Lec 2 Fibonacci 堆与均摊分析（Fibonacci Heaps & Amortized Analysis）

TL;DR

• 打破优先队列瓶颈：针对图算法中减小键值（Decrease-Key）远多于提取最小值（Extract-Min）的不对称特征，Fibonacci 堆将减小键值均摊复杂度降低至严格 $O(1)$。
• 惰性延迟合并策略：插入与合并操作仅在根链表中追加单节点，将昂贵的整树合并推迟至提取最小值时批量执行，极大压低常规操作代价。
• 级联剪切保证度数对数界：通过至多丢失一个孩子节点的打标机制与级联剪切，确保度数为 $k$ 的节点规模以黄金分割比 $\phi$ 指数级增长，维持最大度数 $D(n) = O(\log n)$。

优先队列与二项堆的局限

优先队列（Priority Queue）是图遍历、网络流与调度系统的核心构件。标准二叉堆（Binary Heap）支持 $O(\log n)$ 的插入、删除与减键操作。

优先队列结构	Insert	Find-Min	Extract-Min	Decrease-Key	Union
二叉堆 (Binary Heap)	$O(\log n)$	$O(1)$	$O(\log n)$	$O(\log n)$	$O(n)$
二项堆 (Binomial Heap)	$O(1)^*$	$O(\log n)$	$O(\log n)$	$O(\log n)$	$O(\log n)$
Fibonacci 堆	$O(1)$	$O(1)$	$O(\log n)^*$	$O(1)^*$	$O(1)$

注：带 $*$ 的项目表示均摊复杂度（Amortized Complexity）。

在单源最短路径（Dijkstra）与最小生成树（Prim）算法中，算法总共调用 $n$ 次 Extract-Min 和至多 $m$ 次 Decrease-Key。若使用经典堆，总时间为 $O(m \log n)$。由于稀疏图到稠密图中 $m$ 可达 $\Theta(n^2)$，Decrease-Key 的调用频次远超 Extract-Min。如果能将 Decrease-Key 优化至 $O(1)$，总时间便可直接跃迁为：

$$T(n, m) = O(m \cdot 1 + n \cdot \log n) = O(m + n \log n)$$

在稠密图（$m = \Omega(n^2)$）中，这一结果直接达到了理论线性的 $O(n^2)$。Fredman 与 Tarjan（1987）正是为了突破这一理论界限而设计了 Fibonacci 堆。

堆结构设计与惰性哲学

堆的表示：森林与双向循环链表

Fibonacci 堆由一组满足**最小堆序（Min-Heap Property）**的有根树构成的森林组成。每个节点维护以下属性：

• key：节点的键值
• parent：指向父节点的指针
• child：指向其子节点双向循环链表中某一节点的指针
• left、right：指向兄弟节点的双向循环指针
• degree：当前拥有的子节点数量
• mark：布尔值，指示该节点自挂载到当前父节点后是否失去过子节点

所有树的根节点链接在同一个双向循环链表（根链表，Root List）中。堆对象维护一个指针 min，恒指向当前具有全局最小键值的根节点。

极端惰性设计

二项堆在每次插入时都立即进行类似于二进制加法的进位合并，这使得插入最坏需要 $O(\log n)$。Fibonacci 堆采取了彻底的**惰性求值（Lazy Evaluation）**思想：

• Insert(x)：创建一个只包含 $x$ 的单节点树，将其插入根链表，若 $x.\mathrm{key} < \mathrm{min}.\mathrm{key}$ 则更新 min。完全不做任何合并，耗时 $O(1)$。
• Union(H1, H2)：直接将两个堆的根链表拼接合并为一个环，更新 min 指针。不触碰任何内部节点，耗时 $O(1)$。

