自动搬运

查看原文

来自洛谷，原作者为

	Tweetuzki AFO

搬运于2025-08-24 22:02:57，当前版本为作者最后更新于2019-01-15 23:16:21，作者可能在搬运后再次修改，您可在原文处查看最新版

自动搬运只会搬运当前题目点赞数最高的题解，您可前往洛谷题解查看更多

以下是正文

---

不得不承认，去年提高组 D2T3 对动态 DP 起到了良好的普及效果。

动态 DP 主要用于解决一类问题。这类问题一般原本都是较为简单的树上 DP 问题，但是被套上了丧心病狂的修改点权的操作。就比如说这道题：

【模板】动态 DP

给定一棵 $n$ 个点的树。$i$ 号点的点权为 $a_i$。有 $m$ 次操作，每次操作给定 $u, w$，表示修改点 $u$ 的权值为 $w$。你需要在每次操作之后求出这棵树的最大权独立集的权值大小。

我们首先考虑没有修改的情况下怎么做。首先先选取 $1$ 号点作为全树的根。然后我们设 $f_{i, 0}$ 表示不选择 $i$ 号点时，以 $i$ 号点为根的子树的最大权独立集；$f_{i, 1}$ 表示选择 $i$ 号点时，以 $i$ 号点为根的子树的最大权独立集。我们可以很容易地写出如下的方程：

$$f_{i, 0} = \sum_{j} \max(f_{j, 0}, f_{j, 1})$$ $$f_{i, 1} = \sum_{j} f_{j, 0} + a_i$$

这里 $j$ 表示 $i$ 号点的所有儿子。特殊地，若点 $i$ 为叶子节点，$f_{i, 0} = 0, f_{i, 1} = a_i$。

最后的答案就是 $\max(f_{1, 0}, f_{1, 1})$。

---

接下来带上修改。

首先根据动态规划的转移方程可以发现，我们修改了一个点的点权，只会更改从这个点到根这条路径上节点的 DP 值，其他值是不会发生更改的。这时候如果我们要对整棵树重新求一遍最大权独立集，未免太过浪费。所以我们希望能够更改这条链上的 DP 值。

由于树可能会退化成一条链，这样每次更新就是 $\mathcal{O(n)}$ 的，显然不可接受。我们希望这条链只更新 $\log n$ 次……

~~点分治！~~抱歉博主太弱了，不会那个被称作“全局平衡二叉树”的厉害做法。

这时候我们请出解决树上问题的神器——重链剖分。

重链剖分有一些性质，这些性质正是它在动态 DP 中能够发挥作用的重要保障。

1. 每个点到根的路径上，最多经过 $\log n$ 条轻边。也就是说，重链的条数最多也只有 $\log n$ 条。这为动态 DP 的时间复杂度做了保障。
2. 每条重链的链尾都是叶子节点，且只有叶子节点没有重儿子。这为动态规划的初始状态和转移方式做了保障。
3. 重链剖分中，一条重链所在的区间在剖出的 DFS 序上，是连续的一段区间。这为可以使用数据结构维护区间信息，达到快速转移做了保障。

那么在宏观上，我们相当于在更新时，对于这些重链暴力地互相转移更新。接下来我们考虑一些微观问题：在一条链里，怎么支持快速修改和查询这条链的 DP 值。

我们保持 $f$ 数组的定义不变。为了迎合重链剖分划分出了轻重儿子，我们形式化地定义 $g$ 数组：$g_{i, 1}$ 表示 $i$ 号点的所有轻儿子，都不取的最大权独立集；$g_{i, 0}$ 表示 $i$ 号点的所有轻儿子，可取可不取形成的最大权独立集。这样就可以把上述的 DP 式子大大简化了（至少没有了那个 $\Sigma$）。

$$f_{i, 0} = g_{i, 0} + \max(f_{j, 0}, f_{j, 1})$$ $$f_{i, 1} = g_{i, 1} + a_i + f_{j, 0}$$

这里的 $j$ 表示 $i$ 号点的重儿子。特殊地，对于叶子节点，$g_{i, 0} = g_{i, 1} = 0$。

但是感觉这玩意儿好像不大优美？第二个转移式子中，$g_{i, 1}$ 和 $a_i$ 都只和 $i$ 有关，那么我们不妨把它们合并起来。我们重新定义 $g_{i, 1}$：表示 $i$ 号点只考虑轻儿子的取自己的最大权独立集。那么这时候，第二个方程就可以变为 $f_{i, 1} = g_{i, 1} + f_{j, 0}$。

