Lec 6 整数优先队列：van Emde Boas 树与基数堆（Integer Priority Queues: van Emde Boas Trees & Radix Heaps）

TL;DR

• 全域开方分治实现双重对数界：van Emde Boas 树将大小为 $U$ 的全域划分为 $\sqrt{U}$ 个大小为 $\sqrt{U}$ 的子簇，通过顶层摘要与递归寻址，将搜索与动态维护时间降至严格的 $O(\log\log U)$。
• 极值缓存确保单次递归执行：将子树最小值与最大值显式缓存在节点中，且最小值不递归向下存储；对空树的插入与提取退化为 $O(1)$，从而在结构上保证每次操作最多只触发一次非平凡的递归调用。
• 基数堆（Radix Heaps）在单调场景下的轻量优化：利用边权上界 $C$ 建立 $O(\log C)$ 个按二进制位跨度划分的动态桶，配合单调性势能摊还，实现减键 $O(1)$、提取最小值 $O(\log C)$，达到 $O(m + n\log C)$ 的最短路性能。

整数优先队列与超对数加速

在标准比较模型中，信息论给出了二叉搜索树与优先队列的天然下界：任何基于两两比较的动态查找结构，单次操作至少需要 $\Omega(\log n)$ 时间。

然而在计算机的字 RAM 模型（Word RAM）中，键值是长度为 $w$ 比特的非负整数，全域规模 $U = 2^w$。计算机硬件的算术逻辑单元（ALU）不仅支持比较，还支持在 $O(1)$ 时间内执行按位与、位移、加减法与数组基地址变址寻址。

这种计算能力的释放催生了两类突破性结构：

1. van Emde Boas 树（1977）：面向全域 $U$ 上的全功能动态优先队列与前驱/后继查找，将复杂度推进至 $O(\log\log U)$；
2. 基数堆（Radix Heaps，Ahuja et al. 1990）：针对 Dijkstra 单调优先队列场景，以极其紧凑的二进制动态桶结构实现 $O(m + n \log C)$ 最短路径。

van Emde Boas 树的核心架构

全域递归分解：高半字与低半字

设全域大小为 $U = 2^{2^k}$（若非二次幂可通过补齐比特位向上取整）。任何属于 $[0, U - 1]$ 的整数 $x$ 在二进制下均由高半字和低半字构成：

$$\mathrm{high}(x) = \lfloor x / \sqrt{U} \rfloor, \quad \mathrm{low}(x) = x \bmod \sqrt{U}$$

• $\mathrm{high}(x)$ 决定了 $x$ 属于哪一个规模为 $\sqrt{U}$ 的子簇（Cluster）；
• $\mathrm{low}(x)$ 决定了 $x$ 在该子簇内部的具体位置；
• 复合重构公式为：$\mathrm{index}(h, l) = h \cdot \sqrt{U} + l$。

节点组成与极值缓存设计

一个规模为 $U$ 的 van Emde Boas 树节点 $V$ 包含以下组件：

1. min 与 max 缓存：
   • 存储当前以 $V$ 为根的结构中所包含的最小键值与最大键值；
   • 核心约束（Crucial Invariant）：V.min 中存储的元素绝不向下递归存储在任何子簇中！
   • 如果 $V$ 只包含一个元素，则该元素仅记录在 V.min 中，其 V.max 亦等于该元素，而下属的所有子簇全部为空。
2. 子簇数组 cluster[0 ... \sqrt{U}-1]：
   • 包含 $\sqrt{U}$ 个指针，每个指针指向一个规模为 $\sqrt{U}$ 的子 vEB 树。
3. 摘要结构 summary：
   • 是一棵独立的、规模为 $\sqrt{U}$ 的 vEB 树；
   • 记录所有子簇的状态：当且仅当子簇 cluster[i] 包含至少一个元素（除去全局 V.min 外）时，下标 $i$ 才存在于 V.summary 中。

单递归定理与操作算法

vEB 树之所以能达到 $O(\log\log U)$，根本在于其递归关系式：

$$T(U) = T(\sqrt{U}) + O(1)$$

令全域位宽为 $b = \log U$，则 $T(b) = T(b/2) + O(1) \implies T(b) = O(\log b) = O(\log\log U)$。 实现该递推式的铁律是：任何公共操作在每一层分解中，绝不能产生两次以上规模为 $\sqrt{U}$ 的递归调用。

