OMG 我辛辛苦苦打的笔记被吃掉了 只能转载我们涵神的了 反正我们写的差不多
附上涵神原文：传送门
背景
MZX大佬来这边的路真是艰辛啊！说好九点的飞机，十一点就能到，结果晚点到十点。到早上我们才知道他晚点到了一点，四点才到的海亮教育园。所以上午就看了万能的区间DP。然后下午终于出现在了讲台上面……
12：24大佬开始卖弱
12：30终于开始讲了
搜索到DP的过渡
搜索的艰辛
搜索的时间复杂度是指数级的。我们如果把dp的题目用搜索做的话简直会爆炸。例如最经典的01背包，如果不会dp，我们只能用dfs来枚举每个物品选不选，选的加进vector里面。好一点的dfs可以只记录已经选的物品质量和价值；最后加可行性剪枝和最优性剪枝，可以稍微好一点。
记忆化出现了
搜索的时间复杂度越来越不能征服人类日益增长的需求了！因为人们的cpu不能发展的那么快（摩尔定律都学过吧）。所以这时候一个救世主出现了——记忆化搜索。
dfs的最优性剪枝：记录下前i个物品总重量为w时候的最大价值和，或者价值为v时候的最小总重量。（记忆化搜索）Dfs可以带三个参数：dfs(物品件数，物品总重，物品总价值),类似地我们可以加一个f数组，来记录这种状态：f[i][w]=v来代表前i个物品质量w时候的最大价值v。本质就是我们在搜索的时候只记录对后面的选择有影响的状态，以及该状态下的最优值。这种方法适用于很多0/1选择的问题，比如lis。记录xx状态时候的最优值这种做法其实就是dp，只不过我们把指数级的算法剪成了多项式。Dp的关键在于写出状态转移方程，就像这样
f[i]=max/min{……}
；
Dp的思考方式：先用dfs思考一下，再用参数写出状态数组。最后写出状态转移方程。
DP的基础
DP就是这样应运而生的。
DP的实现方法
Dp有两种实现方法：递推和记忆化搜索，后面就体现出了这个搜索——“剪枝”算法的本质。
例题
题面
给定一个RxC（R，C≤500）的滑雪场，每个格子都有高度，每个格子只能滑向（四联通）相邻的比它低的格子，求最大的滑行长度（可以任意确定起点）.
分析
很明显，如果搜索，那么对选择有影响的状态只有当前位于哪个格子，所以就可以设置状态为当前格子，最优值就是以这个格子为起点的最大滑行长度。
一个格子的最优值依赖于哪些格子呢？比它低的。
所以我们可以dfs递归搜索，加上记忆化就能ac了。说实话这道题目用dp还不如写dfs呢。。。
再谈LCS
LCS——最长公共子序列。大家都会把。这里会介绍一种具有特殊性质的LCS。
题面
给定两个长度为5n的序列，1…n每个数字出现5次，求最长公共子序列，n≤1e5。
回忆一般的LCS
方法一：1、dfs法：不断分解组合。
2、DP法：从规模小的子问题推到总问题。
我们需要枚举两个串的每一位，在这道题目中时间复杂度是
O（n2）
，明显超时。
具体做法是这样：
如果a[i-1]=b[i-1]那么
F[i][j]=max(f[i][j],f[i−1][j−1]+1);
如果不相等，那么
F[i][j]=max(f[i−1][j],f[i][j−1]);
code
#include<bits/stdc++.h>
using namespace std;
inline int read()
{
int num=0;
char c=getchar();
for(;c<'0'||c>'9';c=getchar());
for(;c>='0'&&c<='9';c=getchar())num=num*10+c-'0';
return num;
}
int n,m,a[302000],b[302000],f[5001][5001];
int main()
{
n=read();
m=read();
for(int i=1;i<=n;i++)
a[i]=read();
for(int i=1;i<=m;i++)
b[i]=read();
for(int i=2;i<=n+1;i++)
for(int j=2;j<=m+1;j++)
{
f[i][j]=max(f[i-1][j],f[i][j-1]);
if(a[i-1]==b[j-1])
f[i][j]=max(f[i][j],f[i-1][j-1]+1);
}
printf("%d",f[n+1][m+1]);
return 0;
}正解算法
但是恭喜，只能拿部分分！！！o(╥﹏╥)o许多同学内心是崩溃的。这道题目我们需要再观察一下这道题目。这道题目有一个特殊性质：因为这道题目每个数会且只会出现5次。所以我们发现上面code的那个判断两个是否相等的if语句值为真的总共会有
5×5×n
。我们可以变换一下思路。为啥要把整个f数组都算出来呢？我们如果把f数组画出来。我们会发现，是一张
5n×5n
的表格，每行只有5个元素是相互匹配的。我们可以只填匹配上的点。时间复杂度就降成了
O(n)
！！多么美妙！但是我们发现并没有一个可以直接填点的方法。我们可以借用一下数据结构这个好玩意儿。
这里我们采用线段树，每次查询的时间复杂度是
O(logn)
那么总的时间复杂度是
O(nlogn)
。
我们每填完一行我们都要修改一下线段树。让每一个结点j代表以j的横坐标和纵坐标为边的矩阵最大值。然后填值的时候就利用线段树结点的值来进行计算和判断。
