1D/1D动态规划优化初步 模型一

今天看了一篇很不错的文章——《1D/1D动态规划优化初步》，其中的模型一我觉得十分常见和实用，就拿“玩具装箱”这题做了一下。

这题的确很经典，做过不少动态规划的题目都见过这个模型。根据文章的介绍，能够用这种优化的，需要满足决策单调性。设w（x）为f（x）所枚举的最优决策是多少，所谓的决策单调性需要满足：当i < j时，w（i）≤ w（j）。这还与四边形不等式有关。

有了这个，如果只是单纯地在枚举时的i从w（x-1）到x-1，这必然作用不大，不能起到实际效果。动态规划常见的另一个角度，“当前状态能够改进哪些”，还是看看文章吧（见《1D/1D动态规划优化初步》）：

这样，每一步过程中某些状态的决策可能不是最优的，但是当算法结束的时候所有状态对应的决策一定是最优的。一开始，只有f(1)的函数值被计算出来，于是所有状态的当前最优决策都是1。

  111111111111111111111111111111111111111111111111111111111111111

现在，显然f(2)的值已经确定了：它的最有决策只能是1。我们用决策2来更新这个决策表。由于决策单调性，我们知道新的决策表只能有这样的形式：

  111111111111111111111111111111222222222222222222222222222222

这意味着我们可以使用二分法来查找“转折点”，因为如果在一个点x上，如果决策2更好，则所有比x大的状态都是决策2更好；如果x上决策1更好，则所有比x小的状态都是决策1更好。

现在决策1和决策2都已经更新完毕，则f(3)业已确定，现在用决策3来更新所有状态。根据决策单调性，现在的决策表只能有以下2种类型：

  11111111111111111111111111111111122222222222222222233333333333

  1111111111111111111111111333333333333333333333333333333333333

  而这样的决策表示绝对不会出现的：

  111111111111333333333333333333322222222222222222222222222222，不可能。

那么，我们的更新算法就是：考察决策2的区间[b,e]的b点上是否决策3更优，如果是，则全部抛弃决策2，将此区间划归决策3；如果否，则在决策2的区间[b,e]中二分查找转折点。如果第1问的回答是“是”，则用同样的方法考察决策1。

 推演到这一步，相信决策单调性的实现算法已经明了了：使用一个栈来维护数据，占中的每一个元素保存一个决策的起始位置与终了位置，显然这些位置相互连接且依次递增。当插入一个新的决策时，从后到前扫描栈。

我觉得这个决策单调性还是需要一点直觉和简单的证明的。用反证法，假设出现w（i）＞ w（j）（i ＜ j），可以发现若f（j）取w（i）比w（j）会更优。

而对于“玩具装箱”，转移方程如下：

c是某个玩具的长度，我这下标从0开始。

很多部分上面已经讲了，但有些细节：

对于w数组的维护，是不可能直接维护的。从栈里二分扫描也是比较麻烦的，可以在w数组上打懒标记即可。如：

11111111111111111111111111111111122222222222222222233333333333，

就可以打这样的标记（加粗数字），下面的是w数组保存的值：

10000000000000000000000000000000020000000000000000030000000000，“0”代表空，当扫描时遇到0，则重复前一个的即可。

这题还有个不同的地方：经典模型是从0到x-1，而这里是0到x，所以还要特殊判断一下。