【算法讲解】DP优化——四边形不等式优化（2）

前言

上文讲了四边形不等式在一类 DP 问题中的优化策略
可能大家会觉得，这么复杂的定理，结果只用应用在某类固定 dp 方程上，有点大炮打蚊子的感觉
本文带来了四边形不等式在另外一类非常常见的 dp 方程的应用

分治 DP

d p ( i , j ) = { min ⁡ 0 < k ≤ j { d p ( i − 1 , k ) + c ( k , j ) } , i > 0 0 , i = 0 dp(i,j) = \left\{ \begin{aligned} \min_{0<k\le j} \{dp(i-1,k) + c(k,j)\} &, i > 0 \\ 0 &, i=0 \end{aligned} \right. dp(i,j)=⎩ ⎨ ⎧​0<k≤jmin​{dp(i−1,k)+c(k,j)}0​,i>0,i=0​
dp 方程说明：

朴素实现复杂度：此 dp 方程有 $n\cdot m$ 个状态($1\le i\le n,1\le j\le m$)，每个状态需要有 $O(m)$ 个决策（$k$从$1$遍历到$j$），对于函数 $c$ 我们就当 $O(1)$ 的复杂度，所以整体复杂度是$O(n\cdot m^2)$
特征：每一层的 dp 状态由上一层的 dp 状态推演出，而上一层的状态已经在前置逻辑中计算好

我们可以将上述方程进行一些简化，设 $Current:=dp(i)$ 代表当前层状态，设 $Before:=dp(i-1)$ 代表上一层已经计算好的状态，则：
C ( i ) = min ⁡ 0 < j ≤ i { B ( j ) + c ( j , i ) } C(i) = \min_{0<j\le i} \{B(j) + c(j, i)\} C(i)=0<j≤imin​{B(j)+c(j,i)}
接下来我们看看对于这种 dp 方程，四边形不等式可以得出什么推论以帮助我们优化

推论：最佳决策点的单调性

如果函数 $c$ 符合四边形不等式，那么 $C(i)$ 的最佳决策点 $opt(i)$，必定符合 $opt(i)\le opt(i+1)$

证明

设 $x=opt(i),y=opt(i+1)$
用反证法，假设 $x>y$
由定义可得 $x<i,y<i+1$
结合假设可得 $y<x<i<i+1$
由 $x$ 是 $C(i)$ 的最佳决策点(其他的选择都比它要差)，可得 $B(x)+c(x,i)\le B(y)+c(y,i)$
由 $y$ 是 $C(i+1)$ 的最佳决策点，可得 $B(y)+c(y,i+1)\le B(x)+c(x,i+1)$
两式相加去除相同项，可得 $c(x,i)+c(y,i+1)\le c(y,i)+c(x,i+1)$
与 c 符合四边形不等式，既 $c(y,i)+c(x,i+1)\le c(x,i)+c(y,i+1)$ 冲突
所以假设不成立
因此证明 $x\le y$，既 $opt(i)\le opt(i+1)$

利用定理加速 dp 决策

$opt(i)\le opt(i+1)$ 也意味着 $opt(i-1)\le opt(i)$
如果我们已经知道了其中一个状态 $C(i)$ 的最佳决策点，那么：

• 对于所有的 $C(j),j<i$，只需要在 $(0,min(opt(i),j)]$ 的范围中进行决策就行了
• 对于所有的 $C(j),j>i$，只需要在 $[opt(i),j]$ 的范围中进行决策就行了

所以，我们可以先计算所有状态里最中间的状态 $C(\frac{m}{2})$，记录下最佳决策点 $opt(\frac{m}{2})$

决策范围是$(0,\frac{m}{2}]$，所以中共进行了 $\frac{m}{2}+1$ 次决策，复杂度为 $O(m)$

然后计算状态 $C(\frac{m}{4})$和$C(\frac{3\cdot m}{4})$，

对于 $C(\frac{m}{4})$，决策范围是$(0,\min (\frac{m}{4},opt(\frac{m}{2}))]$，所以有$\min (\frac{m}{4},opt(\frac{m}{2}))+1$次决策
对于 $C(\frac{3\cdot m}{4})$，决策范围是 $[opt(\frac{m}{2}),\frac{3\cdot m}{4}]$，所以有$\frac{3\cdot m}{4}-opt(\frac{m}{2})+1$次决策
两者的决策次数为
$$\begin{array}{rl}& \frac{3\cdot m}{4}-opt(\frac{m}{2})+1+min(\frac{m}{4},opt(\frac{m}{2}))+1\\ =& min(\frac{3\cdot m}{4}-opt(\frac{m}{2})+\frac{m}{4},\frac{3\cdot m}{4}-opt(\frac{m}{2})+opt(\frac{m}{2}))+2\\ =& min(m-opt(\frac{m}{2}),\frac{3\cdot m}{4})+2\\ =& O(m)\end{array}$$

如此往复递归，直到分治收敛。根据二分特性，递归会有$O(\log m)$层，每一层的复杂度都是$O(m)$，所以整体的复杂度为$O(m\cdot \log m)$

可以用另一种更直观的方式来看复杂度
对于任意层每个节点所需要决策的范围（记为$[d_{1,l},d_{1,r}]$），决策次数的总和为
$$cnt=d_{1,r}-d_{1,l}+1+d_{2,r}-d_{2,l}+1\cdots +d_{m,r}-d_{m,l}+1$$
根据决策点单调性的推论，一定是互不相交的
所以可得 $d_{1,l}\le d_{1,r}\le d_{2,l}\le d2,r\le \cdots \le d_{m,l}\le d_{n,r}$，既$d_{i,r}-d_{i+1,l}\le 0$，用这个不等式多项式中两项进行消消乐，可得
$$cnt\le d_{m,r}-d_{1,r}+m=O(m)$$
用不严谨的话来说就是：每个决策点平均最多会被访问两次

代码

const int MAXM = 1000001;
int bef[MAXM], cur[MAXM];

int c(int l, int r);

void compute(int l, int r, int optl, int optr) {
  if (l > r) return;
  int mid = (l + r) >> 1;
  cur[mid] = INFINITY;
  int opt = optl;
  for (int i = optl; i <= min(optr, mid); i++) {
    int x = bef[i] + c(i, mid);
    if (x < cur[mid]) {
      cur[mid] = x;
      opt = i;
    }
  }
  compute(l, mid - 1, optl, opt);
  compute(mid + 1, r, opt, optr);
}

int solve(int n, int m) {
  memset(bef, 0, sizeof(bef));
  for (int i = 1; i <= n; i ++) {
    compute(1, m, 1, m);
    memcpy(bef, cur, sizeof(cur));
  }
  return bef[m];
}

练习

Codeforce 1832 F 3200