全局最优解必然包含局部最优解,因此每次转移只需考虑局部最优解!!!
主要内容
形如这样 的 \(\operatorname{DP}\) 转移方程:
满足:
-
\(\{L_i\}\) , \(\{R_i\}\) 递增( 前提条件 )。
-
\(R_i \le i\) ( 转移条件 )。
-
\(val(i,j)\) 值只与 \(j\) 相关 ( 根本优化转移前提 ) 。
维护一个滑动窗口,每次求窗口中的最大值。对于两个点 \(x\) ,\(y\) ,如果 \(x < y\) 且 \(f(x) < f(y)\) ,那么 \(y\) 进入窗口后,决策点一定不会是 \(x\) 。
用一个单调队列维护窗口里所有可能用到的决策点。
窗口右端点向右滑动时,把一个新的点插入队尾。队尾点为 \(q[r]\) ,新点为 \(x\) ,如果 \(f(q[r]) \le f(x)\) ,那么 \(q[r]\) 没用,把 \(q[r]\) 弹掉。重复过程直到队尾点可能有用,即 \(f(q[r]) > f(x)\) ,把 \(x\) 入队。
队列中的 \(f(i)\) 从队首到队尾递减。决策时,首先弹掉队首超过范围的点。这时队首点就是决策点。\(f(i) = \max {\{f(j) + w_i\}} [i-R_i \le j \le i-L_i]\)
单调队列优化 也称为 滑动窗口 。
变式 \(-\) 单调队列优化多重背包
内容
设 \(dp[i][j]\) 表示前 \(i\) 个物品放入容量为 \(j\) 的背包的最大收益 。
考虑 \(dp\) 的转移 。
这样就可以进行单调队列优化了 。
时间复杂度:\(O(nV)\) 。
核心代码:( P1776 宝物筛选 ) 代码中的 \(pos\) 就是上面的 \(j-k\) 。
int ql,qr;
struct QUE
{
int num,val;
}que[Maxv];
void many_pack(int c,int w,int m)
{
if(!c) { add+=m*w; return; }
m=min(m,V/c);
for(int pos=0,s;pos<c;pos++)
{
ql=1,qr=0,s=(V-pos)/c;
for(int j=0;j<=s;j++)
{
while(ql<=qr && que[qr].val<=(dp[pos+j*c]-j*w)) qr--;
que[++qr]=(QUE){j,dp[pos+j*c]-j*w};
while(ql<=qr && (j-que[ql].num)>m) ql++;
dp[pos+j*c]=max(dp[pos+j*c],que[ql].val+j*w);
}
}
}
多重背包的其他解法:二进制分组优化 ,时间复杂度: \(O(V\sum_{i=1}^{n}\log_2{k_i})\) ,见背包问题 。
注意:
用结构体存储单调队列,防止反复修改 \(dp\) 值。
并注意 \(j=0\) 时的情况,及时更新。
二维单调队列
对于每一列维护一个竖直方向上的一维单调队列。
在每一行统计答案的时候,用一个新的一维单调队列维护每一列的最优答案。
最终答案在新的一维单调队列上。
例题
P1725 琪露诺
$\texttt{solution}$
状态:设 \(dp[i]\) 表示走到 \(i\) 的最大收益。
\(L\) 与 \(R\) 都是上文中的转移范围。
核心代码:
n=rd(),tmpl=rd(),tmpr=rd();
for(int i=0;i<=n;i++) a[i]=rd();
for(int i=1;i<=n;i++) L[i]=i-tmpr,R[i]=i-tmpl;
memset(dp,-inf,sizeof(dp));
dp[0]=a[0];
for(int i=1;i<=n;i++) // 必须从 l 开始
{
if(R[i]<0) continue;
while(l<=r && q[l]<L[i]) l++;
while(l<=r && dp[q[r]]<=dp[R[i]]) r--;
q[++r]=R[i]; // 因为 i-L 小于 i ,所以应该确保最有决策再进行转移
dp[i]=dp[q[l]]+a[i];
}
int ans=-inf;
for(int i=L[n]+1;i<=n;i++) ans=max(ans,dp[i]);
printf("%d\n",ans);