嵌套区间计数算法：从暴力解法到Fenwick树优化

1. 嵌套区间计数问题概述

嵌套区间计数（Nested Ranges Count）是计算几何和算法设计中的一个经典问题，主要研究如何高效统计一组区间中相互包含关系的数量。给定n个区间[l_i, r_i]，我们需要找出每个区间被多少个其他区间完全包含（即满足l_j ≤ l_i且r_i ≤ r_j的区间j的数量）。这个问题在日程调度、基因组比对、IP地址匹配等场景都有重要应用。

2. 问题建模与暴力解法

2.1 基本定义

对于区间集合S = {[l_1,r_1], [l_2,r_2], ..., [l_n,r_n]}，定义区间i被区间j包含当且仅当：

• l_j ≤ l_i
• r_i ≤ r_j

2.2 暴力解法实现

最直观的解法是双重循环比较所有区间对：

python复制def nested_ranges_naive(intervals):
    n = len(intervals)
    counts = [0] * n
    for i in range(n):
        l_i, r_i = intervals[i]
        for j in range(n):
            if i == j:
                continue
            l_j, r_j = intervals[j]
            if l_j <= l_i and r_i <= r_j:
                counts[i] += 1
    return counts

时间复杂度分析：

• 外层循环n次
• 内层循环n次
• 总时间复杂度O(n²)

当n较大时（如n=10^5），这种解法显然不可行。

3. 基于排序与二叉索引树的优化解法

3.1 算法思路

1. 将所有区间按左端点升序排序，左端点相同时按右端点降序排序
2. 使用二叉索引树（Fenwick Tree）维护右端点的统计信息
3. 从右向左处理区间，查询当前区间右端点之前的计数

3.2 具体实现步骤

python复制class FenwickTree:
    def __init__(self, size):
        self.size = size
        self.tree = [0] * (size + 1)
    
    def update(self, index, delta=1):
        while index <= self.size:
            self.tree[index] += delta
            index += index & -index
    
    def query(self, index):
        res = 0
        while index > 0:
            res += self.tree[index]
            index -= index & -index
        return res

def nested_ranges_optimized(intervals):
    # 坐标压缩
    sorted_ends = sorted({r for _, r in intervals})
    rank = {v: i+1 for i, v in enumerate(sorted_ends)}
    
    # 排序区间
    sorted_intervals = sorted(
        [(l, r, i) for i, (l, r) in enumerate(intervals)],
        key=lambda x: (x[0], -x[1])
    )
    
    n = len(intervals)
    fenwick = FenwickTree(len(sorted_ends))
    counts = [0] * n
    
    # 从右向左处理
    for i in range(n-1, -1, -1):
        l, r, original_idx = sorted_intervals[i]
        compressed_r = rank[r]
        counts[original_idx] = fenwick.query(compressed_r)
        fenwick.update(compressed_r)
    
    return counts

3.3 复杂度分析

• 排序：O(n log n)
• 坐标压缩：O(n log n)
• Fenwick树操作：每次O(log n)，共n次
• 总时间复杂度：O(n log n)
• 空间复杂度：O(n)

4. 算法正确性证明

4.1 排序策略的有效性

将区间按左端点升序、右端点降序排列后，对于任意区间i：

• 在其左侧的区间j满足l_j ≤ l_i
• 由于处理顺序是从右向左，当处理i时，树中只包含右端点≥r_i的区间（因为r_j ≥ r_i的区间j已经被处理过）

4.2 查询操作的正确性

Fenwick树查询r_i位置的前缀和，得到的是右端点≤r_i的区间数量。由于我们按右端点降序处理，这些区间必然满足r_j ≥ r_i，因此查询结果就是包含当前区间的区间数量。

5. 实际应用与变种问题

5.1 实际应用场景

1. 日程安排系统：统计每个时间段被多少更长时间段完全包含
2. 基因组分析：查找DNA序列中完全包含的重复片段
3. 网络流量分析：识别包含关系的IP地址范围

5.2 常见变种问题

1. 对称嵌套计数：同时统计每个区间包含多少区间和被多少区间包含
2. 加权嵌套计数：每个区间有权重，计算被包含区间的权重和
3. 动态嵌套计数：支持区间插入和删除操作

6. 性能优化技巧

6.1 坐标压缩优化

当右端点范围很大时（如1e9），直接建立Fenwick树会消耗过多内存。通过将右端点映射到排序后的秩，可以将空间复杂度从O(max_r)降到O(n)。

6.2 处理重复区间

当存在完全相同的区间时，上述算法会将其视为相互包含。如果需要区分这种情况，可以在排序时加入原始索引作为第三关键字。

6.3 并行化处理

对于超大规模数据（n>1e6），可以将区间分块排序后并行处理，最后合并结果。

7. 测试用例设计

7.1 基础测试用例

python复制intervals = [(1,5), (2,6), (3,4), (7,8)]
# 预期输出: [1,1,2,0]

7.2 边界测试用例

1. 空区间列表：[] → []
2. 单区间：[(1,2)] → [0]
3. 完全相同的区间：[(1,2),(1,2)] → [1,1]

7.3 性能测试用例

生成10^5个随机区间，验证算法在1秒内完成计算。

8. 与其他区间问题的对比

8.1 与区间重叠问题的区别

区间重叠统计的是有交集的区间数量，而嵌套区间要求完全包含关系。前者通常使用扫描线算法，后者更适合用排序+Fenwick树的方法。

8.2 与区间点覆盖问题的关系

区间点覆盖是选择最少的点使得每个区间至少包含一个点，而嵌套区间计数关注的是区间之间的包含关系。两者可以结合解决更复杂的问题。

9. 扩展阅读与参考资料

1. 《算法导论》中关于区间树和几何搜索的章节
2. Fenwick树的原始论文：Peter M. Fenwick, "A New Data Structure for Cumulative Frequency Tables", 1994
3. 计算几何中的平面扫描技术
4. 线段树在区间问题中的应用

10. 实际编码注意事项

1. 在实现Fenwick树时，注意索引从1开始的设计
2. 处理大型数据集时，使用生成器而非列表保存中间结果
3. 在工业级实现中，考虑添加输入验证和异常处理
4. 对于C++实现，可以使用STL的sort和lower_bound简化代码

提示：在竞赛编程中，这个问题常见于Codeforces和AtCoder的D/E难度题目，通常需要将标准解法优化到极致才能通过所有测试用例。