1. 查找前驱与后继（Successor）

要在树 $V$ 中查找严格大于 $x$ 的最小元素 Successor(V, x)：

1. 边界检查：若 $V$ 为空或 $x \ge V.\max$，返回不存在；若 $x < V.\min$，直接返回 $V.\min$（耗时 $O(1)$）。
2. 簇内查找：
   • 分解 $h = \mathrm{high}(x)$，$l = \mathrm{low}(x)$；
   • 检查 $x$ 所在子簇的极大值：若 $l < V.\mathrm{cluster}[h].\max$，说明后继必在该子簇内部，递归调用 Successor(V.cluster[h], l)；
3. 跨簇查找：
   • 若 $l \ge V.\mathrm{cluster}[h].\max$，说明后继位于后续的某一个非空子簇中；
   • 在摘要树中查询下一个非空子簇号：$succ\_h = \mathrm{Successor}(V.\mathrm{summary}, h)$；
   • 后继元素就是该非空簇中的最小值：$l' = V.\mathrm{cluster}[succ\_h].\min$；
   • 返回合成键值 $\mathrm{index}(succ\_h, l')$。

在上述逻辑中，分支 2 与分支 3 是严格互斥的，单次查询至多发生一次 $\sqrt{U}$ 规模的递归，总运行时间严格为 $O(\log\log U)$。

2. 插入元素（Insert）

向树 $V$ 中插入元素 $x$：

1. 空树插入：若当前 $V$ 为空（即 V.min == null），令 $V.\min = V.\max = x$，直接返回（耗时 $O(1)$）。
2. 极小值交换：若 $x < V.\min$，将 $x$ 与 $V.\min$ 互换。此时原先的 $V.\min$ 成为待插入到子簇中的新元素。
3. 分解与递归插入：
   • 设待插入元素为 $x$，分解为 $h = \mathrm{high}(x)$ 与 $l = \mathrm{low}(x)$；
   • 分支 A（目标子簇为空）：
     • 若 $V.\mathrm{cluster}[h].\min == \mathrm{null}$，说明该子簇之前为空；
     • 必须将子簇号 $h$ 插入到摘要树中：Insert(V.summary, h)；
     • 随后将 $l$ 插入目标子簇：Insert(V.cluster[h], l)。
     • 关键洞察：向空子树插入元素只需更新其 min 和 max，在步骤 1 立即以 $O(1)$ 结束！因此这里虽然有两次形式上的函数调用，但只有对 summary 的调用是真正的非平凡递归！
   • 分支 B（目标子簇非空）：
     • 直接递归调用 Insert(V.cluster[h], l)，而无需触碰 V.summary。递归调用同样只有一次！
4. 更新极大值：若 $x > V.\max$，更新 $V.\max = x$。

3. 提取最小值与删除元素（Delete）

删除操作同样巧妙利用极值缓存避免多重递归：

• 若删除的是 V.min，需要从非空子簇中找出第二小的元素提升为新的 V.min；
• 通过 $h = V.\mathrm{summary}.\min$ 得到首个非空子簇；
• 取得新最小值 $x' = \mathrm{index}(h, V.\mathrm{cluster}[h].\min)$，将其填入 V.min，随后从该子簇中递归删除 $V.\mathrm{cluster}[h].\min$；
• 若删除导致该子簇变空，则递归从 summary 中剔除 $h$。由于子簇变空时其大小为 1，底层删除也是常数时间完成。
• 总删除时间严格维持为 $O(\log\log U)$。

空间压缩：从 $O(U)$ 到 $O(n)$

朴素 vEB 树预先分配所有子簇指针，递归空间递推为 $S(U) = (\sqrt{U} + 1)S(\sqrt{U}) + O(\sqrt{U})$，解得空间为 $O(U)$。当字长 $w=64$ 时，$U = 2^{64}$，物理上无法预分配。

优化方案： 利用动态完美哈希或哈希表按需分配子簇（仅当子簇非空时才建立映射）。这种被称为 x-fast trie 与 y-fast trie（Willard 1983）的衍生结构，在期望 $O(n)$ 或最坏 $O(n)$ 线性空间下完整保留了 $O(\log\log U)$ 的查询时间。

