一、斜率优化DP与决策单调性
这里浅显(并且不严谨)地说明一下标题中的两个名词:
斜率优化DP:状态转移方程形如f[i]=min/max{f[k]+(x[i]-x[k])^y}的一类DP问题;
决策单调性:若对于状态i,有决策t<k,且k优于t,则对于任意状态v>i,存在决策k优于t。
对以上两条说明的不严谨与模糊之处,下文将结合题目给出(依旧不严谨且模糊的)一定程度上的解释。
二、题目
Description
Input
Output
一个数,最小方差乘以 m^2 后的值
Sample Input
Sample Output
HINT
1≤n≤3000,保证从 S 到 T 的总路程不超过 30000
附上原题链接→_→
三、题目分析
为方便书写,作出如下约定:
a[i]:题目给出的第i段路程长;
sum[i]:路程长的前缀和;
x[i]:第i天走过的路程总和。
根据题意,每天走过的路程长度的方差表示为:
整理得:
显然,由于上式中只有x[i]为变量,问题自然转化成了求∑x2[i]的最小值。
设计状态转移方程如下:
其中,f[i][j]表示前j天走过前i段路程,每天路程平方和的最小值。
观察到状态转移方程的形式基本符合斜率优化DP的形式,于是固定j,并:
令t<k:
当t优于k:
整理得:
同理,当k优于t:
由于s[i]单调递增,故若在状态i下有k优于t,则对于任意v>i,存在k优于t。
这就意味着,如果我们在某个状态时发现决策k优于t,我们便再也不需要访问决策t了。这就利用决策单调性,达到了降低时间复杂度的效果。
此外,还可以发现,在某个状态下的有效决策形成了一个下凸壳。粗略证明如下:
设坐标系中存在点A、B、C,其横坐标单调递增,其对应决策简称为决策A、B、C
当B的纵坐标大于A、C的纵坐标(形成了一个上凸壳):
- 2s[i]<kBC:决策A优于决策B,决策B优于决策C,故决策A最优;
- kBC<2s[i]<kAB:决策A优于决策B,决策C优于决策B,故决策A或C最优;
- 2s[i]>kAB:决策B优于决策A,决策C优于决策B,故决策C最优。
以上,形成上凸壳时,决策B不可能成为最优决策,故删去点B,上凸壳性质被破坏;
同理,当B的纵坐标小于A、C的纵坐标(形成了一个下凸壳):
- 2s[i]<kAB:决策A优于决策B,决策B优于决策C,故决策A最优;
- kAB<2s[i]<kBC:决策B优于决策A,决策B优于决策C,故决策B最优;
- 2s[i]>kBC:决策B优于决策A,决策C优于决策B,故决策C最优。
故形成下凸壳时,所有决策均有可能成为最优决策。
这样,我们用一个双端队列就能维护可能成为最优决策的的决策,始终保证队首元素最优,队列满足下凸壳性质。
四、代码实现
其实f数组不需要开二维,因为我们每次只用到了f[i][j]和f[i][j-1],所以可以再压去一维。但为方便理解,博主仍使用二维f数组。
1 #include2 const int MAXN=3e3+10; 3 int n,m; 4 int s[MAXN]; 5 int q[MAXN],l,r; 6 long long f[MAXN][MAXN]; 7 double count_y(int k,int j){ return f[k][j-1]+s[k]*s[k];} 8 double count(int t,int k,int j){ return (count_y(t,j)-count_y(k,j))/(s[t]-s[k]);} 9 int main()10 {11 scanf("%d%d",&n,&m);12 for(int i=1;i<=n;++i)13 {14 int x;15 scanf("%d",&x);16 s[i]=s[i-1]+x;17 }18 for(int i=1;i<=n;++i)f[i][1]=s[i]*s[i];19 for(int j=2;j<=m;++j)20 {21 l=1,r=1;22 for(int i=1;i<=n;++i)23 {24 while(l <2*s[i])++l;25 int temp=q[l];26 f[i][j]=f[temp][j-1]+(s[i]-s[temp])*(s[i]-s[temp]);27 while(l
弱弱地说一句,本蒟蒻码字也不容易,转载请注明出处