＜蓝桥杯软件赛＞零基础备赛20周--第9周--前缀和与差分
报名明年4月蓝桥杯软件赛的同学们，如果你是大一零基础，目前懵懂中，不知该怎么办，可以看看本博客系列：备赛20周合集
20周的完整安排请点击：20周计划
每周发1个博客，共20周（读者可以按自己的进度选“正常”和“快进”两种计划）。
每周3次集中答疑，周三、周五、周日晚上，在QQ群上答疑：
文章目录
- 1. 前缀和概念
- 2. 前缀和例题
-
- 例1 基本应用
- 例2 基本应用
- 例3 异或的前缀和
- 例4 二维前缀和
- 3. 差分
- 4. 差分例题
-
- 例5 差分的基本应用
- 例6 差分的基本应用
第9周: 前缀和与差分
1. 前缀和概念
前缀和是一种操作简单但是非常有效的优化方法，能把计算复杂度为O(n)的区间计算优化为O(1)的端点计算。
前缀和是出题者喜欢考核的知识点，在算法竞赛中很常见，在蓝桥杯大赛中几乎必考。原因有两点：
一是简单，方便在很多场景下应用，与其他考点结合；
二是可以考核不同层次的能力，例如一道题用暴力法能通过30%的测试，用前缀和优化后能通过70%~100%的测试。
首先了解“前缀和”的概念。一个长度为n的数组a[1] ~ a[n]，前缀和sum[i]等于a[1] ~ a[i]的和：
sum[i] = a[1] + a[2] + … + a[i]
利用递推，可以在O(n)时间内求得所有前缀和：
sum[i] = sum[i-1] + a[i]
如果预计算出前缀和，就能利用它快速计算出数组中任意一个区间a[i] ~ a[j]的和。即：
a[i] + a[i+1] + … + a[j-1] + a[j] = sum[j] - sum[i-1]
上式说明，复杂度为O(n)的区间求和计算，优化到了O(1)的前缀和计算。
2. 前缀和例题
前缀和是一种很简单的优化技巧，应用场合很多，在竞赛中极为常见。如果建模时发现有区间求和操作，可以考虑使用前缀和优化。
例1 基本应用
例题1 求和
题解：这是一道非常直白的前缀和题。为了说明前缀和的作用，下面用两种方法求解本题。
（1）通过30%的测试。直接按题意两两相乘然后求和，这是暴力法。
如果用C++编程，需要考虑S是否能用long long类型表示。若每个ai都是最大的1000，每两个相乘等于106，n个数两两相乘，共 n 2 / 2 = 20000 0 2 / 2 = 2 × 1 0 10 n^2/2 = 200000^2/2 = 2×10^{10} n2/2=2000002/2=2×1010次，和S约为 2 × 1 0 10 × 1 0 6 = 2 × 1 0 16 2×10^{10}×10^6 = 2×10^{16} 2×1010×106=2×1016。long long能表示的最大正整数远大于 2 × 1 0 16 2×10^{16} 2×1016，所以不需要用高精度处理大数。
#include 下面分析代码的时间和空间效率。
1）时间复杂度。代码执行了多少步骤？花了多少时间？
代码第8、9行有2层for循环，循环次数是： n − 1 + n − 2 + . . . + 1 ≈ n 2 / 2 n-1 + n-2 + ... +1 ≈ n^2/2 n−1+n−2+...+1≈n2/2，计算复杂度为 O ( n 2 ) O(n^2) O(n2)。
对于30%的测试数据，n = 1000，循环次数$1000^2/2 = 50,000。计算时间远远小于题目的时间限制1s，能够通过测试。
对于100%的测试数据，n = 200000，循环次数$200000 2 / 2 = 2 × 1 0 10 2/2 = 2×10^{10} 2/2=2×1010。计算时间远大于题目的时间限制1s，超时不能通过测试。
2）空间复杂度，也就是程序占用的内存空间。对于100%的数据，若用数组int a[200000]存储数据，int是32位整数，占用4个字节，所以int a[200000]共使用了800K空间，远小于题目的空间限制256MB。
（2）通过100%测试。本题利用前缀和，能得到100%的分数。
把计算式子变换为：
S = ( a 1 + a 2 + . . . + a n − 1 ) × a n + ( a 1 + a 2 + . . . + a n − 2 ) × a n − 1 + ( a 1 + a 2 + . . . + a n − 3 ) × a n − 2 + . . . + ( a 1 + a 2 ) × a 3 + a 1 × a 2 S=(a_1+a_2 +...+a_{n-1})×a_n+(a_1+a_2 +...+a_{n-2})×a_{n-1}+(a_1+a_2+...+a_{n-3})×a_{n-2}+...+(a_1+a_2)×a_3+a_1×a_2 S=(a1+a2+...+an−1)×an+(a1+a2+...+an−2)×an−1+(a1+a2+...+an−3)×an−2+...+(a1+a2)×a3+a1×a2