基数堆（Radix Heaps）与单调单源最短路

在单源最短路径（Dijkstra）问题中，边权上限为 $C$。vEB 树虽然能给出 $O(m + n\log\log C)$ 的极快时间，但指针层级较多且依赖动态分配。Ahuja、Mehlhorn、Orlin 与 Tarjan（1990）提出了基于二进制位动态重分配的基数堆（Radix Heaps）。

结构设计与二进制动态区间

设图的最大边权为 $C$，定义 $B = 2 + \lceil \log_2(C + 1) \rceil$。基数堆维护 $B$ 个桶 $b[0], b[1], \dots, b[B-1]$。

每个桶 $i$ 关联一个闭区间 $[u_i, v_i]$，负责接纳键值落在该区间内的所有节点。桶的区间大小随着当前堆顶提取的最小值单调动态调整：

• 桶 0：始终只容纳唯一确定的单个键值（当前全局最小值）；
• 桶 1：容纳下一个连续的单个键值；
• 桶 $i$（$i \ge 2$）：区间长度为 $2^{i-1}$，覆盖从 $u_i$ 到 $u_i + 2^{i-1} - 1$ 的键值范围。

操作流程与桶的动态重分发（Rebucketing）

1. Insert(x) / Decrease-Key(x)：
   • 根据新键值直接通过位运算（异或与最高有效位查找 $\mathrm{clz}$）定位所在桶；
   • 直接插入对应桶的双向链表，耗时 $O(1)$。
2. Extract-Min()：
   • 若桶 0 非空，直接弹出其中的节点（$O(1)$）；
   • 若桶 0 为空，寻找最小的非空桶 $k$；
   • 线性扫描桶 $k$ 找出其中的最小键值 $d_{\min}$；
   • 动态重分发（Rebucketing）：
     • 将当前基准基数更新为 $d_{\min}$；
     • 重新划分桶 $0, 1, \dots, k-1$ 的区间界限（以 $d_{\min}$ 为起点重新展开指数区间）；
     • 将桶 $k$ 中的所有剩余元素依次取出，根据其新差值重新分发落入到更低编号的桶中！

势能分析与复杂度

为什么重分发不会拖垮时间？关键依然是单调性：

• 在 Dijkstra 推进过程中，全局最小值单调上升；
• 每次某个元素从桶 $k$ 中被倒出重新投递时，它必然落入编号严格小于 $k$ 的更低桶中！
• 每个元素从初次进入堆到最终被弹出，最多只能从高编号桶向下移动到低编号桶。由于总桶数仅为 $B = O(\log C)$，任何单个元素在整个算法生命周期内的总下移次数至多为 $O(\log C)$ 次！

将重分发下推代价均摊到元素自身：

• Decrease-Key：均摊代价 $O(1)$；
• Extract-Min：均摊代价 $O(\log C)$；
• 单源最短路径总运行时间为：

$$O(m + n \log C)$$

基数堆无需复杂的指针树递归，仅使用一维数组加双向链表，在工程实践与理论分析中均展现出极致的简洁与高效。

优先队列技术横向综合对比

数据结构	最小键查询	提取最小值	减小键值	插入操作	空间复杂度	最短路总时间
二叉堆 (Binary Heap)	$O(1)$	$O(\log n)$	$O(\log n)$	$O(\log n)$	$O(n)$	$O(m \log n)$
Fibonacci 堆	$O(1)$	$O(\log n)^*$	$O(1)^*$	$O(1)$	$O(n)$	$O(m + n \log n)$
Dial 算法	$O(1)$	$O(C)^*$	$O(1)$	$O(1)$	$O(n + C)$	$O(m + nC)$
Denardo-Fox 惰性字典树	$O(1)$	$O(C^{1/k})^*$	$O(1)^*$	$O(k)^*$	$O(n + k C^{1/k})$	$O(m + n\frac{\log C}{\log\log C})$
基数堆 (Radix Heap)	$O(1)$	$O(\log C)^*$	$O(1)^*$	$O(1)^*$	$O(n + \log C)$	$O(m + n \log C)$
van Emde Boas 树	$O(1)$	$O(\log\log U)$	$O(\log\log U)$	$O(\log\log U)$	$O(U) \to O(n)$	$O(m + n \log\log C)$

我的理解