但是这玩意儿咋区间维护嘞？回想一下当初学习斐波那契的时候，我们碰到过这样的 DP 方程：

$$f_i = f_{i - 1} + f_{i - 2}$$

这个方程涉及上一步的贡献，没法满足结合率，不太舒服。于是我们定义了一个矩阵，化加为乘，于是我们愉快地用快速幂 AC 了。

这道题我们也给它套个矩阵。对于每个点，都表示一个状态，这个状态共有两个值，于是我们考虑维护一个 $1 \times 2$ 的矩阵。

$$\begin{vmatrix} f_{i, 0} & f_{i, 1} \end{vmatrix} $$

现在我们要从一个点的重儿子 $j$ 转移到 $i$ 上，也就是说我们需要构造出一个转移矩阵使得 $\begin{vmatrix} f_{j, 0} & f_{j, 1} \end{vmatrix}$ 能够转移到 $\begin{vmatrix} f_{i, 0} & f_{i, 1} \end{vmatrix}$。但是我们回顾一下这个转移方程（已更改 $g_{i, 1}$ 的定义）：

$$f_{i, 0} = g_{i, 0} + \max(f_{j, 0}, f_{j, 1})$$ $$f_{i, 1} = g_{i, 1} + f_{j, 0}$$

它一点也不满足矩阵乘法的形式啊！

别慌……我们大胆地重定义矩阵乘法！

我们定义一个新的运算符 $*$，对于矩阵 $\mathrm{A}, \mathrm{B}$，定义 $\mathrm{A} * \mathrm{B}$ 的结果 $\mathrm{C}$，满足：

$$\mathrm{C}_{i, j} = \max_{k}(\mathrm{A}_{i, k} + \mathrm{B}_{k, j}) $$

实现到代码上，就是

struct Matrix {
  int mat[MaxN][MaxN];
}

inline Matrix operator * (Matrix a, Matrix b) {
  Matrix c;

  for (int i = 0; i < n; ++i)
    for (int j = 0; j < n; ++j)
      for (int k = 0; k < n; ++k)
        c.mat[i][j] = max(c.mat[i][j], a.mat[i][k] + b.mat[k][j]);

  return c;
}

但是这个东西为什么具有结合率呢？

• 一种感性的理解：由于 $\max$ 操作和加法操作都是满足结合率的，所以这个运算满足结合率。
• 一种理性但不太严谨的证明：读者不妨拿出之笔，计算几组 $(\mathrm{A} * \mathrm{B}) * \mathrm{C}$ 和 $\mathrm{A} * (\mathrm{B} * \mathrm{C})$ 的值（如果您计算比较厉害，带上参数算当然更好）。一般情况下，证明了三个满足条件，对于所有情况都是能满足条件的。

于是我们口胡完了结合率的证明。那么我们就可以用了。接下来我们要构造一个转移矩阵，这个是相对难的一个内容。我就介绍一下我个人构造转移矩阵的拙劣方法吧。

在构造一个转移矩阵之前，我们先想办法把这玩意儿变形，变得和运算 $*$ 差不多。

$$f_{i, 0} = \max(f_{j, 0} + g_{i, 0}, f_{j, 1} + g_{i, 0}) $$$$f_{i, 1} = \max(g_{i, 1} + f_{j, 0}, -\infty)$$

接着我们把已知的状态和要转移到的状态写在一起，把未知的转移矩阵用 $\mathrm{U}$ 表示。

$$\begin{vmatrix} f_{j, 0} & f_{j, 1} \end{vmatrix} * \mathrm{U} = \begin{vmatrix} f_{i, 0} & f_{i, 1} \end{vmatrix} $$

我们原来是一个 $1 \times 2$ 的矩阵，要形成一个 $1 \times 2$ 的矩阵，那么 $\mathrm{U}$ 应当是一个 $2 \times 2$ 的矩阵。那么我们设矩阵左上、右上、左下、右下四个位置分别为 $u_1, u_2, u_3, u_4$。接下来把每个位置对应上去。

$f_{i, 0}$ 的值应该为 $\max(f_{j, 0} + u_1, f_{j, 1} + u_3)$。对应转移方程，我们发现 $u_1$ 应该就是 $g_{i, 0}$，$u_3$ 也是 $g_{i, 0}$。同样的，$f_{i, 1}$ 的值应该为 $\max(f_{j, 0} + u_2, f_{j, 1} + u_4)$。对应转移方程，我们发现 $u_2$ 应该是 $g_{i, 1}$，而不存在 $f_{j, 1}$ 项，就将 $u_4$ 赋为 $-\infty$。最后写出来，检查一遍：

$$\begin{vmatrix} f_{j, 0} & f_{j, 1} \end{vmatrix} * \begin{vmatrix} g_{i, 0} & g_{i, 1} \\ g_{i, 0} & -\infty \end{vmatrix} = \begin{vmatrix} f_{i, 0} & f_{i, 1} \end{vmatrix} $$