code
【待补全】
DP的优化
DP的时间复杂度一般都是二次级别的，有时候数据超过10000就可能会超时。所以我们需要进行一些有的没的的优化。
单调性优化
在很多时候，dp的决策往往是具有单调性的。我们来看个例题：
例题
题面
超级教主
题目描述
LHX教主很能跳，因为Orz他的人太多了。教主跳需要消耗能量，每跳1米就会消耗1点能量，如果教主有很多能量就能跳很高。 教主为了收集能量，来到了一个神秘的地方，这个地方凡人是进不来的。在这里，教主的正上方每100米处就有一个能量球（也就是这些能量球位于海拔100，200，300……米处），每个能量球所能提供的能量是不同的，一共有N个能量球（也就是最后一个能量球在N×100米处）。教主为了想收集能量，想跳着吃完所有的能量球。教主可以自由控制他每次跳的高度，接着他跳起把这个高度以下的能量球都吃了，他便能获得能量球内的能量，接着吃到的能量球消失。教主不会轻功，教主不会二段跳，所以教主不能因新吃到的能量而变化此次跳跃的高度。并且教主还是生活在地球上的，所以教主每次跳完都会掉下来。 问教主若要吃完所有的能量球，最多还能保留多少能量。
输入格式
第1行包含两个正整数N，M，表示了能量球的个数和LHX教主的初始能量。
第2行包含N个非负整数，从左到右第I个数字依次从下向上描述了位于I×100米位置能量球包含的能量，整数之间用空格隔开。
输出格式
仅包括一个非负整数，为教主吃完所有能量球后最多保留的能量。
样例数据
input
3 200
200 200 200
output
400
【样例说明】 第1次跳100米，得到200能量，消耗100能量，所以落地后拥有300能量。 第2次跳300米，吃到剩下的第3棵能量球，消耗拥有的300能量，得到400能量。 若第1次跳200米，第2次跳300米，最后剩余300能量。
数据规模与约定
【数据规模】 对于10%的数据，有N≤10； 对于20%的数据，有N≤100； 对于40%的数据，有N≤1000； 对于70%的数据，有N≤100000； 对于100%的数据，有N≤2000000。 保证对于所有数据，教主都能吃到所有的能量球，并且能量球包含的能量之和不超过2^31-1。
分析
我们先考虑用dfs做，明显会有：void dfs(int l,int E)
并且来个记忆化f[i]代表I*100处的最小花费能量。总能量是一定的，我们止血药最小化跳的高度总和就可以了，也就是存在
f[i]=min{f[j]+100∗i}
我们把所有不含j的项提出来
=min{f[j]}(E+W[j]−f[j]≥100∗i)+100∗i
(ps:W[j]表示w的前缀和)
但是这道题目我们不需要使用单调队列，止血药记录满足上述()中的条件的最小的j就可以了。代码实现：
int j=0;
for(int i=1;i<=n;i++)
{
while(E+W[j]-f[j]<100&&j<i)
j++
if(i==j)
{
//输出不可能的情况。
}
F[i]=f[j]+100*i;
}code
【待补全】
例题
题面
取货 题目描述
某公司估计市场在第i个月对某产品的需求量为Ui，已知在第i月该产品的订货单价为di，上个月月底未销完的单位产品要付存贮费用m，假定第一月月初的库存量为零，第n月月底的库存量也为零。
问如何安排这n个月订购计划，才能使成本最低？每月月初订购，订购后产品立即到货，进库并供应市场，于当月被售掉则不必付存贮费。假设仓库容量为S。
输入格式 第1行：n,m,S (0<=n<=50,0<=m<=10,0<=S<=10000) 第2行：U1,U2,…,Ui,…,Un
(0<=Ui<=10000) 第3行：d1,d2,…,di,…,dn (0<=di<=100) 输出格式 只有1行，一个整数，代表最低成本
样例数据 input 3 1 1000 2 4 8 1 2 4 output 34
分析
这道题目明显是一道dp题目。我们令f[i][j]表示第i个月存了j件货物的总代价。
所以有状态转移方程：
f[i][j]=minf[i−1][k]+k×m+(u[i]+j−k)×w[i](k≤u[i]+j)=minf[i−1][k]+k×(m−w[i])+(u[i]+j)×w[i]
我们把大括号内的表达式定义为V（k）。
那么如果V（y）比V（x）更优而且x比y更早不合法，那么x这个决策在y加入中就失去了存在的意义。x生命失去了希望。
code
【待补全】
斜率优化
斜率优化就是把一些决策通过描点在一个二维平面上画出直线，通过斜率的单调性来解决。
例题
题目描述
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<=50000)。 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。
样例数据
input
5
1
1 3
3 2
4 3
2 3
1 4
output
153
分析
【待补全】
code
【待补全】
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