其中括号内的部分是前缀和 s u m [ i ] = a 1 + a 2 + … + a i sum[i] = a_1+a_2+…+ a_i sum[i]=a1+a2+…+ai，把上式改为：
S = s u m [ n − 1 ] × a n + s u m [ n − 2 ] × a n − 1 + s u m [ n − 3 ] × a n − 2 + . . . + s u m [ 2 ] × a 3 + s u m [ 1 ] × a 2 S = sum[n-1] ×a_n + sum[n-2]×a_{n-1} + sum[n-3]×a_{n-2} + ... + sum[2]×a_3 + sum[1]×a_2 S=sum[n−1]×an+sum[n−2]×an−1+sum[n−3]×an−2+...+sum[2]×a3+sum[1]×a2
式子中用到的前缀和sum[1] ~ sum[n-1]，用递推公式sum[i] = sum[i-1] + a[i]做一次for循环就能全部提前计算出来。
下面的C++代码第8行先预计算出前缀和sum[]，然后利用sum[]求S。
#include 代码的计算量是多少？第8、10行各有一层for循环，分别计算n次，也就是两个O(n)，合起来仍然是O(n)的。对于100%的数据，n = 200000，运行时间满足时间限制。
java代码
import java.util.Scanner;
public class Main {
public static void main(String[] args) {
Scanner scanner = new Scanner(System.in);
int n = scanner.nextInt(); // 读n
int[] a = new int[n+1]; // 定义数组a[]，并初始化为0
for (int i=1; i<=n; i++) a[i] = scanner.nextInt(); // 读取a[1]~a[n]
long[] sum = new long[n+1]; // 定义前缀和数组 sum[]，并初始化为0
for (int i=1; i<n; i++) sum[i]=a[i]+sum[i-1]; // 预计算前缀和sum[1]~sum[n-1]
long s = 0;
for (int i=1; i<n; i++) s+=sum[i]*a[i+1]; // 计算和s
System.out.println(s);
}
}
python代码
n = int(input())
a = [0]+[int(i) for i in input().split()] #读入a[1]~a[n]。a[0]不用
sum = [0] * (n+1) #定义前缀和
sum[1] = 0
for i in range(1,n): sum[i] = a[i]+sum[i-1] #预计算前缀和sum[1]~sum[n-1]
s = 0
for i in range(1,n): s += sum[i]*a[i+1] #计算和s
print(s)
例2 基本应用
可获得的最小取值
第一步肯定是排序，例如从小到大排序，然后再进行两种操作。操作（1）在a[]的尾部选一个数，操作（2）在a[]的头部选2个数。
容易想到一种简单方法：每次在操作（1）和操作（2）中选较小的值。这是贪心法的思路。但是贪心法对吗？分析之后发现贪心法是错误的，例如{3, 1, 1, 1, 1, 1, 1}，做k=3次操作，每次都按贪心法，做3次操作（2），结果是6。但是正确答案是做3次操作（1），结果是5。
回头重新考虑所有可能的情况。设操作（2）做p次，操作（1）做k-p次，求和：
∑ i = 1 2 p a i + ∑ i = n + p − k + 1 n a i \sum_{i=1}^{2p}a_i+\sum_{i={n+p-k+1}}^{n}a_i ∑i=12pai+∑i=n+p−k+1nai
为了找最小的和，需要把所有的p都试一遍。如果直接按上面的公式计算，那么验证一个p的计算量是O(n)的，验证所有的p，1≤p≤k，总计算量O(kn)，超时。
容易发现公式的两个部分就是前缀和，分别等于sum[2p]、sum[n]-sum[n+p-k]。如果提前算出前缀和sum[]，那么验证一个p的时间是O(1)的，验证所有p的总计算量是O(n)的。
下面是C++代码。注意sum[]需要用long long类型。
代码的计算复杂度，第10行sort()是O(nlogn)，第13行是O(n)，总复杂度为O(nlogn)。
