組求逆序數(shù)：從O(n2)到O(n log n)的高效算法解析)
1. 項目概述從“暴力”到“優(yōu)雅”的逆序數(shù)求解在算法競賽和數(shù)據(jù)處理中逆序數(shù)是一個經(jīng)典且高頻的問題。簡單來說對于一個序列逆序數(shù)就是序列中“順序顛倒”的元素對的個數(shù)。比如序列[2, 4, 1, 3]其中(2,1)、(4,1)、(4,3)都是逆序對所以逆序數(shù)為3。這個問題最直觀的解法是雙重循環(huán)遍歷時間復雜度是 O(n2)一旦數(shù)據(jù)量上萬計算就會變得極其緩慢。這時“樹狀數(shù)組求逆序數(shù)”這個模板的價值就凸顯出來了。它不是一個簡單的代碼片段而是一種將時間復雜度優(yōu)化到 O(n log n) 的經(jīng)典思想與實現(xiàn)。我第一次在比賽中遇到需要計算十萬級別數(shù)據(jù)逆序數(shù)時就是靠這個模板“救場”的。它的核心魅力在于將原本需要兩兩比較的“暴力”過程轉化為一種基于前綴和的動態(tài)計數(shù)過程通過一個結構精巧的“樹狀數(shù)組”數(shù)據(jù)結構高效地統(tǒng)計每個元素之前有多少個比它大的數(shù)。這個模板之所以被稱為“模板”是因為它的代碼結構非常固定邏輯清晰一旦理解就能像套公式一樣解決一大類“統(tǒng)計左側/右側比當前元素大/小的元素個數(shù)”的問題。它不僅是競賽中的利器在需要分析數(shù)據(jù)有序性、衡量排列混亂度如衡量排序算法近似程度的實際工程場景中也常有應用。接下來我將徹底拆解這個模板從原理到實現(xiàn)從代碼到避坑讓你不僅能“抄作業(yè)”更能理解其背后的每一行邏輯。2. 核心原理樹狀數(shù)組如何化身逆序數(shù)計數(shù)器要理解樹狀數(shù)組Binary Indexed Tree, BIT如何求逆序數(shù)我們得先忘掉“樹”的形象抓住它的本質一個支持單點更新和前綴和查詢的高效數(shù)組。2.1 離散化將任意序列映射到有序下標樹狀數(shù)組通常操作的是下標從1開始的整數(shù)序列。但我們的原始數(shù)據(jù)可能是[109, 7, 999, 22]這樣值域很大或者非整數(shù)的情況。直接開一個長度等于值域的數(shù)組比如開到999是不現(xiàn)實的。因此第一步永遠是離散化。離散化的目的是將原始數(shù)據(jù)在不改變大小關系的前提下映射到一個緊湊的、連續(xù)的正整數(shù)區(qū)間上。例如將[109, 7, 999, 22]排序去重后得到[7, 22, 109, 999]然后建立映射7-1, 22-2, 109-3, 999-4。原序列就變成了[3, 1, 4, 2]。逆序數(shù)在離散化后的序列上計算結果與原序列完全一致。這一步是后續(xù)所有操作的基礎。注意離散化時如果序列中存在重復元素需要特別注意映射策略。通常有兩種處理方式1) 穩(wěn)定排序后按順序映射相同的值獲得不同的排名適用于求逆序對時數(shù)值相等不算逆序2) 去重后映射相同的值獲得相同的排名。在標準的逆序數(shù)問題中a[i] a[j]且i j我們通常采用第一種方式即穩(wěn)定排序后順序賦予排名確保相等元素不會相互構成逆序對。2.2 樹狀數(shù)組的“計數(shù)”模式樹狀數(shù)組最常見的用法是維護序列的“值”。但在求逆序數(shù)時我們巧妙地用它來維護一個“計數(shù)數(shù)組”。假設離散化后的值域是[1, n]。我們初始化一個長度為n1下標從1開始使用的樹狀數(shù)組bit所有元素為0。這個數(shù)組的物理意義是bit[x]所管轄的區(qū)間內(nèi)當前已經(jīng)出現(xiàn)了多少個值為x的元素更準確地說是bit通過其樹狀結構維護的前綴計數(shù)和。算法的核心過程如下從后往前遍歷離散化后的序列設為arr。對于遍歷到的當前元素arr[i]它的值是v。我們查詢樹狀數(shù)組中下標在[1, v-1]區(qū)間內(nèi)的元素計數(shù)總和。這個總和的意義就是在當前元素arr[i]之后因為我們是倒序遍歷已經(jīng)出現(xiàn)過的、值比v小的元素有多少個。注意由于我們是倒序遍歷此時樹狀數(shù)組中記錄的都是原序列中位于i之后的元素的信息。