OI补完计划——Day2斜率优化

Day2

{前一天在火车上晃荡了一下午，今天来补上吧，昨天到省实验发现学生宿舍里没有床铺，连个垫子也没有。我们无奈去附近的批发市场买来了凉席和夏凉被，可是床板的硬度真不敢恭维。。。}

今天补上前天的欠账。斜率优化。。。

动态规划是一种非常重要的思想，它的重点在于合理的表示出问题中的状态，不重不漏，让问题变得合理有序，状态之间并可以高效的转移，从而方便地解决问题。

然而，一个方程在转移过程中可能会做许多无用功。这时我们就要合理的优化状态转移过程，舍弃那些一定不为最优解的决策，是动态规划得到优化。而怎样判断什么一定不是最优决策呢？这是我们就要去探求决定决策一与决策二优劣程度的内在条件，有时他是和状态无关的（当前状态一旦确定，那么两个决策的优劣程度就确定了）。看起来括号里的是废话，但如果我们将上一个状态的决策优劣程度应用于当前的决策，我们就可以，不必循环所有决策就可以找到最优决策，当然这是某些情况下。

斜率优化便是利用这样的思想，巧妙的利用斜率的大小将决策的优劣程度直观的展现出来，使问题的时间复杂度大幅下降，甚至到达问题的下界。这是一个经典的思想，直观的表示，高效的转移，极低的编程复杂度，使它成为优秀的算法。

{又罗嗦了一堆，下面今日正题。。。}

先来看一个例题：

【问题描述】

N个任务排成一个序列在一台机器上等待完成（顺序不得改变），这N个任务被分成若干批，每批包含相邻的若干任务。从时刻0开始，这些任务被分批加工，第i个任务单独完成所需的时间是Ti。在每批任务开始前，机器需要启动时间S，而完成这批任务所需的时间是各个任务需要时间的总和（同一批任务将在同一时刻完成）。每个任务的费用是它的完成时刻乘以一个费用系数Fi。请确定一个分组方案，使得总费用最小。

例如：S=1；T={1,3,4,2,1}；F={3,2,3,3,4}。如果分组方案是{1,2}、{3}、{4,5}，则完成时间分别为{5,5,10,14,14}，费用C={15,10,30,42,56}，总费用就是153。

【输入格式】

第一行是N(1<=N<=5000)。

第二行是S(0<=S<=50)。

下面N行每行有一对数，分别为Ti和Fi，均为不大于100的正整数，表示第i个任务单独完成所需的时间是Ti及其费用系数Fi。

【输出格式】

一个数，最小的总费用。

【输入样例】batch.in

5

1

1 3

3 2

4 3

2 3

1 4

【输出样例】batch.out

153

{话说当时我连N^2的算法也没有想到，惭愧啊}

直接上方程吧。。。

Start表示启动时间，sumT[i]表示前i个任务的时间和，sumF[i]表示i到n的费用和。

考虑对于确定状态i来说的，a和b两个决策。

假设决策a优于决策b，即：

变形得： 

观察发现关于决策的几项被放在了同一边，那么便符合了上文提到的”决策优劣的无关性’’。此时考虑表达式的形式，有些与斜率形似。那么是否可以考虑使用数形结合呢？

将决策排成一排（如图中的节点），那么相邻两个节点间的连线的斜率便可以表示，关系始终的左侧。而右侧是关于i的表达式，他是判断状态i时两决策优劣的标准，即用斜率的之和标准比较即可得到优劣关系，而决策间的斜率是和状态无关的，以下称之为筛选斜率。

那么对于斜率不断增大的一排点来说，若队头两点的斜率大于筛选斜率，那么对优劣性来说，前一个决策均优于后一个决策。那么我们就可以直接选第一个决策作为最优决策。可是实际上我们将1到i-1的所有决策均表示在坐标系中时，斜率并不是单调递增的。那么，如何选出最优决策呢？

我们发现导致斜率非单调递增的节点就是形如上图中的红色节点。他显然不在所有决策的下凸壳上，而我们可以证明的是，’’这样’’的点当筛选斜率为任何值时，其均不为最优决策。

方法是通过分类讨论，读者可以自己尝试证明一下。

这样我们就获得了一个决策的下凸壳，可以方便的选出决策。我们现由最简单的情况引入，若题目中决策点的X坐标是随状态单调递增的，且筛选斜率也为单调递增的。就像本题中的sumF（X坐标），start+sumT（筛选斜率）。那么，我们可以直接在队头删除斜率小于筛选斜率的节点（这些决策是劣于后一个决策的），知道筛选斜率小于队头斜率，那么，队头便为最优决策。每次在队尾加入决策（因为决策X坐标单调），删除不在凸壳上的点即可。这样通过一个双端队列，维护状态i的最优决策，时间复杂度为O(N)。

再考虑第二种情况，若筛选斜率不为单调怎么办？我们可以发现，我们无法再删除队头结点了，因为之前删除的节点可能因为筛选斜率的减小再一次成为最优决策。那么考虑，什么样的节点是最优的，即它和前面的节点的斜率小于筛选斜率，而和后面节点的斜率大于筛选斜率，显然其为最优决策。而斜率是单调的，我们可以采用二分法，时间复杂度为O(NlogN)。

还有一种比较坑爹的情况，那就是决策点的X坐标不是单调的，那么意味着我们在增加决策的时候，不一定在队尾增加。这是我们只能动态的维护一个凸包，这是极其麻烦的，用到平衡树来维护，想法是比较简单的，就是实现无限悲剧啊。

【欢迎大家指出文中的不足，我们再作进一步的讨论，如有错误我会及时修改】

【Snow Dancer原创，转载请注明，谢谢】

转载于:https://www.cnblogs.com/Snow-Dancer/archive/2012/07/04/2576769.html