#includejava代码
import java.util.Arrays;
import java.util.Scanner;
public class Main {
public static void main(String[] args) {
Scanner scanner = new Scanner(System.in);
int n = scanner.nextInt();
int k = scanner.nextInt();
long[] a = new long[n+1];
for (int i = 1; i <= n; i++) a[i] = scanner.nextLong();
Arrays.sort(a, 1, n+1);
long[] s = new long[n+1];
for (int i = 1; i <= n; i++) s[i] = s[i-1] + a[i];
long ans = (long)1e18;
for (int p = 1; p <= k; p++)
ans = Math.min(s[n] - s[n+p-k] + s[2*p], ans);
System.out.println(ans);
}
}
Python代码
n, k = map(int, input().split())
b = list(map(int, input().split()))
a=[0] + sorted(b) # a[0]不用，从a[1]开始
s = [0] * (n+1)
for i in range(1, n+1): s[i] = s[i-1] + a[i]
ans = 10**18
for p in range(1, k+1):
ans = min(s[n] - s[n+p-k] + s[2*p], ans)
print(ans)
例3 异或的前缀和
下面例题是前缀和在异或计算中的应用，也是常见的应用场景。
异或和之和
n个数 a 1 − a n a_1-a_n a1−an的异或和等于： a 1 ⊕ a 2 ⊕ . . . ⊕ a n a_1⊕a_2⊕...⊕a_n a1⊕a2⊕...⊕an。
（1）通过30%的测试。
本题的简单做法是直接按题意计算所有子段的异或和，然后加起来。
有多少个子段？
长度为1的子段异或和有n个： a 1 、 a 2 、 . . . 、 a n a_1、a_2、...、a_n a1、a2、...、an
长度为2的子段异或和有n-1个： a 1 ⊕ a 2 、 a 2 ⊕ a 3 、 . . . a n − 1 ⊕ a n a_1⊕a_2、a_2⊕a_3、...a_{n-1}⊕a_n a1⊕a2、a2⊕a3、...an−1⊕an
…
长度为n的子段异或和有1个： a 1 ⊕ a 2 ⊕ a 3 ⊕ . . . ⊕ a n − 1 ⊕ a n a_1⊕a_2⊕a_3⊕...⊕a_{n-1}⊕a_n a1⊕a2⊕a3⊕...⊕an−1⊕an
共 n 2 / 2 n^2/2 n2/2个子段。
下面代码第8、9行遍历所有的子段[L, R]，第11行求[L,R]的字段和。共3重for循环，计算复杂度 O ( n 3 ) O(n^3) O(n3)，只能通过30%的测试。
#include（2）通过60%的测试。本题可以用前缀和优化。
记异或和 a 1 ⊕ a 2 ⊕ . . . ⊕ a i a_1⊕a_2⊕...⊕a_i a1⊕a2⊕...⊕ai的前缀和为：
s i = a 1 ⊕ a 2 ⊕ . . . ⊕ a i si=a_1⊕a_2⊕...⊕a_i si=a1⊕a2⊕...⊕ai
这里 s i s_i si是异或形式的前缀和。这样就把复杂度为O(n)的子段异或和计算 a 1 ⊕ a 2 ⊕ . . . ⊕ a i a_1⊕a_2⊕...⊕a_i a1⊕a2⊕...⊕ai，优化到了O(1)的求 s i s_i si的计算。
以包含 a 1 a1 a1的子段为例，这些子段的异或和相加，等于：
a 1 + a 1 ⊕ a 2 + . . . + a 1 ⊕ . . . ⊕ a i + . . . + a 1 ⊕ . . . ⊕ a n = s 1 + s 2 + . . . + s i + . . . + s n a_1+a_1⊕a_2+...+a_1⊕...⊕a_i+...+a_1⊕...⊕a_n = s_1+s_2+...+s_i+...+s_n a1+a1⊕a2+...+a1⊕...⊕ai+...+a1⊕...⊕an=s1+s2+...+si+...+sn
前缀和的计算用递推得到。普通前缀和的递推公式为 s [ i ] = s [ i − 1 ] + a [ i ] s[i] = s[i-1] + a[i] s[i]=s[i−1]+a[i]，异或形式的前缀和递推公式为s[i] = s[i-1] ^ a[i]，下面代码第11行用这个公式的简化形式求解了前缀和。
