[HDU3507] [2010多校联考7] Print Article [斜率优化][dp]

[$\mathfrak{L}\mathfrak{i}\mathfrak{n}\mathfrak{k}$]

---

$\sum _{a=1}^n\sum _{b=1}^n\sum _{c=1}^n\sum _{d=1}^n\sum _{e=1}^n\sum _{f=1}^n\sum _{g=1}^n\sum _{h=1}^n\sum _{i=1}^n\sum _{j=1}^n\sum _{k=1}^n\sum _{l=1}^n\sum _{m=1}^n\sum _{n=1}^n\sum _{o=1}^n\sum _{p=1}^n\sum _{q=1}^n\sum _{r=1}^n\sum _{s=1}^n\sum _{t=1}^n\sum _{u=1}^n\sum _{v=1}^n\sum _{w=1}^n\sum _{x=1}^n\sum _{y=1}^n\sum _{z=1}^n$

---

注意有多组数据。
题目摆了一个大大的$(\sum _{i=1}^k{\mathcal{C}}_i{)}^2+\mathcal{M}$
前缀和、区间和记为$\mathcal{S}(i)$和$\mathcal{S}(i,j)$。
非常显然的$dp$，先裂一个柿子 F ( i ) = m i n { F ( j ) + c o s t ( j + 1... i ) } \mathcal{F(i)=min\{F(j)+cost(j+1...i)\}} F(i)=min{F(j)+cost(j+1...i)}也即
F ( i ) = m i n { F ( j ) + M + [ S ( i ) − S ( j − 1 ) ] 2 } , j ∈ [ 1 , i ) \mathcal{F(i)=min\{F(j)+M+[S(i)-S(j-1)]^2\},j\in[1,i)} F(i)=min{F(j)+M+[S(i)−S(j−1)]2},j∈[1,i)这布星$\Theta (n^2)$
上面的柿子比较好康，容易联想到单调队列 F ( i ) = m a x / m i n { F ( j ) + G ( j ) } \mathcal{F(i)=max/min\{F(j)+G(j)\}} F(i)=max/min{F(j)+G(j)}。
然鹅形式是 F ( i ) = m a x / m i n { F ( j ) + G ( i , j ) } \mathcal{F(i)=max/min\{F(j)+G(i,j)\}} F(i)=max/min{F(j)+G(i,j)}；怎么拌？

---

这一部分讨论的不是常规的单调队列+斜率优化，可以先看下面的再上来
没办法化成别的什么形式。有没有决策单调性？
我们现在$i-1$从$j$转移过来，$i$从$j^{\prime }$转移过来，有没有$j^{\prime }\ge j$、
比如$(\sum _{i=1}^k{\mathcal{C}}_i{)}^2+\mathcal{M}$现在$++i$变成$(\sum _{i=1}^k{\mathcal{C}}_i{)}^2+2(\sum _{i=1}^k{\mathcal{C}}_i){\mathcal{C}}_{i+1}+{\mathcal{C}}_{i+1}^2+\mathcal{M}$
如果多分一份就是$(\sum _{i=1}^k{\mathcal{C}}_i{)}^2+{\mathcal{C}}_{i+1}^2+2\mathcal{M}$，$\Delta =\mathcal{M}-2(\sum _{i=1}^k{\mathcal{C}}_i){\mathcal{C}}_{i+1}$
多分一份优即$\Delta \le 0$那么已经多分一份了之后决策就不会把多分这一份的时间推前。
因为推前了，前面亏、后面也亏。推后倒是有可能的。
于是我们$fa$现了这样一个十分简单好写的决策单调性——这题连决策点都是单调的
然后就可以愉快$\Theta (n)$。
我不会证所以这些都是扯淡，大家可以自己试一试
决策单调性是不是看起来有点像贪心啊

了解斜率优化过后这种做法可能更好理解。
如果把斜率优化那个过程模拟一下，又因为这道题$\mathcal{F}uncion\mathcal{O}f(k)$有个单调性，
不难发现决策点一定是越来越靠后的。所以……
事实上（至少对于这道题目）好像没有必要开个单调队列吧？
嗯嗯？唔呣？？？

---

#include<cstdio>
long long s[500005], f[500005];
int n, m;
int main() {
	while (~scanf("%d%d", &n, &m)) {
		for (int i(1); i <= n; s[i] += s[i-1], ++i) scanf("%lld", &s[i]);
		for (int i(1), p(0); i <= n; ++i) {
			f[i] = s[i] * s[i] + m;
			for (int j(p); j < i; ++j) {
				long long temp(f[j] + (s[i] - s[j]) * (s[i] - s[j]) + m);
				if (temp <= f[i]) f[i] = temp, p = j;
			}
		} printf("%lld\n", f[n]);
	} return 0;
}

