刨析树上寻路核心：最近公共祖先（LCA）的四大解法与竞赛实战

刨析树上寻路核心：最近公共祖先（LCA）的四大解法与竞赛实战

在图论与树形结构算法中，最近公共祖先（Lowest Common Ancestor, LCA）是一个极具枢纽地位的概念。无论你是要求解树上任意两点的最短距离、维护树上差分，还是进行复杂的树链剖分，LCA 都是绝对的基石。

对于树上的任意两个节点 \(u\) 和 \(v\)，它们的 LCA 是距离它们最近的共同祖先节点。基于 LCA，我们可以得出一个极其重要的树上距离公式：

\[\text{dist}(u, v) = \text{depth}[u] + \text{depth}[v] - 2 \times \text{depth}[\text{LCA}(u, v)] \]

在算法竞赛（ICPC、PTA、洛谷）中，求解 LCA 绝对不是简单的“暴力向上爬”。根据查询是在线还是离线，以及对时间常数的要求，LCA 衍生出了四大经典解法。本文将为你深度刨析这四重境界。

---

境界一：倍增法（Binary Lifting）—— 最经典的在线查询

这是绝大多数选手最先接触、也是泛用性最广的 LCA 解法。

1. 核心思想

暴力法的痛点是一步一步往上爬太慢。倍增法利用了二进制的思想，预处理出一个 up[j][u] 数组，表示节点 \(u\) 向上跳 \(2^j\) 步到达的祖先。
查询时：

1. 先把较深的节点往上跳，使得两个节点处于同一深度。
2. 两个节点同时“大步流星”地往上跳（从大到小枚举步长 \(2^j\)）。如果跳到的祖先不同，就真跳；如果相同，说明跳过头了或者正好是 LCA，则不跳。
3. 循环结束后，两个节点一定处于 LCA 的正下方，此时它们的父节点就是 LCA。

2. 复杂度与评价

• 预处理：\(O(N \log N)\)
• 单次查询：\(O(\log N)\)
• 优点：逻辑清晰，支持在线查询，且可以极其方便地顺手维护树上两点间的最大/最小边权（如 Kruskal 重构树中求路径极值）。
• 缺点：常数略大，在极限卡常的题目中可能会吃亏。

---

境界二：重链剖分（HLD）—— 常数极小的极致在线

重链剖分不仅能维护树上区间，用来求 LCA 更是降维打击，它的实际运行常数远小于倍增法。

1. 核心思想

通过两次 DFS，将整棵树剖分为若干条“重链”。每个节点记录自己所在重链的“链头”（top）。
查询时：
比较 \(u\) 和 \(v\) 所在重链链头的深度。让链头深度较深的那个节点，直接一步跳到其链头的父节点。
反复执行，直到两个节点处于同一条重链上。此时，深度较浅的那个节点就是 LCA。

2. 复杂度与评价

• 预处理：\(O(N)\)（两次纯粹的 DFS）
• 单次查询：最坏 \(O(\log N)\)，但由于树的重链特性，大多数跳跃次数极少。
• 优点：空间复杂度仅 \(O(N)\)，且查询的时间常数极小，是追求极致在线性能的标配。

---

境界三：欧拉序 + ST 表（RMQ）—— 极限的 \(O(1)\) 查询

如果你面对一道极其毒瘤的题目：节点数 \(10^5\)，但查询次数高达 \(10^7\) 次，那么 \(O(\log N)\) 的查询也会被 TLE 卡死。此时必须祭出 \(O(1)\) 的杀器。

1. 核心思想

将树上问题转化为区间最值问题（RMQ）。

1. 对树进行 DFS 遍历，每当“到达”或“回溯”到一个节点时，都将该节点记录下来。这样会生成一个长度为 \(2N-1\) 的欧拉序。
2. 记录每个节点在欧拉序中首次出现的位置 first[u]。
3. \(u\) 和 \(v\) 的 LCA，必然是欧拉序中从 first[u] 到 first[v] 这个区间内，深度最小（最靠近根）的那个节点！

有了欧拉序，我们只需用 ST 表（Sparse Table）预处理这个区间最小值，就能实现绝对的 \(O(1)\) 查询。

2. 复杂度与评价

• 预处理：\(O(N \log N)\)
• 单次查询：\(O(1)\)
• 优点：真正的 \(O(1)\) 在线查询，无惧任何海量查询数据的轰炸。
• 缺点：ST 表的空间复杂度为 \(O(N \log N)\)，当节点数达到 \(5 \times 10^5\) 以上时，容易面临被卡空间（MLE）的风险。

---

境界四：Tarjan 离线算法 —— 并查集的艺术

前面三种都是“在线”算法（给一个查询，立刻出一个答案）。但如果允许离线（读入所有查询后再统一输出），我们可以利用 Tarjan LCA 算法达到极致的线性复杂度。

1. 核心思想

Tarjan 算法巧妙地将 DFS 后序遍历与并查集（DSU）结合。
在 DFS 遍历的过程中：

1. 访问一个节点 \(u\) 的所有子树。
2. 一棵子树访问完毕后，将其并查集的根节点指向 \(u\)。
3. 当 \(u\) 的所有子树都访问完后，处理所有关于 \(u\) 的查询 \((u, v)\)：如果 \(v\) 已经被访问过，那么此时 \(v\) 在并查集中的根节点，就是 \(u\) 和 \(v\) 的 LCA！

2. C++ 实战核心代码

// 假设 queries[u] 存储了所有与 u 相关的查询：对 {v, query_id}
void tarjan_dfs(int u) {
    visited[u] = true;
    for (int v : adj[u]) {
        if (!visited[v]) {
            tarjan_dfs(v);
            parent[v] = u; // 访问完子树后，将子树的并查集祖先指向当前节点
        }
    }
    
    // 子树全访问完了，处理与 u 相关的离线查询
    for (auto& q : queries[u]) {
        int v = q.first;
        int id = q.second;
        if (visited[v]) {
            // v 被访问过，此时 v 的并查集代表元素即为 LCA
            ans[id] = find(v); 
        }
    }
}

3. 复杂度与评价

• 预处理 + 查询：\(O(N + Q \cdot \alpha(N))\)，\(\alpha\) 为反阿克曼函数，整体几乎是严格线性的 \(O(N+Q)\)。
• 优点：时间和空间常数极优，是处理大规模离线查询的最优解。
• 缺点：必须提前知道所有查询（不支持强制在线，例如查询参数依赖上一次查询结果的题目）。

---

五、 总结与实战抉择

在算法竞赛的实战中，我们该如何选择？

1. 优先推荐：倍增法和重链剖分（HLD）。它们支持在线查询，泛用性极强。尤其是你已经写了 HLD 的情况下，顺手用它求 LCA 是最完美的选择。
2. 海量查询特化：当查询次数 \(Q\) 远大于节点数 \(N\)（如 \(Q > 10^6\)），且强制在线时，毫不犹豫地使用 欧拉序 + ST表。
3. 离线特化：如果题目不要求在线，且节点数极大，使用 Tarjan 离线算法，让并查集的降维打击为你保驾护航。