这种“只记账、不结账”的设计积累了大量的未合并单树。真正的整顿工作被推迟到了不可回避的时刻——提取最小值。

提取最小值与合并整理（Consolidation）

执行 Extract-Min(H) 时：

1. 移除最小根：将 min 指向的根节点从根链表中摘除，将其所有子节点加入到根链表中，释放父节点指针。
2. 合并根树（Consolidate）：如果此时根链表为空，返回；否则遍历根链表，利用一个度数数组 $A[0 \dots D(n)]$，将具有相同度数的根树两两配对合并。
   • 比较两根的键值，键值较大者作为子节点挂载到较小者的子节点链表下；
   • 较小者的度数加 1；
   • 重复此过程，直至根链表中不再存在任何度数相同的两棵树。
3. 更新最小值：扫描合并后的所有根节点，重新确定最小根指针 min。

减小键值与级联剪切（Cascading Cut）

当一个节点 $x$ 的键值减小后，若其新键值小于其父节点 $y$，最小堆序遭到破坏。为了恢复堆序，必须对树形结构进行调整。

为什么不能随意剪切？

若直接将 $x$ 剪切下来放到根链表，连续的剪切会导致某个高度极大的节点失去大量子节点，从而变成一条狭长的退化长链。长链的度数极小而节点数极多，这会彻底破坏“度数为 $k$ 的节点子树规模关于 $k$ 指数级递增”的数学保证，导致最大度数 $D(n)$ 退化为 $\Theta(n)$，令后续 Extract-Min 复杂度恶化为 $O(n)$。

标记位与级联剪切规则

Fibonacci 堆规定：每个非根节点至多只能失去一个孩子节点。 具体规则如下：

1. 节点成为根节点时，其标记位重置为 mark = false。
2. 当节点 $x$ 作为非根节点第一次失去某个子节点时，将其标记设置为 mark = true。
3. 当已被标记（mark == true）的节点 $x$ 失去第二个子节点时，立即触发级联剪切（Cascading Cut）：
   • 将 $x$ 从其父节点 $y$ 的子链表中剪切下来，加入到根链表中，并将 $x.\mathrm{mark}$ 重置为 false；
   • 递归对其原父节点 $y$ 执行级联剪切检查：若 $y$ 未被打标则打标；若 $y$ 已被打标则同样将 $y$ 剪切至根链表并继续向上回溯。

这一规则限制了任何非根节点子树的“萎缩”程度。

树规模下界与最大度数证明

子节点度数引理

设 $x$ 为任意节点，将其当前的所有子节点按照挂载到 $x$ 的先后时间顺序排列为 $y_1, y_2, \dots, y_k$。

引理：对于第 $i$ 个子节点 $y_i$（$i \ge 2$），其当前度数满足：

$$\mathrm{degree}(y_i) \ge i - 2$$

证明：当 $y_i$ 被链接为 $x$ 的子节点时，$x$ 此前至少已经挂载了 $y_1, \dots, y_{i-1}$ 共 $i - 1$ 个子节点，因此当时 $x$ 的度数至少为 $i - 1$。因为只有度数相同的根树才会合并，所以 $y_i$ 在挂载瞬间的度数也至少为 $i - 1$。在挂载之后，$y_i$ 至多因为级联剪切失去 1 个子节点（若失去 2 个则自身早已被剪切）。因此 $y_i$ 目前保留的子节点度数至少为 $(i - 1) - 1 = i - 2$。对于 $i=1$，显然 $\mathrm{degree}(y_1) \ge 0$。

斐波那契数列下界与最大度数

设 $S_k$ 为度数为 $k$ 的任意节点的最小可能子树规模。显然 $S_0 = 1, S_1 = 2$。对于 $k \ge 2$：

$$S_k \ge 1 + \sum_{i=1}^k S_{\mathrm{degree}(y_i)} \ge 1 + S_0 + \sum_{i=2}^k S_{i-2} = 2 + \sum_{j=0}^{k-2} S_j$$

利用数学归纳法易证：

$$S_k \ge F_{k+2}$$

其中 $F_m$ 为标准斐波那契数（$F_0=0, F_1=1, F_2=1, F_3=2, F_4=3, \dots$）。由斐波那契数列的通项公式可知：

$$F_{k+2} \ge \phi^k \quad \left( \phi = \frac{1 + \sqrt{5}}{2} \approx 1.618 \right)$$