然而逆序數(shù)的定義是i j且a[i] a[j]。我們當前元素是a[i]我們想知道它后面有多少個比它小的a[j]。這正是步驟2查詢的結果。因此將這個查詢結果累加到答案ans中。然后將當前值v加入到樹狀數(shù)組中即執(zhí)行bit.add(v, 1)表示值為v的元素出現(xiàn)次數(shù)1。繼續(xù)遍歷前一個元素。為什么倒序遍歷這是理解的關鍵。正序遍歷時樹狀數(shù)組里記錄的是“過去”的信息我們查詢的是“前面有多少比我大的”這同樣可以計算逆序數(shù)i j且a[i] a[j]即“右側比我小的”等價于“左側比我大的”數(shù)量。但倒序遍歷的思維更直接對應逆序對定義固定i找j i且值更小的j。兩種遍歷順序答案一致但個人認為倒序遍歷的語義更清晰。2.3 時間復雜度分析離散化過程排序是 O(n log n)。樹狀數(shù)組的每次單點更新和前綴查詢復雜度都是 O(log n)我們遍歷 n 個元素各操作一次所以總復雜度是 O(n log n)。相比 O(n2) 的暴力法在 n100000 時效率有萬倍以上的提升。3. 模板代碼逐行解析與實現(xiàn)下面給出一個完整的、包含離散化的 C 模板實現(xiàn)并附上詳細注釋。#include vector #include algorithm using namespace std; class BIT { private: vectorint tree; int n; public: BIT(int size) : n(size), tree(size 1, 0) {} // 關鍵操作1低位技術 lowbit int lowbit(int x) { return x (-x); } // 關鍵操作2單點更新在下標x處加val void add(int x, int val) { while (x n) { tree[x] val; x lowbit(x); // 向上更新父節(jié)點 } } // 關鍵操作3前綴和查詢求[1, x]的和 int query(int x) { int sum 0; while (x 0) { sum tree[x]; x - lowbit(x); // 向左上移動累加之前區(qū)間的和 } return sum; } }; long long countInversions(vectorint nums) { if (nums.empty()) return 0; // 1. 離散化 vectorint tmp nums; sort(tmp.begin(), tmp.end()); // unique 去重并獲取新的邏輯結尾然后擦除多余部分 tmp.erase(unique(tmp.begin(), tmp.end()), tmp.end()); // 建立值到離散化后排名(1-based)的映射 auto getRank [](int val) { // lower_bound 返回第一個val的迭代器減去begin()得到下標(0-based)1轉為1-based return lower_bound(tmp.begin(), tmp.end(), val) - tmp.begin() 1; }; int m tmp.size(); // 離散化后的值域大小 BIT bit(m); long long ans 0; // 2. 倒序遍歷統(tǒng)計逆序數(shù) for (int i nums.size() - 1; i 0; --i) { int rank getRank(nums[i]); // 獲取當前值的離散化排名 // 查詢當前有多少個比當前值小的數(shù)已經(jīng)出現(xiàn)即排名在[1, rank-1]區(qū)間內(nèi)的計數(shù) // query(rank-1) 得到的就是小于當前值的元素個數(shù) ans bit.query(rank - 1); // 將當前值的出現(xiàn)次數(shù)1更新到樹狀數(shù)組中 bit.add(rank, 1); } return ans; }代碼要點解析BIT類封裝了樹狀數(shù)組的三個核心操作。lowbit是樹狀數(shù)組的靈魂它提取一個數(shù)二進制表示中最低位的1所對應的值決定了更新和查詢的跳躍路徑。