Splay Tree（伸展树）

参考：《数据结构（C++语言版）》邓俊辉著 （好书

一、

伸展树（由 D. D. Sleator 和 R. E. Tarjan 于 1985 年发明）也是平衡二叉搜索树的一种形式。相对于 AVL 树，伸展树的实现更为简洁

伸展树无需时刻都严格地保持全树的平衡，但却能够在任何足够长的真实操作序列中，保持分摊意义上的高效率

伸展树也不需要对基本的二叉树节点结构做任何附加的要求或改动，更不需要记录平衡因子或高度之类的额外信息，故适用范围更广

二、局部性

信息处理的典型模式是，将所有的数据项视作一个集合，并将其组织为某种适宜的数据结构，进而借助操作接口高效访问

为考查和评价各操作接口的效率，除了从最坏情况的角度出发，也可假定所有操作彼此独立、次序随机且概率相等，并从平均情况的角度出发

然而，后一尺度所依赖的假定条件， 往往并不足以反映真实的情况

实际上， 通常在任意数据结构的生命期内， 不仅执行不同操作的概率往往极不均衡，而且各操作之间具有极强的相关性， 并在整体上多呈现出极强的规律性

其中最为典型的，就是所谓的“数据局部性”（ data locality） ，这包括两个方面的含义：

1. 刚刚被访问过的元素， 极有可能在不久之后再次被访问到
   
2. 将被访问的下一元素， 极有可能就处于不久之前被访问过的某个元素的附近
   

充分利用好此类特性，即可进一步地提高数据结构和算法的效率

就二叉搜索树而言，数据局部性具体表现为：

1. 刚刚被访问过的节点， 极有可能在不久之后再次被访问到
   
2. 将被访问的下一节点， 极有可能就处于不久之前被访问过的某个节点的附近
   

因此， 只需将刚被访问的节点，及时地“转移”至树根（ 附近） ， 即可加速后续的操作

当然，转移前后的搜索树必须相互等价

三、逐层伸展

1、简易伸展树

一种直接方式是：每访问一个节点之后，随即反复地以它的父节点为轴，经适当的旋转将其提升一层，直至最终成为树根

以图 1 为例，若深度为 3 的节点 E 刚被访问 -- 无论查找或插入，甚至“删除” -- 都可通过 3 次旋转，将该树等价变换为以 E 为根的另一棵二叉搜索树

图 1 通过自下而上的一系列等价变换，可使任一节点上升至树根

随着节点 E 的逐层上升，两侧子树的结构也不断地调整，故这一过程也称作伸展（splaying）

而采用这一调整策略的二叉搜索树也因此得名

不过，为实现真正意义上的伸展树，还须对以上策略做点微秒而本质的改进

之所以改进，是因为目前的策略仍存在致命的缺陷 -- 对于很多访问序列，单次访问的分摊时间复杂度在极端情况下可能高达 Ω(n)

2、最坏情况

不难验证，若从空树开始依次插入关键码 ｛1，2，3，4，5｝，且其间采用如上调整策略，则可得到如图 2 所示的二叉搜索树

接下来，若通过 search() 接口，再由小到大地依次访问各节点一次，则该树在各次访问之后的结构形态将如图（b ~ f）所示

图 2 简易伸展树的最坏情况

可见，在各次访问之后， 为将对应节点伸展调整至树根，分别需做 4、 4、 3、 2 和 1 次旋转

一般地，若节点总数为 n，则旋转操作的总次数应为：

(n - 1) + { (n - 1) + (n - 2) + ... + 1 } = (n^2 + n - 2) / 2 = Ω(n^2)