因此，在包含 $n$ 个节点的 Fibonacci 堆中，任何节点的度数 $k$ 必须满足：

$$n \ge S_k \ge \phi^k \implies k \le \log_\phi n$$

这证明了堆中任意节点的最大度数 $D(n) = O(\log n)$。

势能法均摊复杂度推导

势能函数设计

定义 Fibonacci 堆 $H$ 的势能函数为：

$$\Phi(H) = t(H) + 2 m(H)$$

其中：

• $t(H)$：根链表中树的棵数（根节点总数）；
• $m(H)$：整座森林中被标记（mark == true）的节点总数。

由于 $t(H) \ge 0, m(H) \ge 0$，初始空堆 $\Phi(H_0) = 0$ 且任意时刻 $\Phi(H) \ge 0$。因此均摊代价的上界是真实总操作时间的有效上界。

操作均摊代价计算

操作的均摊代价定义为：$\hat{c}_i = c_i + \Phi(H_i) - \Phi(H_{i-1})$。

1. Insert(x)

• 实际代价 $c = O(1)$；
• 增加了一个根节点：$\Delta t = +1$；标记节点未变：$\Delta m = 0$；
• 势能变化 $\Delta \Phi = 1$；
• 均摊代价：$\hat{c} = O(1) + 1 = O(1)$。

2. Union(H1, H2)

• 实际代价 $c = O(1)$；
• 根链表拼接，总根数和标记数均不变：$\Delta \Phi = 0$；
• 均摊代价：$\hat{c} = O(1)$。

3. Extract-Min(H)

• 设提取前根树数量为 $t$。实际代价包含遍历 $O(D(n))$ 个子节点和扫描合并 $t + D(n)$ 个根节点，实际耗时 $O(D(n) + t)$；
• 合并整理后，每个度数至多保留 1 棵树，因此最终根数至多为 $D(n) + 1$；
• 根数变化：$\Delta t \le D(n) + 1 - t$；标记数未增加：$\Delta m \le 0$；
• 势能变化：$\Delta \Phi \le D(n) + 1 - t$；
• 均摊代价：

$$\hat{c} = O(D(n) + t) + (D(n) + 1 - t) = O(D(n)) = O(\log n)$$

$t$ 项完全被势能下降抵消！

4. Decrease-Key(x, k)

• 假设减小键值触发了 $c$ 次级联剪切（剪切了 $x$ 以及向上连续剪切了 $c-1$ 个已标记祖先节点）；
• 实际代价为遍历链表的 $O(c)$；
• 变化统计：
  • 产生了 $c$ 棵新根树加入根链表：$\Delta t = +c$；
  • 剪切下来的 $c$ 个节点标记被重置为 false（减少了至少 $c-1$ 个原标记节点）；
  • 最顶层停止处的父节点可能由未标记变为标记（增加至多 1 个标记）；
  • 净标记变化：$\Delta m \le -(c - 1) + 1 = -c + 2$；
• 势能变化：

$$\Delta \Phi = \Delta t + 2\Delta m \le c + 2(-c + 2) = -c + 4$$

• 均摊代价：

$$\hat{c} = O(c) + (-c + 4) = O(1)$$

级联剪切的级联耗时完全由此前标记时积累的势能买单，均摊恒为 $O(1)$！

理论突破与工程取舍

Fibonacci 堆是理论算法设计中的一座丰碑，成功将 Dijkstra 和 Prim 算法推至 $O(m + n \log n)$。

然而在工业工程实践中（例如标准库实现），Fibonacci 堆极少被直接采用：

1. 常数因子巨大：每个节点维护 4 个指针、1 个键、1 个度数和 1 个布尔标记，内存开销大且存在大量的指针间接寻址与缓存不友好（Cache-Miss）。
2. 非均摊的最坏情况波动：单次 Extract-Min 或 Decrease-Key 可能消耗 $O(n)$ 最坏时间，对实时性敏感系统不友好。
3. 替代结构的崛起：配对堆（Pairing Heap）在实践中速度显著超越 Fibonacci 堆；而在特定整数场景下，基数堆与多级桶更为高效。

我的理解