从一个问题开始
真正理解斜率优化dp
orz ISA
1 问题
Apio 2010 特别行动队
1.1 题意简述
给出一个序列
x1,x2...xn
,将其划分成若干个连续的区间,每一段区间
[l,r]
的价值为
ax2+bx+c
,其中
x=∑i=lrxi
现在你需要最大化序列的价值
1.2 数据范围
对于
20%
的数据,
n≤1000
对于
100%
的数据,
1≤n≤106
,
−5≤a≤−1
,
|b|≤107
,
|c|≤107
,
1≤xi≤100
1.3 讨论
1.3.1 20pts
令
f(i)
表示将序列的前i个划分若干段的最大价值,
si
表示序列的前缀和
直接根据题意,可以列出状态转移方程
f(i)=max{f(j)+a∗(si−sj)2+b∗(si−sj)+c},1≤j<i
然后直接dp就可以了
时间复杂度
O(n2)
1.3.2 100pts
数据范围只能允许一个 O(n) 级别的算法
将转移方程进一步展开,能得到
f(i)=max{f(j)+as2i−2asisj+as2j+bsi−bsj+c},1≤j<i
将其顺序调整,写成下面的形式
f(i)=max{−2asjsi+f(j)+as2j−bsj+as2i+bsi+c},1≤j<i
观察这个式子
首先,最后三项,只和
a,b,c
以及
si
有关。换句话说,在求
f(i)
的值时,这三项是与
j
的选取无关的,我们称之为常数项
对于常数项,可以直接将其拿到max之外
然后再观察前面4项,可以发现
si
是与
j
的选取无关的,只与
si
有什么性质?
si
为正项序列的前缀和,显然它一定是对于
1...n
单调递增的
在求解
f(i)
的过程中,我们也一定是按照
1...n
的顺序求,也就是说,在求解
f(i)
的过程中
si
单调递增
我们考虑将前四项抽象成一条直线
令
y=kx+b
其中
k=−2asj
,
b=f(j)+as2j−bsj
也就是说,对于每一个
j(1≤j≤n)
,都有一条确定的直线
那么在求解
f(i)
的时候,对于之前的一个确定的
j
,将
如果枚举每一个
但是我们现在不能枚举,需要直接求出,也就是说,需要确定一条能取到最优值的直线
所以说,什么是斜率优化dp?
对于每一个
i(1≤i≤n)
,将
i
抽象成一条直线
求
根据直线的斜率和自变量的增减关系,维护出一个
O(n)
的算法
明白了这个之后,就已经基本上明白了斜率优化的大体过程
1.4 题解
对于这道题来说
由于
−5≤a≤−1
,可以得出
k>0
,即所有直线的斜率为正
由于
si
单增,求
f(i)
的过程中,顺次加入直线,直线的斜率也始终单增
维护一个斜率单增的单调双端队列,两个指针l,r
每一次加入一条直线
yi
之前,判断队首的两条直线
yl
和
yl+1
在
si
处的函数值,如果
yl≤yl+1
,说明直线
yl
已不是最优值,并且以后也不可能成为最优值,将其出队
计算
f(i)
,此时最优的直线即为队首的直线
yl
加入直线
yi
,如果
yi
与
yr−1
已经将
yr
完全覆盖,那么将
yr
弹出
举个栗子
在求解
f(3)
的时候,需要查看
f(1)
和
f(2)
所表示的两条直线在
s3
处的函数值,然后取最大
如图所示,显然选
y2
比选
y1
要优
由于
si
单增,以后在求解
f(4)、f(5)...
的时候,这两条直线在
s4、s5...