離散化部分sortuniqueerase是標準的去重排序操作得到唯一有序的值列表tmp。getRank函數(shù)通過lower_bound快速查找原值在tmp中的位置二分查找O(log n)并1轉換為樹狀數(shù)組所需的1-based下標。統(tǒng)計逆序數(shù)核心循環(huán)bit.query(rank - 1)這是核心中的核心。查詢在當前元素之后因為倒序已出現(xiàn)的、值比它小排名比它小的元素個數(shù)。bit.add(rank, 1)將當前元素納入統(tǒng)計供更早原序列中更靠前的元素查詢。一個具體的計算示例序列[2, 4, 1, 3]離散化排序去重[1,2,3,4]映射1-1, 2-2, 3-3, 4-4。倒序遍歷i3, val3, rank3。查詢bit.query(2)當前bit為空得0。ans0。bit.add(3,1)。i2, val1, rank1。查詢bit.query(0)得0。ans0。bit.add(1,1)。i1, val4, rank4。查詢bit.query(3)。當前bit中記錄了 rank1和3的元素各一個。query(3)會計算 rank為1和3的計數(shù)和即112。這意味著在元素4之后有兩個比它小的數(shù)1和3。ans2。bit.add(4,1)。i0, val2, rank2。查詢bit.query(1)。當前bit中記錄了 rank1,3,4的元素。query(1)只計算 rank1的計數(shù)得1。這意味著在元素2之后有一個比它小的數(shù)1。ans3。bit.add(2,1)。最終結果ans3正確。4. 關鍵細節(jié)、變種與邊界處理模板是骨架實際應用時血肉細節(jié)決定成敗。4.1 離散化細節(jié)重復元素與穩(wěn)定性這是最容易出錯的地方。上述模板使用的sortunique是一種去重離散化它默認數(shù)值相等的元素不構成逆序對。這在大多數(shù)定義下是正確的。但有些題目可能要求將相等元素也視為逆序即a[i] a[j]且i j。這時離散化策略需要調(diào)整。如果需要考慮相等元素構成的逆序對離散化時不能去重。我們應該對原序列的“索引-值”對進行排序。一種常見做法是vectorpairint, int withIndex; // (value, original_index) for (int i 0; i n; i) withIndex.emplace_back(nums[i], i); sort(withIndex.begin(), withIndex.end()); vectorint discreteRank(n); for (int i 0; i n; i) { // 排序后第i個元素的原始下標是 withIndex[i].second // 我們賦予它的離散化排名是 i1 (1-based) discreteRank[withIndex[i].second] i 1; } // 然后使用 discreteRank 數(shù)組進行樹狀數(shù)組操作這樣即使值相同由于原始索引不同它們也會獲得不同的排名在樹狀數(shù)組中被視為不同的值進行處理。后續(xù)統(tǒng)計時查詢query(rank)而不是query(rank-1)就能把等于自己的也統(tǒng)計進去。4.2 遍歷順序與統(tǒng)計目標模板中采用倒序遍歷統(tǒng)計的是“當前元素右側比它小的數(shù)”。等價于正序遍歷統(tǒng)計“當前元素左側比它大的數(shù)”。兩者結果相同。你可以根據(jù)個人習慣或題目具體要求選擇。正序遍歷的循環(huán)體如下for (int i 0; i n; i) { int rank getRank(nums[i]); // 查詢已經(jīng)出現(xiàn)的、排名比當前大的數(shù)量 總出現(xiàn)數(shù) - 小于等于當前的數(shù)量 // 如果樹狀數(shù)組初始全0總出現(xiàn)數(shù)就是 i (當前已遍歷的元素個數(shù)) // 小于等于當前的數(shù)量就是 bit.query(rank) ans i - bit.query(rank); // 這就是左側比當前大的元素個數(shù) bit.add(rank, 1); }兩種方法都可以但要注意語義區(qū)別避免混淆。