代码的计算复杂度是多少？第8行和第10行用两重循环遍历所有的子段，同时计算前缀和，计算复杂度是 O ( n 2 ) O(n^2) O(n2)的，可以通过60%的测试。
#include（3）通过100%的测试。
本题有没有进一步的优化方法？这就需要仔细分析异或的性质了。根据异或的定义，有a⊕a = 0、0⊕a = a、0⊕0 = 0。推导子段 a i a j a_i ~ a_j ai aj的异或和：
a i ⊕ a i + 1 ⊕ . . . ⊕ a j − 1 ⊕ a j = ( a 1 ⊕ a 2 ⊕ . . . ⊕ a i − 1 ) ⊕ ( a 1 ⊕ a 2 ⊕ . . . ⊕ a j ) a_i⊕a_{i+1}⊕...⊕a_{j-1}⊕a_j = (a_1⊕a_2⊕...⊕a_{i-1}) ⊕ (a_1⊕a_2⊕...⊕a_j) ai⊕ai+1⊕...⊕aj−1⊕aj=(a1⊕a2⊕...⊕ai−1)⊕(a1⊕a2⊕...⊕aj)
记 s i = a 1 ⊕ a 2 ⊕ . . . ⊕ a i s_i = a_1⊕a_2⊕...⊕a_i si=a1⊕a2⊕...⊕ai，这是异或形式的前缀和。上式转化为：
a i ⊕ a i + 1 ⊕ . . . ⊕ a j − 1 ⊕ a j = s i − 1 ⊕ s j a_i⊕a_{i+1}⊕...⊕a_{j-1}⊕a_j = s_{i-1}⊕s_j ai⊕ai+1⊕...⊕aj−1⊕aj=si−1⊕sj
若 s i − 1 = s j s_{i-1} = s_j si−1=sj，则 s i − 1 ⊕ s j = 0 s_{i-1}⊕s_j = 0 si−1⊕sj=0；若 s i − 1 ≠ s j s_{i-1} ≠ s_j si−1=sj，则 s i − 1 ⊕ s j = 1 s_{i-1}⊕s_j =1 si−1⊕sj=1。题目要求所有子段异或和相加的结果，这等于判断所有的 s i , s j {s_i, s_j} si,sj组合，若 s i ≠ s j s_i ≠ s_j si=sj，则结果加1。
如何判断两个s是否相等？可以用位操作的技巧，如果它们的第k位不同，则两个s肯定不等。下面以 a 1 = 011 ， a 2 = 010 a_1 = 011，a_2 = 010 a1=011，a2=010为例，分别计算第k位的异或和，并且相加：
k=0，第0位异或和， s 1 = 1 ， s 2 = 1 ⊕ 0 = 1 ， a n s 0 = a 1 + a 2 + a 1 ⊕ a 2 = s 1 + s 1 ⊕ s 2 + s 2 = 1 + 0 + 1 = 2 s_1=1，s_2=1⊕0=1，ans_0 = a_1+a_2+a_1⊕a_2 = s_1+s_1⊕s_2+s_2 = 1+0+1=2 s1=1，s2=1⊕0=1，ans0=a1+a2+a1⊕a2=s1+s1⊕s2+s2=1+0+1=2
k=1，第1位异或和， s 1 = 1 ， s 2 = 1 ⊕ 1 = 0 ， a n s 1 = a 1 + a 2 + a 1 ⊕ a 2 = s 1 + s 1 ⊕ s 2 + s 2 = 1 + 1 + 0 = 2 s_1=1，s_2=1⊕1=0，ans_1 = a_1+a_2+a_1⊕a_2 = s_1+s_1⊕s_2+s_2 = 1+1+0=2 s1=1，s2=1⊕1=0，ans1=a1+a2+a1⊕a2=s1+s1⊕s2+s2=1+1+0=2
k=2，第2位异或和， s 1 = 0 ， s 2 = 0 ⊕ 0 = 0 ， a n s 2 = a 1 + a 2 + a 1 ⊕ a 2 = s 1 + s 1 ⊕ s 2 + s 2 = 0 + 0 + 0 = 0 s_1=0，s_2=0⊕0=0，ans_2 = a_1+a_2+a_1⊕a_2 = s_1+s_1⊕s_2+s_2 = 0+0+0=0 s1=0，s2=0⊕0=0，ans2=a1+a2+a1⊕a2=s1+s1⊕s2+s2=0+0+0=0
最后计算答案： a n s = a n s 0 × 2 0 + a n s 1 × 2 1 + a n s 2 × 2 2 = 6 ans = ans_0 ×2^0+ ans_1×2^1 + ans_2×2^2 = 6 ans=ans0×20+ans1×21+ans2×22=6。
本题 0 ≤ A i ≤ 2 20 0≤A_i≤2^{20} 0≤Ai≤220，所有的前缀和s都不超过20位。代码第8行逐个计算20位的每一位，第11行for循环计算n个前缀和，总计算量约为20×n。
#includejava代码
