[常用技巧] 数据离散化入门介绍

离散化是程序设计中一个非常常用的技巧，它可以有效地降低时间复杂度。其基本思想就是在众多可能的情况中“只考虑我需要用到的值”。下面用几个例子说明，如何运用离散化改进一个低效的，甚至根本不可能实现的算法。

先看UVA10173
[ http://acm.uva.es/p/v101/10173.html ]

题目意思很简单，给定平面上n个点的坐标，求能够覆盖这些点的最小的矩形面积。

由于不知道这个矩形到底有倾斜多少度，所以先从倾斜0度的矩形开始考虑：要使覆盖这些点的矩形面积最小，那么这个矩形的每一条边上必定都存在至少一个点。转换成代码就是：对于所有的点坐标进行查找，选出其中x最小，y最小，x最大，y最大的值，所围成的矩形就是当前倾角为0°时的最小面积。

然而这只考虑当倾角为0°时的情况，想要求出所有可能的情况，当然是很自然地想到，枚举所有矩形可能的倾角，对于每一个倾角，都能计算出最小的矩形面积，最后取其中的最小值。

这个算法是否是正确的呢？且不说是否正确，它从理论上甚至根本不可能实现。矩形的倾角是一个实数，它有无数种可能，你永远不可能枚举出每一种可能的情况。也就是说，这个倾角是一个连续的变量，“连续”自然是无法枚举倾角的根本原因。我们需要一种方法，把这个连续的变量变成一个一个的值，也就是“离散”的变量。这个过程就是我们所说的离散化。

经过思考可以证明，最小面