4.3 數(shù)據(jù)范圍與溢出逆序數(shù)的最大值發(fā)生在序列完全逆序時為n*(n-1)/2。當n為 10^5 時逆序數(shù)最大約為 5e9已經(jīng)超過了 32 位 int 的范圍約21億。因此答案ans必須使用 64 位整數(shù)C中的long long來存儲。這是一個非常經(jīng)典的坑點務必注意。4.4 樹狀數(shù)組大小樹狀數(shù)組的大小應等于離散化后值域的最大值即唯一值的個數(shù)m而不是原數(shù)組長度n。如果原數(shù)組所有值都不同則m n如果有重復則m n。初始化BIT bit(m)即可。5. 常見問題排查與實戰(zhàn)技巧即使理解了原理和模板實戰(zhàn)中還是會遇到各種問題。下面是我在多次使用中總結的排查清單和技巧。5.1 問題排查速查表問題現(xiàn)象可能原因解決方案答案比預期小很多離散化時使用了去重 (unique)但題目要求計算相等元素的逆序。改用非去重離散化方法見4.1節(jié)。答案比預期大很多離散化排名錯誤可能使用了0-based排名但樹狀數(shù)組按1-based操作。確保離散化排名是1-based且樹狀數(shù)組大小m正確。運行時錯誤如段錯誤樹狀數(shù)組初始化大小不足。例如m計算錯誤或直接用了n但值域更大。仔細檢查離散化后tmp數(shù)組的size()確保BIT初始化參數(shù)為此值。答案溢出變成負數(shù)ans使用了int類型。將ans類型改為long long。對于特定數(shù)據(jù)結果錯誤遍歷順序和查詢/更新邏輯不匹配。例如正序遍歷卻用了倒序的查詢邏輯。統(tǒng)一遍歷順序和統(tǒng)計語義。牢記倒序查query(rank-1)是找右側更小的正序用i - query(rank)是找左側更大的。性能不達標超時離散化時對每個元素都使用findO(n)而不是lower_boundO(log n)。必須使用排序后的lower_bound進行二分查找。5.2 調(diào)試與驗證技巧小數(shù)據(jù)暴力對拍這是最有效的方法。寫一個 O(n2) 的暴力算法用隨機生成的小數(shù)據(jù)n 100運行兩個程序對比結果。如果一致再逐步增大數(shù)據(jù)量測試性能。打印中間狀態(tài)在循環(huán)中打印i,rank,query(rank-1)的結果以及每次更新后的樹狀數(shù)組可以寫一個打印函數(shù)。手動模擬一個小序列核對每一步的計算是否符合預期。測試邊界案例空數(shù)組。單元素數(shù)組。完全升序序列逆序數(shù)為0。完全降序序列逆序數(shù)為 n*(n-1)/2。所有元素都相同的序列根據(jù)題目要求逆序數(shù)為0或 n*(n-1)/2。5.3 模板的變種與應用擴展這個模板解決的是“逆序數(shù)”這一具體問題但其思想可以解決更廣泛的一類“動態(tài)前綴計數(shù)”問題。例如求“順序對”數(shù)量只需將統(tǒng)計邏輯反過來。倒序遍歷時ans bit.query(m) - bit.query(rank);就是統(tǒng)計右側比當前大的數(shù)順序對。求每個元素左側比它小的個數(shù)正序遍歷bit.query(rank-1)就是答案。求區(qū)間內(nèi)小于等于某值的元素個數(shù)這需要結合離線查詢或可持久化數(shù)據(jù)結構但核心操作依然是樹狀數(shù)組的更新與查詢。一個實戰(zhàn)心得在競賽中如果遇到復雜問題可以思考是否能將其轉化為某種“順序”或“排名”的統(tǒng)計問題。一旦可以建模為“遍歷過程中動態(tài)查詢之前/之后出現(xiàn)的、滿足某種大小關系的元素個數(shù)”那么樹狀數(shù)組或線段樹很可能就是那把鑰匙。而“逆序數(shù)模板”是掌握這類思想最經(jīng)典的入門練習。最后記住這個模板的精髓不在于死記硬背代碼而在于理解“離散化壓縮值域”和“樹狀數(shù)組動態(tài)維護前綴計數(shù)”這兩個核心操作是如何協(xié)同工作將看似復雜的全局比較化解為高效的局部更新的。多寫幾遍多模擬幾次過程它就會成為你算法工具箱里一件趁手而可靠的兵器。 樹狀數(shù)組求逆序數(shù)：從O(n2)到O(n log n)的高效算法解析
