[算法01] 什么？斜率优化动态规划是啥？

肯定还有一些地方讲的不太对，留个坑以后再填

概述

$$\begin{gathered} 全文转移方程中的状态都为f。 \\ 全文两点间的斜率统一表示为g[x,y] \end{gathered}$$

众所周知， 计算斜率的式子大概长这样：
$$\frac{x_i-x_j}{y_i-y_j}$$

用的上斜率优化的题目大概长啥样呢？它们的方程可以近似地看成这样：

f i = max ⁡ j = 1 i − 1 { f j + c i , j } f_i = \max_{j=1}^{i-1} \{f_j+c_{i,j}\} fi​=j=1maxi−1​{fj​+ci,j​}

感性理解一下， 大概就是说每一个状态，都可以从之前的状态花费一定的代价转移过来。

一般这样的方程，每次计算，我们都需要遍历一遍之前的状态，这样会造成极大的时间浪费，达到 $O(n^2)$ 甚至 $O(n^3)$ 级别的时间复杂度。

如果你已经学习过了单调队列优化DP，那么你可能会想：

如果我计算 $f_i$ 时，已经找到了之前状态的最佳转移点，那该多好？

其实斜率优化DP，就是通过一些技巧，令状态之间有比较优劣的依据，以此来用单调队列维护它们的单调性，从而使得每一次计算新的状态的时候，都可以直接从单调队列的队头取出最优的转移出发点来。

比如说状态 $f_i$ 可以从 $f_j$ 和 $f_k$ 转移而来，且满足 $j<k<i$ 。

那么对于状态 $f_j$ 和 $f_k$ 的优劣性，分如下几种情况讨论：

• 从 $f_j$ 转移到 $f_i$ 优于从 $f_k$ 转移到 $f_i$， 但是很可惜，因为 $k$ 的位置比 $j$ 靠后，所以暂时先不能把 $k$ 删掉。
• 从 $f_k$ 转移到 $f_i$ 优于从 $f_j$ 转移到 $f_i$，$j$ 就可以 $out$ 了。

这些其实就是单调队列的基本思想了。

接下来考虑一下怎么把斜率这鬼玩意给牵扯进来：

假设队列中现在有五个点，分别代表DP中的五个状态：$a,b,c,d,e$

首先保证，五个点中，任意两个点的转移式都可以表达成上文的斜率 $\frac{x_i-x_j}{y_i-y_j}$ 形式

因此，如果我们在图上将四对相邻的点的转移式画成一条斜率对应的直线——

我们会发现，此时，$g[a,b]>g[b,c]<g[c,d]>g[d,e]$

而用单调队列维护好的状态集合大概长这样：

此时，$g[a,b]>g[b,c]>g[c,d]>g[d,e]$

没错，我知道你会问，怎么保证用单调队列维护好斜率后，队首就是最佳的转移出发点呢？

下面是一两道简单的例题，用它们来讲讲吧。

例题1-特别行动队（BZOJ1911）

这一题算是比较简单的斜率优化了，式子也比较好推，没有那么反人类

这是洛谷的题面

本着人道主义精神，我还是决定把题面截图放在下面：
接下来，我们通过这道题来了解一下，可以用斜率优化解决的题目大概长啥样。

设：

• $f_i$ 表示将前 $i$ 名士兵划分成完整的若干组修正后最大战力值。
• $s_i$ 表示前 $i$ 名士兵的 $x_i$ 之和。

一个很显然的方程就出来了，其实就是加上了 $[j+1,i]$ 中的所有士兵划分为一队的花费，按照题意写下来就行。
f i = max ⁡ { f j + a ( s i − s j ) 2 + b ( s i − s j ) + c } f_i = \max\{f_j + a (s_i-s_j)^2+b (s_i - s_j) + c \} fi​=max{fj​+a(si​−sj​)2+b(si​−sj​)+c}
接下来比较从 $f_j$ 转移到 $f_i$ 和 从 $f_k$ 转移到 $f_i$ 的优劣性。