嗯……好像没问题？

这样子，我们对于一条重链，我们的叶子节点就存储了最初始的值，链上每个节点都对应着一个转移矩阵。我们发现这个转移矩阵和重链信息是没有任何关系的，且因为这个矩阵满足结合率，对于一条重链，我们可以之间线段树维护区间乘积（或者叫……“$*$ 积”？）。然后到了一条重链链头，因为这个点是它父亲的轻儿子，我们需要更新它父亲节点所在的点的转移矩阵。这样子一直跳到根节点就可以了。貌似……大功告成？

重链剖分剖出的 DFS 序，由于先访问了链头，所以这个区间中，链头在区间左端，链尾在区间右端。我们存储的初始信息在叶子节点（也就是链尾）上，因此我们的矩阵 $*$ 法应当是转移矩阵在前，要维护的值矩阵在后。我们要把这个矩阵前后换个顺序，再转个个儿，加上一些推算，可以变形成：

$$\begin{vmatrix} g_{i, 0} & g_{i, 0} \\ g_{i, 1} & -\infty \end{vmatrix} * \begin{vmatrix} f_{j, 0} \\ f_{j, 1} \end{vmatrix} = \begin{vmatrix} f_{i, 0} \\ f_{i, 1} \end{vmatrix} $$

这样就真的做完了。最后我写一些关于代码实现的小细节：

1. 对于一个点查其 dp 值，需要从这个点一直查到区间链尾。因此，树剖时我们需要多维护一个 $\texttt{End[i]}$（这里的 $i$ 是一条重链的链头），表示以 $i$ 为链头的这条链，链尾（叶子）节点在 DFS 序上的位置。
2. 更新线段树上某个点的转移矩阵时，传入的如果是矩阵，递归下去常数太大。一个解决方法是，在线段树外，维护一个矩阵组 $\texttt{Val[i]}$，表示每个节点对应的转移矩阵。这样在线段树更新找到对应位置时，直接赋值进来即可。

最后贴上代码。

解释一下变量名：

$\texttt{Id[i]}$ 表示 $i$ 号点在 DFS 序中的位置，$\texttt{Dfn[i]}$ 表示在 DFS 序中下标 $i$ 的位置对应的是什么点（与 $\texttt{Id[i]}$ 相反），$\texttt{Fa[i]}$ 是父亲节点，$\texttt{Siz[i]}$ 是子树大小，$\texttt{Dep[i]}$ 是该节点深度（好像没什么用），$\texttt{Wson[i]}$ 是 $i$ 号节点的重儿子，$\texttt{Top[i]}$ 表示 $i$ 号点所在重链链顶编号。

#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;

const int MaxN = 100000 + 5, MaxM = 200000 + 5;
const int MaxV = 400000 + 5;
const int INF = 0x7F7F7F7F;

struct Matrix {
  int mat[2][2];

  Matrix() {
    memset(mat, -0x3F, sizeof mat);
  }

  inline Matrix operator * (Matrix b) {
    Matrix c;

    for (int i = 0; i < 2; ++i)
      for (int j = 0; j < 2; ++j)
        for (int k = 0; k < 2; ++k)
          c.mat[i][j] = max(c.mat[i][j], mat[i][k] + b.mat[k][j]);

    return c;
  }
};

int N, M; int cntv, cnte;
int A[MaxN];
int Fa[MaxN], Siz[MaxN], Dep[MaxN], Wson[MaxN];
int Top[MaxN], Id[MaxN], Dfn[MaxN], End[MaxN];
int F[MaxN][2];
int Head[MaxN], To[MaxM], Next[MaxM];
Matrix Val[MaxN];

struct SegTree {
  int L[MaxV], R[MaxV];
  Matrix M[MaxV];

  inline void Push_up(int i) {
    M[i] = M[i << 1] * M[i << 1 | 1];
  }

  void Build_Tree(int left, int right, int i) {
    L[i] = left, R[i] = right;
    if (L[i] == R[i]) {
      M[i] = Val[Dfn[L[i]]];
      return;
    }

    int mid = (L[i] + R[i]) >> 1;
    Build_Tree(L[i], mid, i << 1);
    Build_Tree(mid + 1, R[i], i << 1 | 1);
    Push_up(i);
  }

  void Update_Tree(int x, int i) {
    if (L[i] == R[i]) {
      // 直接赋值，减小常数
      M[i] = Val[Dfn[x]];
      return;
    }

    int mid = (L[i] + R[i]) >> 1;
    if (x <= mid) Update_Tree(x, i << 1);
    else Update_Tree(x, i << 1 | 1);
    Push_up(i);
  }