1. 項目概述從“暴力”到“優(yōu)雅”的逆序數(shù)求解在算法競賽和數(shù)據(jù)處理中逆序數(shù)是一個經(jīng)典且高頻的問題。簡單來說對于一個序列逆序數(shù)就是序列中“順序顛倒”的元素對的個數(shù)。比如序列[2, 4, 1, 3]其中(2,1)、(4,1)、(4,3)都是逆序對所以逆序數(shù)為3。這個問題最直觀的解法是雙重循環(huán)遍歷時間復雜度是 O(n2)一旦數(shù)據(jù)量上萬計算就會變得極其緩慢。這時“樹狀數(shù)組求逆序數(shù)”這個模板的價值就凸顯出來了。它不是一個簡單的代碼片段而是一種將時間復雜度優(yōu)化到 O(n log n) 的經(jīng)典思想與實現(xiàn)。我第一次在比賽中遇到需要計算十萬級別數(shù)據(jù)逆序數(shù)時就是靠這個模板“救場”的。它的核心魅力在于將原本需要兩兩比較的“暴力”過程轉化為一種基于前綴和的動態(tài)計數(shù)過程通過一個結構精巧的“樹狀數(shù)組”數(shù)據(jù)結構高效地統(tǒng)計每個元素之前有多少個比它大的數(shù)。這個模板之所以被稱為“模板”是因為它的代碼結構非常固定邏輯清晰一旦理解就能像套公式一樣解決一大類“統(tǒng)計左側/右側比當前元素大/小的元素個數(shù)”的問題。它不僅是競賽中的利器在需要分析數(shù)據(jù)有序性、衡量排列混亂度如衡量排序算法近似程度的實際工程場景中也常有應用。接下來我將徹底拆解這個模板從原理到實現(xiàn)從代碼到避坑讓你不僅能“抄作業(yè)”更能理解其背后的每一行邏輯。2. 核心原理樹狀數(shù)組如何化身逆序數(shù)計數(shù)器要理解樹狀數(shù)組Binary Indexed Tree, BIT如何求逆序數(shù)我們得先忘掉“樹”的形象抓住它的本質一個支持單點更新和前綴和查詢的高效數(shù)組。2.1 離散化將任意序列映射到有序下標樹狀數(shù)組通常操作的是下標從1開始的整數(shù)序列。但我們的原始數(shù)據(jù)可能是[109, 7, 999, 22]這樣值域很大或者非整數(shù)的情況。直接開一個長度等于值域的數(shù)組比如開到999是不現(xiàn)實的。因此第一步永遠是離散化。離散化的目的是將原始數(shù)據(jù)在不改變大小關系的前提下映射到一個緊湊的、連續(xù)的正整數(shù)區(qū)間上。例如將[109, 7, 999, 22]排序去重后得到[7, 22, 109, 999]然后建立映射7-1, 22-2, 109-3, 999-4。原序列就變成了[3, 1, 4, 2]。逆序數(shù)在離散化后的序列上計算結果與原序列完全一致。這一步是后續(xù)所有操作的基礎。注意離散化時如果序列中存在重復元素需要特別注意映射策略。通常有兩種處理方式1) 穩(wěn)定排序后按順序映射相同的值獲得不同的排名適用于求逆序對時數(shù)值相等不算逆序2) 去重后映射相同的值獲得相同的排名。在標準的逆序數(shù)問題中a[i] a[j]且i j我們通常采用第一種方式即穩(wěn)定排序后順序賦予排名確保相等元素不會相互構成逆序對。2.2 樹狀數(shù)組的“計數(shù)”模式樹狀數(shù)組最常見的用法是維護序列的“值”。但在求逆序數(shù)時我們巧妙地用它來維護一個“計數(shù)數(shù)組”。假設離散化后的值域是[1, n]。我們初始化一個長度為n1下標從1開始使用的樹狀數(shù)組bit所有元素為0。這個數(shù)組的物理意義是bit[x]所管轄的區(qū)間內(nèi)當前已經(jīng)出現(xiàn)了多少個值為x的元素更準確地說是bit通過其樹狀結構維護的前綴計數(shù)和。算法的核心過程如下從后往前遍歷離散化后的序列設為arr。對于遍歷到的當前元素arr[i]它的值是v。我們查詢樹狀數(shù)組中下標在[1, v-1]區(qū)間內(nèi)的元素計數(shù)總和。這個總和的意義就是在當前元素arr[i]之后因為我們是倒序遍歷已經(jīng)出現(xiàn)過的、值比v小的元素有多少個。注意由于我們是倒序遍歷此時樹狀數(shù)組中記錄的都是原序列中位于i之后的元素的信息。