如此分摊下来，每次访问平均需要 Ω(n) 时间

很遗憾，这一效率不仅远远低于 AVL 树， 而且甚至与原始的二叉搜索树的最坏情况相当

而事实上，问题还远不止于此

稍做比对即不难发现， 图 2(a) 与 (f) 中二叉搜索树的结构完全相同

也就是说，经过以上连续的 5 次访问之后， 全树的结构将会复原！这就意味着，以上情况可以持续地再现

当然， 这一实例， 完全可以推广至规模任意的二叉搜索树

于是对于规模为任意 n 的伸展树，只要按关键码单调的次序， 周期性地反复进行查找

则无论总的访问次数 m >> n 有多大， 就分摊意义而言， 每次访问都将需要 Ω(n) 时间！

那么，这类最坏的访问序列能否回避？具体地，又应该如何回避？

四、双层伸展

为克服上述伸展调整策略的缺陷，一种简便且有效的方法就是：将逐层伸展改为双层伸展

具体地，每次都从当前节点v向上追溯两层（而不是仅一层） ， 并根据其父亲p以及祖父g的相对位置， 进行相应的旋转

以下分三类情况， 分别介绍具体的处理方法

1、zig-zig / zag-zag

如图 3(a) 所示，设 v 是 p 的左孩子，且 p 也是 g 的左孩子

设 W 和 X 分别是 v 的左、右子树， Y 和 Z 分别是 p 和 g 的右子树

图 3 通过 zig-zig 操作，将节点v上推两层

针对这种情况，首先以节点 g 为轴做顺时针旋转 zig(g)， 其效果如图 (b) 所示

然后，再以 p 为轴做顺时针旋转 zig(p)， 其效果如图 (c) 所示

如此连续的两次 zig 旋转， 合称 zig-zig 调整

自然地， 另一完全对称的情形 -- v 是 p 的右孩子，且 p 也是 g 的右孩子 -- 则可通过连续的两次逆时针旋转实现调整， 合称 zag-zag 操作

2、zig-zag / zag-zig

如图 4(a) 所示，设 v 是 p 的左孩子，而 p 是 g 的右孩子

设 W 是 g 的左子树， X 和 Y 分别是 v 的左、右子树， Z 是 p 的右子树

图 4 通过 zig-zag 操作，将节点 v 上推两层

针对这种情况，首先以节点 p 为轴做顺时针旋转 zig(p)， 其效果如 (b) 所示

然后，再以 g 为轴做逆时针旋转 zag(g)， 其效果如图 (c) 所示

如此 zig 旋转再加 zag 旋转， 合称 zig-zag 调整

同样地， 另一完全对称的情形 -- v 是 p 的右孩子，而 p 是 g 的左孩子 -- 则可通过 zag 旋转再加 zig 旋转实现调整， 合称 zag-zig 操作

3、zig / zag

如图 5(a) 所示，若 v 最初的深度为奇数，则经过若干次双层调整至最后一次调整时， v 的父亲 p 即是树根 r

将 v 的左、右子树记作 X 和 Y，节点 p = r 的另一子树记作 Z

图 5 通过 zig 操作，将节点 v 上推一层，成为树根

此时，只需围绕 p = r 做顺时针旋转 zig(p)，即可如图 (b) 所示， 使 v 最终攀升至树根，从而结束整个伸展调整的过程

zag 调整与之对称

4、效果与效率

综合以上各种情况，每经过一次双层调整操作，节点 v 都会上升两层

若v的初始深度 depth(v) 为偶数，则最终 v 将上升至树根

若 depth(v) 为奇数，则当 v 上升至深度为 1 时，不妨最后再相应地做一次 zig 或 zag 单旋操作

无论如何，经过 depth(v) 次旋转后， v 最终总能成为树根

重新审视图 2 的最坏实例不难发现，这一访问序列导致 Ω(n) 平均单次访问时间的原因，可以解释为：

在这一可持续重复的过程中，二叉搜索树的高度始终不小于 n/2

而且，至少有一半的节点在接受访问时，不仅没有如最初设想的那样靠近树根， 而且反过来恰恰处于最底层

从树高的角度看，问题根源也可再进一步地解释为：

在持续访问的过程中， 树高依算术级数逐步从 n - 1 递减至 n/2 ，然后再逐步递增回到 n - 1

那么， 采用上述双层伸展的策略将每一刚被访问过的节点推至树根， 可否避免如图 2 所示的最坏情况呢？

稍作对比不难看出，就调整之后的局部结构而言， zig-zag 和 zag-zig 调整与此前的逐层伸展完全一致（ 亦等效于 AVL 树的双旋调整），而 zig-zig 和 zag-zag 调整则有所不同

事实上，后者才是双层伸展策略优于逐层伸展策略的关键所在

以如图 6(b) 所示的二叉搜索树为例，在 find(1) 操作之后采用逐层调整策略与双层调整策略的效果， 分别如图 (a) 和图 (c) 所示

图 6 双层调整策略的高度折半效果

可见，最深节点（ 1）被访问之后再经过双层调整， 不仅同样可将该节点伸展至树根，而且同时可使树的高度接近于减半

就树的形态而言，双层伸展策略可“ 智能” 地“折叠” 被访问的子树分支，从而有效地避免对长分支的连续访问

这就意味着， 即便节点 v 的深度为 Ω(n)，双层伸展策略既可将 v 推至树根， 亦可令对应分支的长度以几何级数（ 大致折半）的速度收缩

图 7 则给出了一个节点更多、更具一般性的例子，从中可更加清晰地看出这一效果

图 7 伸展树中较深的节点一旦被访问到，对应分支的长度将随即减半

尽管在任一时刻伸展树中都可能存在很深的节点，但与含羞草类似地， 一旦这类“ 坏” 节点被“碰触” 到， 经过随后的双层伸展， 其对应的分支都会收缩至长度大致折半

于是， 即便每次都“ 恶意地” 试图访问最底层节点，最坏情况也不会持续发生

可见，伸展树虽不能杜绝最坏情况的发生， 却能有效地控制最坏情况发生的频度，从而在分摊意义下保证整体的高效率

更准确地， Tarjan 等人采用势能分析法（ potential analysis）也已证明，在改用“双层伸展”策略之后，伸展树的单次操作均可在分摊的 O(logn) 时间内完成