设 $k<j<i$ 。

如果 选 $j$ 优于选 $k$，那么显然满足下式：
$$f_j+a(s_i-s_j{)}^2+b(s_i-s_j)+c>f_k+a(s_i-s_k{)}^2+b(s_i-s_k)+c$$
首先显然可以将 $c$ 项消去。接着运用完全平方公式拆开后，将 $a{s_i}^2$ 和 $b{s}_i$ 项消去。移项后可得：
$$f_k-f_j+a{s_k}^2-a{s_j}^2-b{s}_k+b{s}_j>2a{s}_i{s}_j-2a{s}_i{s}_k$$
不等式右边的 $s_j-s_k$ 移到左边作为分母：
$$\frac{f_k-f_j+a{s_k}^2-a{s_j}^2-b{s}_k+b{s}_j}{s_j-s_k}>2a{s}_i$$

将不等式左边整理一下：

$$\frac{(f_k+a{s_k}^2-b{s}_k)-(f_j+a{s_j}^2-b{s}_j)}{s_j-s_k}$$

注意到了吗？这其实就是一个斜率式！！！

因此，这道题可以用斜率优化DP式。

计算斜率的代码至此就很显然了，下面的代码只算出了不等式的左边部分：

inline double work(ll k, ll j) {
    return (double) (f[k] - f[j] + a*s[k]*s[k] - a*s[j]*s[j] - b*s[k] + b*s[j]) / (s[k] - s[j]);
}

单调队列部分就更简单了：

• 处理队首时，将计算出来的斜率和 $2a{s}_i$ 作比较即可。
• 处理队尾时，注意维护此时状态集合的“下凸”性质即可（就是上面的第二张图）

for (int i = 1; i <= n; ++ i) {
    while (head + 1 <= tail && work(q[head], q[head + 1]) > 2 * a * s[i])
        ++ head;
		
    ll j = q[head];
    f[i] = f[j] + a * (s[i] - s[j]) * (s[i] - s[j]) + b * (s[i] - s[j]) + c;
	
    while (head + 1 <= tail && work(q[tail - 1], q[tail]) < work(q[tail], i))
        -- tail;
        
    q[++ tail] = i;
}

这里还有一个小小的细节需要注意：不能像往常那样写 head<=tail 判断队列是否为空，而要保证队列中至少还剩下 $2$ 个元素

以下是完整代码：

#include <bits/stdc++.h>
using namespace std;

typedef long long ll;
const int N = 1e6 + 10;
ll n, a, b, c, tmp, f[N], q[N], s[N];

inline double work(ll k, ll j) {
    return (double) (f[k] - f[j] + a * s[k] * s[k] - a * s[j] * s[j] - b * s[k] + b * s[j]) / (s[k] - s[j]);
}

int main() {
    scanf("%lld%lld%lld%lld", &n, &a, &b, &c);
    for (int i = 1; i <= n; ++ i) {
        scanf("%lld", &tmp);
        s[i] = s[i - 1] + tmp;
    }

    ll head = 1, tail = 1;
    for (int i = 1; i <= n; ++ i) {
        while (head + 1 <= tail && work(q[head], q[head + 1]) > 2 * a * s[i])
            ++ head;
		
        ll j = q[head];
        f[i] = f[j] + a * (s[i] - s[j]) * (s[i] - s[j]) + b * (s[i] - s[j]) + c;
		
        while (head + 1 <= tail && work(q[tail - 1], q[tail]) < work(q[tail], i))
            -- tail;
		
        q[++ tail] = i;
    }

    printf("%lld", f[n]);
    return 0;
}

小结

因此，斜率优化的DP式子需要能够化成斜率式的形式，即为：
$$\frac{x_i-x_j}{y_i-y_j}$$

其中，$x_i,y_i$项与下标值包含 $a$ 的项有关，也就是不能有下标包含 $b$ ；$x_j,y_j$ 反之亦然。

拿上面那道题的不等式左边来理解一下：
$$\frac{(f_k+a{s_k}^2-b{s}_k)-(f_j+a{s_j}^2-b{s}_j)}{s_j-s_k}$$

可以将其变成：
$$\frac{(-f_j-a{s_j}^2+b{s}_j)-(-f_k-a{s_k}^2+b{s}_k)}{s_j-s_k}$$

可以发现，这样就满足上述性质了。

因此，我们对于每一道斜率优化DP题目的目标就是将DP式子转化成：

$x_i,y_i$项与下标值包含 $a$ 的项有关，也就是不能有下标包含 $b$ ；$x_j,y_j$ 反之亦然。

再讲两道例题，加深一下印象吧。

例题2-打印文章（HDU3507）

例题3-仓库建设（BZOJ1096）