然而逆序數(shù)的定義是i j且a[i] a[j]。我們當前元素是a[i]我們想知道它后面有多少個比它小的a[j]。這正是步驟2查詢的結果。因此將這個查詢結果累加到答案ans中。然后將當前值v加入到樹狀數(shù)組中即執(zhí)行bit.add(v, 1)表示值為v的元素出現(xiàn)次數(shù)1。繼續(xù)遍歷前一個元素。為什么倒序遍歷這是理解的關鍵。正序遍歷時樹狀數(shù)組里記錄的是“過去”的信息我們查詢的是“前面有多少比我大的”這同樣可以計算逆序數(shù)i j且a[i] a[j]即“右側比我小的”等價于“左側比我大的”數(shù)量。但倒序遍歷的思維更直接對應逆序對定義固定i找j i且值更小的j。兩種遍歷順序答案一致但個人認為倒序遍歷的語義更清晰。2.3 時間復雜度分析離散化過程排序是 O(n log n)。樹狀數(shù)組的每次單點更新和前綴查詢復雜度都是 O(log n)我們遍歷 n 個元素各操作一次所以總復雜度是 O(n log n)。相比 O(n2) 的暴力法在 n100000 時效率有萬倍以上的提升。3. 模板代碼逐行解析與實現(xiàn)下面給出一個完整的、包含離散化的 C 模板實現(xiàn)并附上詳細注釋。#include vector #include algorithm using namespace std; class BIT { private: vectorint tree; int n; public: BIT(int size) : n(size), tree(size 1, 0) {} // 關鍵操作1低位技術 lowbit int lowbit(int x) { return x (-x); } // 關鍵操作2單點更新在下標x處加val void add(int x, int val) { while (x n) { tree[x] val; x lowbit(x); // 向上更新父節(jié)點 } } // 關鍵操作3前綴和查詢求[1, x]的和 int query(int x) { int sum 0; while (x 0) { sum tree[x]; x - lowbit(x); // 向左上移動累加之前區(qū)間的和 } return sum; } }; long long countInversions(vectorint nums) { if (nums.empty()) return 0; // 1. 離散化 vectorint tmp nums; sort(tmp.begin(), tmp.end()); // unique 去重并獲取新的邏輯結尾然后擦除多余部分 tmp.erase(unique(tmp.begin(), tmp.end()), tmp.end()); // 建立值到離散化后排名(1-based)的映射 auto getRank [](int val) { // lower_bound 返回第一個val的迭代器減去begin()得到下標(0-based)1轉為1-based return lower_bound(tmp.begin(), tmp.end(), val) - tmp.begin() 1; }; int m tmp.size(); // 離散化后的值域大小 BIT bit(m); long long ans 0; // 2. 倒序遍歷統(tǒng)計逆序數(shù) for (int i nums.size() - 1; i 0; --i) { int rank getRank(nums[i]); // 獲取當前值的離散化排名 // 查詢當前有多少個比當前值小的數(shù)已經(jīng)出現(xiàn)即排名在[1, rank-1]區(qū)間內(nèi)的計數(shù) // query(rank-1) 得到的就是小于當前值的元素個數(shù) ans bit.query(rank - 1); // 將當前值的出現(xiàn)次數(shù)1更新到樹狀數(shù)組中 bit.add(rank, 1); } return ans; }代碼要點解析BIT類封裝了樹狀數(shù)組的三個核心操作。lowbit是樹狀數(shù)組的靈魂它提取一個數(shù)二進制表示中最低位的1所對應的值決定了更新和查詢的跳躍路徑。