题解:
不考虑那么大的数据范围,首先我们可以想出它的dp解法,dp[i][k]表示前i个数字分成k段的最大分值,那么转移方程则为:
dp[i][k]=max(dp[j][k-1]+sum[j]*(sum[i]-sum[j]));
然而这样做的话很明显是k×n^2的算法,对于100000的数据来说即使k只有200也是会超时的,因此我们要想办法降低一维复杂度使得算法变为n×k的复杂度,而降低动态规划复杂度一般都是通过降低状态转移的那一维即枚举j的复杂度,这就用到了斜率优化。
根据斜率优化一贯的做法,假如存在两个决策点k1,k2且k1 < k2,设在更新i点的dp值dp[i][t+1]时k2优于k1,则存在:
dp[k1][t]+sum[k1]∗(sum[i]−sum[k1])<dp[k2][t]+sum[k2]∗(sum[i]−sum[k2])
将这个不等式变化之后得到:
(dp[k1][t]-sum[k1]^2)-(dp[k2][t]-sum[k2]^2)
_________________________________________ <sum[i]
sum[k2]-sum[k1]
记slope[ k1,k2 ] =左边的式子,那么我们发现有两个性质:
1.当 slope[ k1,k2 ] < sum[i]时对于i点来说k2决策优于k1且永远优于k1,因为序列中的每一个数都是非负数,对于任意x> i来说 sum[x]>=sum[i] 当 slope[ k1,k2 ] < sum[i] 时一定有 slope[ k1,k2 ] < sum[x] 因此每一个决策都具有单调性,即当 slope[ k1,k2 ] < sum[i] ,那么对于i以后的点k1永远没用。
2ÿ