三维（多维）偏序最大上升子序列问题（不用cdq/kdtree实现接近o（nlgn）的简单算法）

一般最大上升子序列问题

对于一般最大上升子序列问题而言可以定义为二维的。其中一个维度方向是依据具体数据类型的比较（可能有多种重载），例如整型数依照大小，字符依照ASCII码，复数依照模的大小。第二个维度一般是隐藏的自然顺序（输入顺序）或其他。

多维最大上升子序列问题

对于二维问题不再赘述，其他地方写的非常清楚，这里主要讲一下高维问题，具体问题如下（数算课的作业。。）
某种数据类型为p{sl，sr}，其中sl和sr都是非负整数，顺序输入n个数据，求出这n个数据中满足“总体进步”的子序列的最大长度。“总体进步”指在这个子序列中对于任意p[i],p[j],若j>i,则p[j].sl>=p[i].sl且p[j].sr>=p[i].sr。

问题分析
在上述题目中，其实就是一个求三维偏序的最大长度问题。其中三维偏序分别是《sl,>=》《sr,>=》《i（input sequence),>》

O(n^2)算法（动态规划）
思路同二维问题的O(n^2)算法一样，记输入的数据数组为A，还需要一个一个长度和A相同的的数组D，D[i]和A[i]一一对应，用来记录以A[i]结尾的最大上升子序列的长度。

假如我们已经得到D[0]到D[k],现在求解D[k+1],就应该遍历D[0]到D[k]，找出满足A[k]对A[j]是“总体进步”的j1、j2、……再找到D[j1]、D[j2]、……中的最大值D[j],则D[k+1]=D[j]+1。

其中D[0]=1，在求出D[0]到D[n]后，D中元素的最大值就是所求的最大上升子序列的长度。

总结一下，在这个方法中高维问题和二维问题的差别在于对”比较“的定义，二维问题中，因为p[i]就是一个数，“p[i]>=p[j]“就是“p[i]>=p[j]”。而在三维问题中“p[i]>=p[j]“等价于“p[i].sl>=p[j].sl&&p[i].sr>=p[j].sr”。

换句话说，只需要将比较运算符重载一下，就可以将二维问题的解法直接套用在高维问题中。

code：

#include<iostream>
using namespace std;
struct photo {
   
	int sl;
	int sr;
	photo() {
   
		sl = 0; sr = 0; 
	}
};

int main()
{
   
	int  n;
    cin >> n;
		photo p[50000];	
		int d[50000] = {
    0 };
		for (int j = 0; j < n; j++) {
   
			cin >> p[j].sl >> p[j].sr;
			int ll = 0;
			if (!j) {
   
				d[0] = 1;
			}
			else {
   
				for (int k = 0; k < j; k++) {
   
					if (p[k].sl <= p[j].sl && p[k].sr <= p[j].sr)ll = max(ll, d[k])