import java.util.Scanner;
public class Main {
public static void main(String[] args) {
Scanner scanner = new Scanner(System.in);
int n = scanner.nextInt();
int[] a = new int[n];
for (int i = 0; i < n; i++) a[i] = scanner.nextInt();
long ans = 0;
for (int k = 0; k <= 20; k++) { // 所有a不超过20位
int zero = 1, one = 0; // 统计第k位的0和1的数量
long cnt = 0, sum = 0; //cnt用于统计第k位有多少对si⊕sj =1
for (int i = 0; i < n; i++) {
int v = (a[i] >> k) & 1; // 取a[i]的第k位
sum ^= v; // 对所有a[i]的第k位做异或得到sum，sum等于0或者1
if (sum == 0) { // 前缀和为0
zero++; // 0的数量加1
cnt += one; // 这次sum=0，这个sum跟前面等于1的sum异或得1
} else { // 前缀异或为1
one++; // 1的数量加1
cnt += zero; // 这次sum=1，这个sum跟前面等于0的sum异或得1
}
}
ans += cnt * (1L << k); // 第k位的异或和相加
}
System.out.println(ans);
}
}
Python代码
n = int(input())
a = [int(x) for x in input().split()]
ans = 0
for k in range(21): # 所有a不超过20位
zero, one = 1, 0 # 统计第k位的0和1的数量
cnt, sum = 0, 0 #cnt用于统计第k位有多少对si⊕sj =1
for i in range(n):
v = (a[i] >> k) & 1 # 取a[i]的第k位
sum ^= v # 对所有a[i]的第k位做异或得到sum，sum等于0或者1
if sum == 0: # 前缀和为0
zero += 1 # 0的数量加1
cnt += one # 这次sum=0，这个sum跟前面等于1的sum异或得1
else: # 前缀异或为1
one += 1 # 1的数量加1
cnt += zero # 这次sum=1，这个sum跟前面等于0的sum异或得1
ans += cnt * (1 << k) # 第k位的异或和相加
print(ans)
例4 二维前缀和
前面的例子都是一位数组上的前缀和，下面介绍二维数组上的前缀和。
例题：领地选择
概况题意：在n×m 的矩形中找一个边长为c的正方形，把正方形内所有坐标点的值相加，使价值最大。
简单的做法是枚举每个坐标，作为正方形左上角，然后算出边长c内所有地块的价值和，找到价值和最高的坐标。时间复杂度 O ( n × m × c 2 ) O(n×m×c^2) O(n×m×c2)，能通过60%的测试。请读者练习。
本题是二维前缀和的直接应用。
一维前缀和定义在一维数组a[]上：sum[i] = a[1] + a[2] + … + a[i]
把一维数组a[]看成一条直线上的坐标，前缀和就是所有坐标值的和。
二维前缀和是一维前缀和的推广。设二维数组a[][]有1~n行，1~m列，二维前缀和：
sum[i][j] = a[1][1]+a[1][2]+a[1][3]+…+a[1][j]
+ a[2][1]+a[2][2]+a[2][3]+…+a[2][j]
+ …
+ a[i][1]+a[i][2]+a[i][3]+…+a[i][j]
把a[i][j]的(i,j)看成二维平面的坐标，那么sum[i][j]就是左下角坐标(1,1)和右上角坐标(i,j)围成的方形中所有坐标点的和。
二维前缀和sum[][]存在以下递推关系：
sum[i][j] = sum[i-1][j]+sum[i][j-1]-sum[i-1][j-1]+a[i][j]
根据这个递推关系，用两种for循环可以算出sum[][]。
对照上图理解这个公式，sum[i-1][j]是坐标(1,1) ~ (i-1, j)内所有的点，sum[i][j-1]是(1,1) ~ (i, j-1)内所有的点，两者相加，其中sum[i-1][j-1]被加了两次，所以要减去一次。
C++代码
#includeJava代码。sum[][]和a[][]可以共用，从而节省一半空间。
import java.util.Scanner;
