线性规划的思想理解斜率优化DP

斜率优化DP做为1种较难理解的DP，在ACM中也有重要的作用。

现有的论文或博客讲斜率优化DP要么过于抽象，要么推倒过于繁琐，

这里用高中学的线性规划的知识来理解斜率优化DP，且思考方法具有一般性，

可用于解决各种斜率优化问题。

以hdu3507http://acm.hdu.edu.cn/showproblem.php?pid=3507为例题。

我们很容易能推出方程F【i】= min{F【j】+(Si-Sj)^2 + M }

这是1个1D/1D的方程，即状态O（N），转移O（N），直接求效率为O（N^2）。

本题N为500000，O（N^2）显然不行！

这里，用斜率优化的方法，将转移的O（N）优化为均摊复杂度O（1），总复杂度O（N）的效率解决这个问题。

首先，将方程展开，并将带有j的项整理出来：

F【i】= min{F【j】+Sj^2-2*Si*Sj+Si^2 + M }

下一步，是斜率优化的关键，即找出一个直线方程。

令K=2*Si，X=Sj，Y=F【j】+Sj^2，常数C=Si^2 + M

方程变为：

F【i】= min{Y-KX}+C

求某个F【i】，就是从前面的所有点（X，Y）的状态推来，我们开始描点。

对某个点（X，Y），它是由F【t】这个状态推来，我们称之为决策点t。

首先分析点随j的增加的趋势：j增加，可以推出X，Y都增加。

这样，我们可以把点描出来。

根据线性规划的知识，求min{Y-KX}+C,就等价于过点（X，Y）斜率为2Si的直线与y轴交点纵坐标的最小值！

下面开始优化的过程：

考虑3个决策点i，j，k（i < j < k）,若Kji  > Kkj, 那么我们求解的直线无论怎么变化，j点都不可能成为最优的决策点！

只要大家拿一个尺子，用线性规划的知识动手实践一下，就会发现上面这条规律。

我们在加入新的决策点的时候，就用单调队列维护相邻的决策点的斜率递增！

也就是维护决策点的下凸性！

在求当前状态时，从队首开始，把所有相邻决策点斜率小于2Si的点删除后的第一个点，就是最小的纵坐标的值。这里，把点描出来，拿尺子一比划就出来了。

对于一般性问题，通过分析点的分布，斜率的正负等，可以推出要维护的是上凸性还是下凸性以及如何求最优解。

/*
 * p3507.cpp
 *
 *  Created on: 2013-5-30
 *      Author: zy
 */

#include<cstdio>
#include<iostream>
#include<cstring>
using namespace std;
const long long  INF=0xfffffffffff;
const int maxn=500010;
long long  f[maxn],s[maxn];
int a[maxn],m,n,l,r,q[maxn];
long long  min(long long x,long long y)
{
	return x<y?x:y;
}
double slope(int j,int k)
{
	if(s[j]==s[k])
	{
		if(f[j]>=f[k])return INF;
		else return -INF;
	}
	return (f[j]-f[k]+s[j]*s[j]-s[k]*s[k])/((double)s[j]-s[k]);
}
int main()
{
	while(scanf("%d%d",&n,&m)!=EOF)
	{
		memset(f,0,sizeof(f));
		memset(q,0,sizeof(q));
		s[0]=0;
		for(int i=1;i<=n;i++)
		{
			scanf("%d",&a[i]);
			s[i]=s[i-1]+a[i];
		}
		l=r=1;q[1]=0;
		for(int i=1;i<=n;i++)
		{
			while(l<r&&slope(q[l],q[l+1])<2*s[i])l++;
			f[i]=f[q[l]]+(s[i]-s[q[l]])*(s[i]-s[q[l]])+m;
			while(l<r&&slope(q[r-1],q[r])>slope(q[r],i))r--;
			r++;q[r]=i;
		}
		cout<<f[n]<<endl;
	}
	return 0;
}