树结构距离计算：算法原理与工程实践

1. 项目概述

"Tree Distances I"这个标题乍看简单，实则暗藏玄机。作为一名常年与算法打交道的开发者，我第一眼就意识到这很可能指向树结构（Tree）中的距离计算问题。树作为一种非线性数据结构，在计算机科学领域有着广泛应用——从文件系统的目录结构到数据库索引的B+树，从网络路由拓扑到机器学习中的决策树，几乎无处不在。

在实际开发中，我们经常需要计算树节点之间的各种距离。比如社交网络分析中用户关系的亲疏判断、组织架构图中部门层级的关联强度、编译器优化中语法树节点的依赖关系等。这类问题看似基础，但高效的解决方案往往需要深入理解树的遍历算法和动态规划思想。

2. 核心算法解析

2.1 问题定义

树距离问题通常定义为：给定一棵具有n个节点的树（无向无环连通图），要求高效计算出所有节点对之间的某种距离度量。最常见的距离定义包括：

1. 简单路径距离：两个节点之间唯一路径的边数
2. 加权路径距离：边上带有权值时路径上所有边的权重和
3. 特定约束距离：如必须经过某个关键节点的最短路径

以最基本的简单路径距离为例，对于n个节点的树，直接计算所有节点对距离的暴力解法时间复杂度是O(n³)——对每个节点进行BFS/DFS遍历需要O(n)时间，共n个节点。这在n较大时（如10^5量级）完全不可行。

2.2 经典解决方案

经过业界多年探索，已经发展出几种经典优化方案：

1. 二次遍历法：通过两次DFS遍历计算所有节点到根节点的距离，再利用LCA（最低公共祖先）技术推导任意两点距离。时间复杂度O(nlogn)预处理，O(1)查询。

python复制def compute_distances(tree):
    # 第一次DFS：计算深度和父节点
    depth = [0] * len(tree)
    parent = [[-1]*20 for _ in range(len(tree))]  # 二进制提升表
    
    stack = [(0, -1)]
    while stack:
        u, p = stack.pop()
        parent[u][0] = p
        for v in tree[u]:
            if v != p: