Lec 6 动态最优性：Wilber 下界与 Tango 树（Dynamic Optimality: Wilber Bounds and Tango Trees）

对应 MIT 6.851 Lecture 6 · 讲师：Erik Demaine · 核心文献：Wilber (1989), Demaine et al. (FOCS 2004 / SICOMP 2007)

TL;DR

• 本讲聚焦在线二叉搜索树（BST）的动态最优性猜想：是否存在一个在线算法，其对任意访问序列的总代价与离线最优 BST（$\text{OPT}$）相比仅差常数因子。
• 介绍几何视角下的独立矩形下界（Independent Rectangle Bounds）与 Wilber 提出的两个核心下界：基于固定参考树的交错下界（Wilber 1 / Interleave Bound）与漏斗下界（Wilber 2）。
• 详述 Tango 树的构造：利用参考树将所有节点剖分为互不相交的偏好路径（Preferred Paths），并用辅助平衡树维护每条路径，实现首个 $O(\log\log n)$-竞争比的在线 BST。

一、动态最优性背景与核心猜想

在第五讲中，我们从几何视角审视了二叉搜索树的访问序列。若将键值映射到水平轴，时间映射到垂直轴，任意 BST 的合法访问过程都对应几何平面上一个满足特定空矩形约束的点集。

二叉搜索树模型允许的操作包括：沿当前根节点向下访问、旋转（单旋左/右）以及指针移动，每次操作计为单位代价。

证明动态最优性的关键瓶颈在于：我们很难直接计算 $\text{OPT}(X)$。为了衡量一个在线算法的性能，必须找到计算复杂度低、数学性质优良的 $\text{OPT}$ 下界。

二、几何视角与独立矩形下界

在几何模型中，输入访问序列被表示为点集 $X = \{(x_i, i)\}$。若算法在时刻 $i$ 触摸了节点 $y$，则在平面上对应点 $(y, i)$。点集必须满足满足性条件（Satisfaction Property）：任意两点构成的轴对齐矩形若不在同一水平线或垂直线上，其闭矩形内部（或边界特定位置）必须包含第三个点。

该定理建立了点集几何特征与离线最优操作步数之间的直接桥梁。

三、Wilber 核心下界

Robert Wilber 在 1989 年给出了两个著名的下界构造，至今仍是分析 BST 在线竞争比的黄金基准。

3.1 Wilber 1：交错下界（Interleave Bound）

固定一棵包含所有 $n$ 个键值的完全平衡二叉搜索树 $P$ 作为参考树（Reference Tree）。注意：参考树仅仅用于分析，算法本身并不必须直接以 $P$ 的形式存储。

对于参考树 $P$ 中的任意内部节点 $v$：

• 设 $v$ 的左子树包含的键集合为 $L(v)$，右子树包含的键集合为 $R(v)$。
• 考察访问序列 $X = (x_1, x_2, \dots, x_m)$ 中所有落在 $L(v) \cup R(v)$ 的子序列。
• 当子序列中的相邻两个元素分别交替来自 $L(v)$ 与 $R(v)$（即前一个来自左子树，后一个来自右子树，或反之）时，记发生了一次交错（interleave / alternation）。
• 设 $\text{alt}(v, X)$ 为访问序列在节点 $v$ 处发生的总交错次数。

直观理解：无论离线最优 BST 采取何种形态，每当访问在 $v$ 的左右子树之间切换时，BST 内部代表两棵子树的连通块拓扑都必须被切断并重新连接，或者访问指针必须穿过分割键 $v$。由于每个节点处的交错事件在时间上可以正交累加，各节点的交错数之和构成了总代价的严格线性下界。

3.2 Wilber 2：漏斗下界（Funnel Bound）

Wilber 提出的第二个下界不再固定静态完全树，而是考察反转时间轴下的几何凸包/漏斗结构。

在访问序列上，从当前点向上回溯，找出所有能够“无遮挡”看到的历史点构成的极值集合。Wilber 2 在处理特定复杂非均匀访问分布时比 Wilber 1 更紧致，二者互不严格包含。