public class Main {
public static void main(String[] args) {
Scanner scanner = new Scanner(System.in);
int n = scanner.nextInt();
int m = scanner.nextInt();
int c = scanner.nextInt();
int[][] a = new int[n + 1][m + 1];
for (int i = 1; i <= n; i++) {
for (int j = 1; j <= m; j++) {
a[i][j] = scanner.nextInt();
a[i][j] = a[i - 1][j] + a[i][j - 1] - a[i - 1][j - 1] + a[i][j];
}
}
int Max = Integer.MIN_VALUE;
int x = 0;
int y = 0;
for (int x1 = 1; x1 <= n - c + 1; x1++) {
for (int y1 = 1; y1 <= m - c + 1; y1++) {
int x2 = x1 + c - 1;
int y2 = y1 + c - 1;
int ans = a[x2][y2] - a[x2][y1 - 1] - a[x1 - 1][y2] + a[x1 - 1][y1 - 1];
if (ans > Max) {
Max = ans;
x = x1;
y = y1;
}
}
}
System.out.println(x + " " + y);
}
}
Python代码
n, m , c = map(int, input().split())
a = []
a.append([0]*(m+1))
for i in range(0, n):
a.append([int(k) for k in input().split()])
a[i+1].insert(0, 0)
for i in range(1, n+1):
for j in range(1, m+1):
a[i][j] = a[i][j] + a[i-1][j] + a[i][j-1] - a[i-1][j-1]
Max = float('-inf')
for i in range(1, n+2-c):
for j in range(1, m+2-c):
ans = a[i+c-1][j+c-1] - a[i+c-1][j-1] - a[i-1][j+c-1] + a[i-1][j-1]
if ans > Max:
Max = ans
x = i
y = j
print(x, y)
3. 差分
前缀和的主要应用是差分：差分是前缀和的逆运算。
与一维数组a[]对应的差分数组d[]的定义：
d[k]=a[k]-a[k-1]
即原数组a[]的相邻元素的差。根据d[]的定义，可以推出：
a[k]=d[1]+d[2]+…+d[k]
即a[]是d[]的前缀和，所以“差分是前缀和的逆运算”。
为方便理解，把每个a[]看成直线上的坐标。每个d[]看成直线上的小线段，它的两端是相邻的a[]。这些小线段相加，就得到了从起点开始的长线段a[]。
差分是一种处理数据的巧妙而简单的方法，它应用于区间的修改和询问问题。把给定的数据元素集A分成很多区间，对这些区间做很多次操作，每次操作是对某个区间内的所有元素做相同的加减操作，若一个个地修改这个区间内的每个元素，非常耗时。引入“差分数组”，当修改某个区间时，只需要修改这个区间的“端点”，就能记录整个区间的修改，而对端点的修改非常容易，是O(1)复杂度的。当所有的修改操作结束后，再利用差分数组，计算出新的A。
为什么利用差分数组能提升修改的效率？
把区间[L, R]内每个元素a[]加上v，只需要把对应的d[]做以下操作：
（1）把d[L]加上v： d[L] += v
（2）把d[R+1]减去v：d[R+1] -= v
利用d[]，能精确地实现只修改区间内元素的目的，而不会修改区间外的a[]值。根据前缀和a[x] = d[1] + d[2] + … + d[x]，有：
（1）1 ≤ x < L，前缀和a[x]不变；
（2）L ≤ x ≤ R，前缀和a[x]增加了v；
（3）R < x ≤ N，前缀和a[x]不变，因为被d[R+1]中减去的v抵消了。
每次操作只需要修改区间[L, R]的两个端点的d[]值，复杂度是O(1)的。经过这种操作后，原来直接在a[]上做的复杂度为O(n)的区间修改操作，就变成了在d[]上做的复杂度为O(1)的端点操作。完成区间修改并得到d[]后，最后用d[]计算a[]，复杂度是O(n)的。m次区间修改和1次查询，总复杂度为O(m + n)，比暴力法的O(mn)好多了。