離散化部分sortuniqueerase是標準的去重排序操作得到唯一有序的值列表tmp。getRank函數(shù)通過lower_bound快速查找原值在tmp中的位置二分查找O(log n)并1轉換為樹狀數(shù)組所需的1-based下標。統(tǒng)計逆序數(shù)核心循環(huán)bit.query(rank - 1)這是核心中的核心。查詢在當前元素之后因為倒序已出現(xiàn)的、值比它小排名比它小的元素個數(shù)。bit.add(rank, 1)將當前元素納入統(tǒng)計供更早原序列中更靠前的元素查詢。一個具體的計算示例序列[2, 4, 1, 3]離散化排序去重[1,2,3,4]映射1-1, 2-2, 3-3, 4-4。倒序遍歷i3, val3, rank3。查詢bit.query(2)當前bit為空得0。ans0。bit.add(3,1)。i2, val1, rank1。查詢bit.query(0)得0。ans0。bit.add(1,1)。i1, val4, rank4。查詢bit.query(3)。當前bit中記錄了 rank1和3的元素各一個。query(3)會計算 rank為1和3的計數(shù)和即112。這意味著在元素4之后有兩個比它小的數(shù)1和3。ans2。bit.add(4,1)。i0, val2, rank2。查詢bit.query(1)。當前bit中記錄了 rank1,3,4的元素。query(1)只計算 rank1的計數(shù)得1。這意味著在元素2之后有一個比它小的數(shù)1。ans3。bit.add(2,1)。最終結果ans3正確。4. 關鍵細節(jié)、變種與邊界處理模板是骨架實際應用時血肉細節(jié)決定成敗。4.1 離散化細節(jié)重復元素與穩(wěn)定性這是最容易出錯的地方。上述模板使用的sortunique是一種去重離散化它默認數(shù)值相等的元素不構成逆序對。這在大多數(shù)定義下是正確的。但有些題目可能要求將相等元素也視為逆序即a[i] a[j]且i j。這時離散化策略需要調(diào)整。如果需要考慮相等元素構成的逆序對離散化時不能去重。我們應該對原序列的“索引-值”對進行排序。一種常見做法是vectorpairint, int withIndex; // (value, original_index) for (int i 0; i n; i) withIndex.emplace_back(nums[i], i); sort(withIndex.begin(), withIndex.end()); vectorint discreteRank(n); for (int i 0; i n; i) { // 排序后第i個元素的原始下標是 withIndex[i].second // 我們賦予它的離散化排名是 i1 (1-based) discreteRank[withIndex[i].second] i 1; } // 然后使用 discreteRank 數(shù)組進行樹狀數(shù)組操作這樣即使值相同由于原始索引不同它們也會獲得不同的排名在樹狀數(shù)組中被視為不同的值進行處理。后續(xù)統(tǒng)計時查詢query(rank)而不是query(rank-1)就能把等于自己的也統(tǒng)計進去。4.2 遍歷順序與統(tǒng)計目標模板中采用倒序遍歷統(tǒng)計的是“當前元素右側比它小的數(shù)”。等價于正序遍歷統(tǒng)計“當前元素左側比它大的數(shù)”。兩者結果相同。你可以根據(jù)個人習慣或題目具體要求選擇。正序遍歷的循環(huán)體如下for (int i 0; i n; i) { int rank getRank(nums[i]); // 查詢已經(jīng)出現(xiàn)的、排名比當前大的數(shù)量 總出現(xiàn)數(shù) - 小于等于當前的數(shù)量 // 如果樹狀數(shù)組初始全0總出現(xiàn)數(shù)就是 i (當前已遍歷的元素個數(shù)) // 小于等于當前的數(shù)量就是 bit.query(rank) ans i - bit.query(rank); // 這就是左側比當前大的元素個數(shù) bit.add(rank, 1); }兩種方法都可以但要注意語義區(qū)別避免混淆。