四、Tango 树的设计与分析

在 2004 年之前，所有在线 BST 算法（包括伸展树）已知的最好竞争比仅为平凡的 $O(\log n)$。Demaine、Harmon、Iacono 和 Pătrașcu 提出了 Tango 树，首次突破了这一壁垒，将竞争比压到 $O(\log\log n)$。

4.1 偏好路径与辅助树

Tango 树基于完全平衡参考树 $P$（高度为 $\lfloor \log_2 n \rfloor$）：

1. 偏好孩子（Preferred Child）：
   • 对于 $P$ 中的每个节点 $v$，记录其最后一次被访问的后代位于左子树还是右子树。
   • 若最后一次访问在左子树，则左孩子为偏好孩子；若在右子树，则右孩子为偏好孩子。初始时默认左孩子。
2. 偏好路径（Preferred Path）：
   • 从根节点出发，沿着偏好孩子指针向下走，直到叶子，形成一条偏好路径。
   • 对所有非偏好边指向的子树递归定义偏好路径。
   • 这样，$P$ 的所有 $n$ 个节点被划分为若干条顶点不相交的偏好路径。
3. 辅助树（Auxiliary Tree）：
   • 每一条偏好路径中的节点按照键值大小，组织成一棵平衡红黑树（或 AVL 树）。
   • 因为参考树 $P$ 的深度至多为 $\log n$，一条偏好路径上的节点数至多为 $\log n$。
   • 因此，每一棵辅助树的大小至多为 $\log n$，其树高至多为 $O(\log\log n)$。
4. 辅助树之间的连接：
   • 每棵辅助树的根节点，通过一个特殊父指针指向其偏好路径顶端节点在 $P$ 中的父节点（该父节点位于另一棵辅助树中）。

4.2 查询与路径切换

当在 Tango 树中查找键 $x$ 时：

1. 从包含参考树根节点的顶层辅助树开始搜索。
2. 在当前辅助树中找到 $x$ 或者距离 $x$ 最近的偏好路径前驱/后继。
3. 若 $x$ 不在当前偏好路径中，说明访问需要离开当前偏好路径，进入下一层子树：
   • 这意味着在参考树 $P$ 中发生了一次偏好孩子变更（从原先的偏好分支切换到包含 $x$ 的分支）。
   • 切断原偏好路径：通过辅助树的 split 操作，将离开点之后的节点从当前辅助树中分离。
   • 连接新偏好路径：通过辅助树的 concatenate 操作，将 $x$ 所在子树的新偏好路径合并上来。
4. 重复此过程，直到在某棵辅助树中找到 $x$。

4.3 复杂度与竞争比证明

证明关键：

• 每次在辅助树内部的搜索、切分（split）和拼接（concatenate）均在大小 $\le \log n$ 的红黑树上进行，单次耗时 $O(\log\log n)$。
• 辅助树之间的切换次数，严格等于参考树 $P$ 中偏好孩子改变的次数。
• 每次偏好孩子改变，恰好对应一次 Wilber 1 定义下的左右子树交错事件！
• 设总切换次数为 $K$，则 $K \le \sum_{v \in P} \text{alt}(v, X) \le 2 \cdot \text{OPT}(X)$。
• 总代价为 $O(K \cdot \log\log n) = O(\text{OPT}(X) \cdot \log\log n)$。

五、签名贪心算法与最新进展

在几何模型下，离线计算最优点集是 NP 难问题仍未被证实。在线版本中，**签名贪心算法（Signed Greedy Algorithm）**展现出优异的几何直觉：

• 在每个时间步，贪心地添加最少数量的点以满足当前的空矩形约束。
• 理论上证明了在离线状态下贪心算法与离线最优仅差常数因子。

而在在线 BST 领域，自 Tango 树之后：

• Multi-splay 树（Wang et al. 2006）在保持 $O(\log\log n)$ 竞争比的同时支持了更自然的伸展操作。
• 动态最优性猜想至今仍未完全解决，常数竞争比的在线 BST 是否存在依然是理论计算机科学最迷人的公开问题之一。

六、我的理解