倍增


本页面将简要介绍倍增法。

定义

倍增法(英语:binary lifting),顾名思义就是翻倍。它能够使线性的处理转化为对数级的处理,大大地优化时间复杂度。

这个方法在很多算法中均有应用,其中最常用的是 RMQ 问题和求

LCA(最近公共祖先)

应用

RMQ 问题

参见:

RMQ 专题

RMQ 是 Range Maximum/Minimum Query 的缩写,表示区间最大(最小)值。使用倍增思想解决 RMQ 问题的方法是

ST 表

树上倍增求 LCA

参见:

最近公共祖先

例题

题 1

如何用尽可能少的砝码称量出 之间的所有重量?(只能在天平的一端放砝码)

答案是使用 1 2 4 8 16 这五个砝码,可以称量出 之间的所有重量。同样,如果要称量 之间的所有重量,可以使用 1 2 4 8 16 32 64 这七个砝码。每次我们都选择 2 的整次幂作砝码的重量,就可以使用极少的砝码个数量出任意我们所需要的重量。

为什么说是极少呢?因为如果我们要量出 之间的所有重量,只需要 10 个砝码,需要量出 之间的所有重量,只需要 20 个。如果我们的目标重量翻倍,砝码个数只需要增加 1。这叫“对数级”的增长速度,因为砝码的所需个数与目标重量的范围的对数成正比。

题 2

给出一个长度为 的环和一个常数 ,每次会从第 个点跳到第 个点,总共跳了 次。每个点都有一个权值,记为 ,求 次跳跃的起点的权值之和对 取模的结果。

数据范围:

这里显然不能暴力模拟跳 次。因为 最大可到 级别,如果暴力模拟的话,时间承受不住。

所以就需要进行一些预处理,提前整合一些信息,以便于在查询的时候更快得出结果。如果记录下来每一个可能的跳跃次数的结果的话,不论是时间还是空间都难以承受。

那么应该如何预处理呢?看看第一道例题。有思路了吗?

回到本题。我们要预处理一些信息,然后用预处理的信息尽量快的整合出答案。同时预处理的信息也不能太多。所以可以预处理出以 2 的整次幂为单位的信息,这样的话在预处理的时候只需要处理少量信息,在整合的时候也不需要大费周章。

在这题上,就是我们预处理出从每个点开始跳 1、2、4、8 等等步之后的结果(所处点和点权和),然后如果要跳 13 步,只需要跳 1+4+8 步就好了。也就是说先在起始点跳 1 步,然后再在跳了之后的终点跳 4 步,再接着跳 8 步,同时统计一下预先处理好的点权和,就可以知道跳 13 步的点权和了。

对于每一个点开始的 步,记录一个 go[i][x] 表示第 个点跳 步之后的终点,而 sum[i][x] 表示第 个点跳 步之后能获得的点权和。预处理的时候,开两重循环,对于跳 步的信息,我们可以看作是先跳了 步,再跳 步,因为显然有 。即我们有 sum[i][x] = sum[i-1][x]+sum[i-1][go[i-1][x]],且 go[i][x] = go[i-1][go[i-1][x]]

当然还有一些实现细节需要注意。为了保证统计的时候不重不漏,我们一般预处理出“左闭右开”的点权和。亦即,对于跳 1 步的情况,我们只记录该点的点权和;对于跳 2 步的情况,我们只记录该点及其下一个点的点权和。相当于总是不将终点的点权和计入 sum。这样在预处理的时候,只需要将两部分的点权和直接相加就可以了,不需要担心第一段的终点和第二段的起点会被重复计算。

这题的 ,虽然看似恐怖,但是实际上只需要预处理出 以内的 ,就可以轻松解决,比起暴力枚举快了很多。用行话讲,这个做法的

时间复杂度 是预处理 ,查询每次

贡献者:@忘怀@WenzelTian@Lewy@Great-designer@mgt@Leo@peterlits@夜轮_NachtgeistW@Chrogeek@H-J-Granger

本页面最近更新:2/3/2023, 12:00:00 AM更新历史

发现错误?想一起完善? 在 GitHub 上编辑此页!

本页面的全部内容在 CC BY-SA 4.0SATA 协议之条款下提供,附加条款亦可能应用

评论

0 条评论
未登录用户


Copyright © 2016 - 2023 OI Wiki Team

最近更新:fd2ec2c, 2023-02-03

联系方式:Telegram 群组 / QQ 群组