数据A可以是一维的线性数组a[]、二维矩阵a[][]、三维立体a[][][]。相应地，定义一维差分数组D[]、二维差分数组D[][]、三维差分数组D[][][]。
4. 差分例题
例5 差分的基本应用
重新排序
本题的m个查询可以统一处理，读入m个查询后，每个a[i]被查询了多少次就知道了。用cnt[i]记录a[i]被查询的次数，cnt[i]*a[i]就是a[i]对总和的贡献。
下面分别给出70%和100%的两种解法。
（1）通过70%的测试。
先计算出cnt[]，然后第15行算出原数组上的总和ans1。
然后计算新数组上的总和。显然，把查询次数最多的数分给最大的数，对总和的贡献最大。对a[]和cnt[]排序，把最大的a[n]与最大的cnt[n]相乘、次大的a[n-1]与次大的cnt[n-1]相乘，等等。代码第18行算出新数组上的总和ans2。
代码的主要计算量是第10行的while和第12行的for，复杂度O(mn)，只能通过70%的测试。
注意，如果把下面第9行的long long改成int，那么只能通过30%。
#include（2）通过100%的测试。本题是差分优化的直接应用。
前面提到，70%的代码效率低的原因是第12行的for循环计算cnt[]。根据差分的应用场景，每次查询的[L, R]就是对a[L]~a[R]中的所有数累加次数加1，也就是对cnt[L]~cnt[R]中的所有cnt[]加1。那么对cnt[]使用差分数组d[]即可。
C++代码。代码第12行用差分数组d[]记录cnt[]的变化，第15行用d[]恢复得到cnt[]。其他部分和前面的70%代码一样。
代码的计算复杂度，10行的while只有O(n)，最耗时的是第17、18行的排序，复杂度O(nlogn)，能通过100%的测试。
#includejava代码
import java.util.*;
public class Main {
public static void main(String[] args) {
Scanner scanner = new Scanner(System.in);
int N = 100003;
int[] a = new int[N];
int[] d = new int[N];
int[] cnt = new int[N];
int n = scanner.nextInt();
for (int i = 1; i <= n; i++) a[i] = scanner.nextInt();
int m = scanner.nextInt();
long ans1 = 0, ans2 = 0;
while (m-- > 0) {
int L = scanner.nextInt();
int R = scanner.nextInt();
d[L]++;
d[R+1]--;
}
cnt[0] = d[0];
for (int i = 1; i <= n; i++) cnt[i] = cnt[i-1] + d[i];
for (int i = 1; i <= n; i++) ans1 += (long) a[i] * cnt[i];
Arrays.sort(a, 1, n+1);
Arrays.sort(cnt, 1, n+1);
for (int i = 1; i <= n; i++) ans2 += (long) a[i] * cnt[i];
System.out.println(ans2 - ans1);
scanner.close();
}
}
Python代码
N = 100003
a = [0] * N
d = [0] * N
cnt = [0] * N
n = int(input())
a[1:n+1] = map(int, input().split())
m = int(input())
ans1 = 0
ans2 = 0
for _ in range(m):
L, R = map(int, input().split())
d[L] += 1
d[R+1] -= 1
cnt[0] = d[0]
for i in range(1, n+1): cnt[i] = cnt[i-1] + d[i]
for i in range(1, n+1): ans1 += a[i] * cnt[i]
a[1:n+1] = sorted(a[1:n+1])
cnt[1:n+1] = sorted(cnt[1:n+1])
for i in range(1, n+1): ans2 += a[i] * cnt[i]
print(ans2 - ans1)
例6 差分的基本应用
推箱子
题解 https://blog.csdn.net/weixin_43914593/article/details/131730112