(如数组或链表),维护空闲节点列表。 - **删除节点缓存**:删除操作时将节点标记为“无效”并加入缓存池,插入时优先使用缓存节点。 ```python class NodePool: def __init__(self, chunk_size=1024): self.free_list = [] self.allocate_chunk(chunk_size) def allocate_chunk(self, size): new_nodes = [Node() for _ in range(size)] self.free_list.extend(new_nodes) def get_node(self): if not self.free_list: self.allocate_chunk() # 按需扩容 return self.free_list.pop() def recycle_node(self, node): node.left = node.right = None self.free_list.append(node) ``` --- #### 2. **延迟回收与批量清理** **应用场景**:高频插入/删除操作中,减少即时回收的开销。 - **优化策略**: - 标记节点为“逻辑删除”(如设置 `deleted` 标志),定期批量清理。 - 合并操作时跳过无效节点,减少物理删除次数[^3]。 --- #### 3. **紧凑型节点结构设计** 通过压缩字段节省内存: - **数据类型优化**:根据数据范围选择最小类型(如 `int32` 代替 `int64`)。 - **合并字段**:使用联合体(Union)存储互斥数据(如可持久化版本号与子指针)。 ```c++ struct CompactNode { int32_t key; uint16_t priority; // 使用更小的随机数范围 union { struct { CompactNode *left, *right; }; int32_t version; // 可持久化场景下的版本号 }; }; ``` --- #### 4. **动态优先级生成** **避免存储显式优先级**:通过哈希函数生成优先级,减少存储开销。 - **公式**:`priority = hash(key) % MAX_PRIORITY` - **优点**:无需额外字段存储优先级,但需保证优先级分布近似随机性。 --- #### 5. **可持久化场景优化** **虚节点技术**:参考并查集虚点思想[^5],将频繁修改的子树映射到独立内存区域。 - **实现**:为每个节点绑定虚节点,合并/分裂操作仅修改虚节点,减少真实节点的变更次数。 --- #### 6. **合并/分裂操作优化** 减少临时节点生成: - **原地修改**:合并时直接调整指针而非创建新节点。 - **栈式分裂**:分裂过程中复用中间节点(需严格保证线程安全)。 --- ### 关键权衡与注意事项 | 优化方法 | 优点 | 缺点 | |------------------|--------------------------|-------------------------------| | 节点池 | 减少内存碎片 | 预分配可能浪费内存 | | 延迟回收 | 降低高频操作开销 | 内存占用短期增加 | | 紧凑结构 | 节省单节点空间 | 代码复杂度增加 | | 动态优先级 | 无需存储优先级字段 | 哈希冲突可能影响平衡性 | --- ### 相关问题 1. **如何验证节点池优化后的内存使用效率?** 2. **FHQ-Treap 在可持久化场景中如何避免内存泄漏?** 3. **紧凑节点结构对分裂/合并操作性能有何影响?** : FHQ-Treap 的非旋特性使其适合可持久化优化。 : 延迟回收技术可借鉴滑动窗口的复用思想。 [^5]: 虚节点技术常用于减少真实数据结构的修改频率。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值