斜率优化
从入门到提高到放弃
今天本来说复习计算几何的凸包(顺便学一下动态凸包),结果教练给我们的凸包题目全是用凸包来优化DP的,汗-_-||,开始还行吧,结果越到后面越懵逼……
斜率怎么用来做优化?
因为许多的DP都是一个方程,而DP一般都是求解最优值,也就是最大或最小等等,大多形如:
dp[i]=max/min{j<ij=1{dp[j]+calc(i,j)} d p [ i ] = m a x / m i n { j = 1 j < i { d p [ j ] + c a l c ( i , j ) }
最初都是 O(n2) O ( n 2 ) 的复杂度,但是我们可以令两个值 j,k j , k ,并假设从 j j 转移到比从 k k 转移到更优秀,于是便可以得到一个不等式, dp[j]+calc(i,j)<dp[k]+calc(i,k) d p [ j ] + c a l c ( i , j ) < d p [ k ] + c a l c ( i , k ) (这里假设求最小值),然后移项整理合并就可以得出一个类似于如下式子的关系:
(dp[j]−dp[k]+calc(i,j)−calc(i,k)<0 ( d p [ j ] − d p [ k ] + c a l c ( i , j ) − c a l c ( i , k ) < 0
然后我们选择一个跟 i i 有关的项作为斜率,式子就变成了:
上面这是第一种(应该好理解吧),下面一种就是从坐标系来分析。
我们写出DP转移方程并化为类似的直线方程,如 y=kx+b y = k x + b ,那么我们一般将要求的答案放到 b b ,然后就转换成求该直线(也就是截距式)的纵截距的最值(纵截距也就是的值)。然后就还是凸包搞了。然后又分为了大体三种情况:
- 第一种:就是斜率是随着 x,y x , y 的单调变化而单调的,这种最简单,根据具体情况一个优先队列维护一个凸壳就可以解决啦。
- 第二种:就是我们令式子其中的两个与 j j 或有关的式子为 x,y x , y ,在斜率中有一个是单调的,那么另一个就可以二分查找,还是一个类似与单调队列的东西,只不过每次取队首变成了在之前的部分二分查找最优解。
- 第三种:
也是想让人放弃的一种, x,y x , y 都不单调,没啥规律,那么只有动态维护凸壳(有时会是两个凸壳),朴素的在线做法为treap或者splay(或者直接用STL的map或set)维护凸包,然后查询最优解。如果不强制要求在线,那么神奇的CDQ分治就可以派上用场啦,用归并的思想,因为有时一般求 dp[i] d p [ i ] 时只会用 i−1 i − 1 之前的,那么分治归并,先按照第一关键量的要求排序,然后递归处理第二关键量,(这里的第一第二关键量一般就是x,y了),递归l,r区间的时候先处理(l,mid)的情况,然后将影响转移到(mid+1,r),然后再处理(mid+1,r),一般 O(nlog2n) O ( n l o g 2 n ) 的时间就能解决了。(个人认为数据结构难写但好理解,而CDQ代码量少多了,但不太好理解)。