  // 查询一个点的 DP 值，相当于查询这条重链上链尾矩阵和链中转移矩阵的 '*' 积
  Matrix Query_Tree(int left, int right, int i) {
    if (L[i] == left && R[i] == right) return M[i];

    int mid = (L[i] + R[i]) >> 1;
    if (right <= mid)
      return Query_Tree(left, right, i << 1);
    else if (left > mid)
      return Query_Tree(left, right, i << 1 | 1);
    else
      return Query_Tree(left, mid, i << 1) * Query_Tree(mid + 1, right, i << 1 | 1);
  }
} T;

inline void add_edge(int from, int to) {
  cnte++; To[cnte] = to;
  Next[cnte] = Head[from]; Head[from] = cnte;
}

void readin() {
  scanf("%d %d", &N, &M);
  for (int i = 1; i <= N; ++i)
    scanf("%d", &A[i]);
  for (int i = 1; i < N; ++i) {
    int u, v;
    scanf("%d %d", &u, &v);
    add_edge(u, v); add_edge(v, u);
  }
}

void dfs1(int u) {
  Siz[u] = 1;

  for (int i = Head[u]; i; i = Next[i]) {
    int v = To[i];
    if (v == Fa[u]) continue;

    Fa[v] = u; Dep[v] = Dep[u] + 1;
    dfs1(v);

    Siz[u] += Siz[v];
    if (Siz[v] > Siz[Wson[u]]) Wson[u] = v;
  }
}

void dfs2(int u, int chain) {
  cntv++;
  Id[u] = cntv; Dfn[cntv] = u;
  Top[u] = chain;
  End[chain] = max(End[chain], cntv);

  // 第二次树剖时直接更新 F, G 数组（这里直接将 G 放入矩阵更新）
  F[u][0] = 0, F[u][1] = A[u];
  Val[u].mat[0][0] = Val[u].mat[0][1] = 0;
  Val[u].mat[1][0] = A[u];
  if (Wson[u] != 0) {
    dfs2(Wson[u], chain);
    // 依照定义，重儿子不应计入 G 数组
    F[u][0] += max(F[Wson[u]][0], F[Wson[u]][1]);
    F[u][1] += F[Wson[u]][0];
  }

  for (int i = Head[u]; i; i = Next[i]) {
    int v = To[i];
    if (v == Fa[u] || v == Wson[u]) continue;
    dfs2(v, v);

    F[u][0] += max(F[v][0], F[v][1]);
    F[u][1] += F[v][0];
    Val[u].mat[0][0] += max(F[v][0], F[v][1]);
    Val[u].mat[0][1] = Val[u].mat[0][0];
    Val[u].mat[1][0] += F[v][0];
  }
}

void init() {
  readin();
  dfs1(1); dfs2(1, 1);
}

void update_path(int u, int w) {
  Val[u].mat[1][0] += w - A[u];
  A[u] = w;

  Matrix bef, aft;
  while (u != 0) {
    // 计算贡献时，应当用一个 bef 矩阵还原出少掉这个轻儿子的情况，再将 aft 加入更新
    bef = T.Query_Tree(Id[Top[u]], End[Top[u]], 1);
    T.Update_Tree(Id[u], 1);
    aft = T.Query_Tree(Id[Top[u]], End[Top[u]], 1);
    u = Fa[Top[u]];

    Val[u].mat[0][0] += max(aft.mat[0][0], aft.mat[1][0]) - max(bef.mat[0][0], bef.mat[1][0]);
    Val[u].mat[0][1] = Val[u].mat[0][0];
    Val[u].mat[1][0] += aft.mat[0][0] - bef.mat[0][0];
  }
}

void solve() {
  T.Build_Tree(1, N, 1);

  for (int i = 1; i <= M; ++i) {
    int u, w;
    scanf("%d %d", &u, &w);
    update_path(u, w);
    Matrix Ans = T.Query_Tree(Id[1], End[1], 1);
    printf("%d\n", max(Ans.mat[0][0], Ans.mat[1][0]));
  }
}

int main() {
  init();
  solve();
  return 0;
}

附：本文同时发布于本蒟蒻的博客。