---

斜率优化
式子形如 F ( i ) = m i n { F ( j ) + G ( i , j ) } \mathcal{F(i)=min\{F(j)+G(i,j)\}} F(i)=min{F(j)+G(i,j)}
现在我们要找到用前面的哪个决策来更新当前决策最优
这个最优的定义是相对的，并不好维护。能够降低它的复杂度意味着还有别的性质。

$dp$能够有的特殊性质倒不多，可以考虑到的比如说决策单调性？
决策单调性也就是说比如现在$a<b<c<d$，
如果用$b$来更新$c$最优，那么$a$更新$d$至少不比用$c$好。
简单的决策单调性比如单调队列、四边形不等式一类的。
但是这道题目带了一个$\mathcal{G}(i,j)$。

本题的决策单调性可以乱搞瞎蒙意证得到，就不多解释了（
$\mathcal{G}(i,j)$怎么搞？
这么讲可能都比较模糊，我们考虑一下是不是能够用更加直观的形式来表示决策单调性。
我们可以把决策看作多个不同的点，把前面的点更新后面的点的优劣程度看作斜率
为什么这么看？大概脑内模拟一下，维护决策单调性的感觉跟动态维护凸包很像吧？

在维护凸包之前先来讨论一下这个式子要怎么转化成斜率的形式、
用$i(x_i,y_i)$更新$k(x_k,y_k)$比用$j(x_j,y_j)$更好
首先容易得到$\mathcal{F}(i)+\mathcal{M}+{\mathcal{S}}^2(i+1,k)<\mathcal{F}(j)+\mathcal{M}+{\mathcal{S}}^2(j+1.k)$
要转化为$\frac{y(i)-y(j)}{x(i)-x(j)}(</>)\mathcal{F}unction\mathcal{O}f(k)$：化式子。过程不难自己推（

先变成$\mathcal{F}(i)-\mathcal{F}(j)<[\mathcal{S}(k)-\mathcal{S}(j-1){]}^2-[\mathcal{S}(k)-\mathcal{S}(i-1){]}^2$

又变成$\mathcal{F}(i)-\mathcal{F}(j)<-2\mathcal{S}(k)\mathcal{S}(j-1)+{\mathcal{S}}^2(j-1)+2\mathcal{S}(k)\mathcal{S}(i-1)-{\mathcal{S}}^2(i-1)$

再变成$\mathcal{F}(i)+{\mathcal{S}}^2(i-1)-\mathcal{F}(j)-{\mathcal{S}}^2(j-1)<2[\mathcal{S}(i-1)-\mathcal{S}(j-1)]\mathcal{S}(k)$

最后得到$\frac{[\mathcal{F}(i)+{\mathcal{S}}^2(i-1)]-[\mathcal{F}(j)+{\mathcal{S}}^2(j-1)]}{\mathcal{S}(i-1)-\mathcal{S}(j-1)}<2\mathcal{S}(k)$
分母（警觉） 小心不要devided by zero(
那么$y_i=\mathcal{F}(i)+{\mathcal{S}}^2(i-1),x_i=\mathcal{S}(i-1)$
好像成功了（

注意上面提到的这种形式实质上还没有利用到决策单调性；
然而这个时候我们已经可以做初步优化了。
二分查找小于$k$的凸集里，斜率$<2\mathcal{S}(k)$且最大的边。
于是就可以用这个边靠后的那个点来更新$k$。这个要多一个$log$；

因为显然这道题的$\mathcal{F}unction\mathcal{O}f(k)=2\mathcal{S}(k)$显然单调不递减并且x(i)单调
然后就可以单调队列
每次得到$\mathcal{F}(i)$前删掉队头不优于后面一个点的点（边斜率过小）；
向凸包中加入$i$点前删掉队尾那些会被新凸包包含的点（边斜率过大）；
虽然感觉很显然但是这么说起来可能有点奇怪，斜率又要小又不能小的？

也许画个图比较好理解、或者说，
其中第一种情况（边斜率过小）在没有单调性的时候是不能删除然后直接用队头计算$\mathcal{F}(i)$的
（至于没有单调性的时候具体要怎么搞上面也说过了，二分）
也就是说第一种情况的删除是对复杂度的优化。
所以并不是被限制不能小，而是我们主动把没必要计算的那一部分删除掉；
第二种情况为什么要维护凸壳应该不用多解释大家都是茗白人（）
然后就可以写单调队列了。

我不好画图，看大米饼的博客可能比较好懂一点
实际上理解为化成$y=kx+b$求$max/min(b)$也比较好操作。
比较斜率的部分改成用叉积也是可以的。
代码：卜

---

总的来说适用范围更广的还是二分，不过多了一个$log$
对于横坐标都不单调的那些可以搞离线啊搞$cdq$啊搞$\mathcal{S}paly$啦比如$bzoj1492$