4.3 數(shù)據(jù)范圍與溢出逆序數(shù)的最大值發(fā)生在序列完全逆序時為n*(n-1)/2。當n為 10^5 時逆序數(shù)最大約為 5e9已經(jīng)超過了 32 位 int 的范圍約21億。因此答案ans必須使用 64 位整數(shù)C中的long long來存儲。這是一個非常經(jīng)典的坑點務必注意。4.4 樹狀數(shù)組大小樹狀數(shù)組的大小應等于離散化后值域的最大值即唯一值的個數(shù)m而不是原數(shù)組長度n。如果原數(shù)組所有值都不同則m n如果有重復則m n。初始化BIT bit(m)即可。5. 常見問題排查與實戰(zhàn)技巧即使理解了原理和模板實戰(zhàn)中還是會遇到各種問題。下面是我在多次使用中總結的排查清單和技巧。5.1 問題排查速查表問題現(xiàn)象可能原因解決方案答案比預期小很多離散化時使用了去重 (unique)但題目要求計算相等元素的逆序。改用非去重離散化方法見4.1節(jié)。答案比預期大很多離散化排名錯誤可能使用了0-based排名但樹狀數(shù)組按1-based操作。確保離散化排名是1-based且樹狀數(shù)組大小m正確。運行時錯誤如段錯誤樹狀數(shù)組初始化大小不足。例如m計算錯誤或直接用了n但值域更大。仔細檢查離散化后tmp數(shù)組的size()確保BIT初始化參數(shù)為此值。答案溢出變成負數(shù)ans使用了int類型。將ans類型改為long long。對于特定數(shù)據(jù)結果錯誤遍歷順序和查詢/更新邏輯不匹配。例如正序遍歷卻用了倒序的查詢邏輯。統(tǒng)一遍歷順序和統(tǒng)計語義。牢記倒序查query(rank-1)是找右側更小的正序用i - query(rank)是找左側更大的。性能不達標超時離散化時對每個元素都使用findO(n)而不是lower_boundO(log n)。必須使用排序后的lower_bound進行二分查找。5.2 調(diào)試與驗證技巧小數(shù)據(jù)暴力對拍這是最有效的方法。寫一個 O(n2) 的暴力算法用隨機生成的小數(shù)據(jù)n 100運行兩個程序對比結果。如果一致再逐步增大數(shù)據(jù)量測試性能。打印中間狀態(tài)在循環(huán)中打印i,rank,query(rank-1)的結果以及每次更新后的樹狀數(shù)組可以寫一個打印函數(shù)。手動模擬一個小序列核對每一步的計算是否符合預期。測試邊界案例空數(shù)組。單元素數(shù)組。完全升序序列逆序數(shù)為0。完全降序序列逆序數(shù)為 n*(n-1)/2。所有元素都相同的序列根據(jù)題目要求逆序數(shù)為0或 n*(n-1)/2。5.3 模板的變種與應用擴展這個模板解決的是“逆序數(shù)”這一具體問題但其思想可以解決更廣泛的一類“動態(tài)前綴計數(shù)”問題。例如求“順序對”數(shù)量只需將統(tǒng)計邏輯反過來。倒序遍歷時ans bit.query(m) - bit.query(rank);就是統(tǒng)計右側比當前大的數(shù)順序對。求每個元素左側比它小的個數(shù)正序遍歷bit.query(rank-1)就是答案。求區(qū)間內(nèi)小于等于某值的元素個數(shù)這需要結合離線查詢或可持久化數(shù)據(jù)結構但核心操作依然是樹狀數(shù)組的更新與查詢。一個實戰(zhàn)心得在競賽中如果遇到復雜問題可以思考是否能將其轉化為某種“順序”或“排名”的統(tǒng)計問題。一旦可以建模為“遍歷過程中動態(tài)查詢之前/之后出現(xiàn)的、滿足某種大小關系的元素個數(shù)”那么樹狀數(shù)組或線段樹很可能就是那把鑰匙。而“逆序數(shù)模板”是掌握這類思想最經(jīng)典的入門練習。最后記住這個模板的精髓不在于死記硬背代碼而在于理解“離散化壓縮值域”和“樹狀數(shù)組動態(tài)維護前綴計數(shù)”這兩個核心操作是如何協(xié)同工作將看似復雜的全局比較化解為高效的局部更新的。多寫幾遍多模擬幾次過程它就會成為你算法工具箱里一件趁手而可靠的兵器。