处的函数值
y1
也不可能比
y2
更优,所以
y1
实际上就已经可以扔掉了
还有一种情况
可以发现,顺次插入
y1,y2,y3
这三条直线,因为要取最大值,
y2
实际上已经被
y1
和
y3
完全覆盖了,无论
si
取何值,它都已经不可能成为最优的答案,这个时候
y2
也可以扔掉了
实际上就是维护了一个下凸壳啊
我刚开始不明白为什么完全覆盖的要扔掉,不扔直接做不行么
这里有一个反例
此时
y1
和
y3
已经将
y2
完全覆盖,应该扔掉
但是如果不扔掉的话,查询此时在
s4
处的最优值
显然
y1>y2
,这个时候会默认
y1
即为最优值,不会将
y1
弹出
而实际上
y3
才是真正的最优值
所以判断是否有两条直线将另外一条覆盖是完全必要的
如何判断两条直线已经被另一条直线覆盖?
知识储备:初中数学
如上图,令
y1=k1x+b1,y2=k2x+b2,y3=k3x+b3
则求
y1
与
y3
的交点横纵坐标为
k1x+b1=k3x+b3
x=b3−b1k1−k3
y=k1b3−b1k1−k3+b1
然后求
y2
在
x
处的函数值
若
y2≤y
即
k2b3−b1k1−k3+b2≤k1b3−b1k1−k3+b1
b3−b1k1−k3≤b2−b1k1−k2
(k1−k3)∗(b2−b1)≤(k1−k2)∗(b3−b1)
那么直线
y2
已经被
y1
和
y3
完全覆盖
如果斜率为负或者斜率单减的话别搞错了正负号就好
这就是整个斜率优化的过程
1.5 代码
代码简洁清晰明了
#include<algorithm>
#include<iostream>
#include<cstring>
#include<cstdio>
#include<cmath>
using namespace std;
#define LL long long
#define N 1000005
int n,l,r;
LL a,b,c,x;
int q[N];
LL s[N],f[N];
LL K(int j) {return -2*a*s[j];}
LL B(int j) {return f[j]+a*s[j]*s[j]-b*s[j];}
LL Y(int i,int j) {return K(j)*s[i]+B(j);}
bool cover(int x1,int x2,int x3)
{
LL w1=(K(x1)-K(x3))*(B(x2)-B(x1));
LL w2=(K(x1)-K(x2))*(B(x3)-B(x1));
return w1<=w2;
}
int main()
{
scanf("%d",&n);
scanf("%lld%lld%lld",&a,&b,&c);
for (int i=1;i<=n;++i) scanf("%lld",&x),s[i]=s[i-1]+x;
l=r=0;
for (int i=1;i<=n;++i)
{
while (l<r&&Y(i,q[l])<=Y(i,q[l+1])) ++l;
f[i]=Y(i,q[l])+a*s[i]*s[i]+b*s[i]+c;
while (l<r&&cover(i,q[r],q[r-1])) --r;
q[++r]=i;
}
printf("%lld\n",f[n]);
}
2 斜率优化dp
2.1 常见形式
斜率优化dp的状态转移方程有一些比较特殊的性质:
- 求解最值
- 每一个状态能转化成一条直线
- 在求解某一个状态时,因变量为求解的状态值,自变量为与这个状态相关的量
- 自变量满足单调性,斜率满足单调性
2.2 基本方法
- 将状态转移方程化成能表示成直线的形式
- 找出自变量、因变量、斜率、截距,讨论自变量的单调性、斜率的正负及单调性
- 维护单调双端队列,维护上凸/下凸壳
3 相关题目
题目难度尽量递增
ps 原来写的代码都好丑
bzoj1597 土地购买
http://blog.csdn.net/clove_unique/article/details/51244336
bzoj3156 防御准备
http://blog.csdn.net/clove_unique/article/details/51250213
bzoj3437 小P的牧场
http://blog.csdn.net/clove_unique/article/details/51297305
bzoj1010 hnoi2008 玩具装箱
http://blog.csdn.net/Clove_unique/article/details/51225398
bzoj3675 apio2014 序列分割
http://blog.csdn.net/clove_unique/article/details/51297313
bzoj1096 zjoi2007 仓库建设
http://blog.csdn.net/clove_unique/article/details/51244357
bzoj4518 sdoi2016 征途
http://blog.csdn.net/clove_unique/article/details/51224588