[ZJOI2007]仓库建设(斜率dp优化)

前言


纪念一下我做的第二道斜率优化$dp$题,终于自己能把代码敲出来了,然而有很智障的$bug$,把$i$写成$q[i]$,找了半天QAQ。然后写$dp$公式并优化的能力稍微强了一点(自我感觉良好),对于斜率优化$dp$"去尾"的操作理解更深刻了

描述


$1∼N$号工厂,第$i$个工厂有$P_{i}$个成品,第$i$个工厂建立仓库需要$C_{i}$的费用,该工厂距离第一个工厂的距离为$X_{i}$,编号小的工厂只能往编号大的工厂搬用成品,每单位成品搬每单位距离需要花费1,问所有成品搬到工厂里面所需的最少费用是多少 [Link]

分析


 设$f[i]$为第$i$个工厂建立仓库,前$i$个工厂的成品都搬到仓库中的最小花费,则容易得到动态转移方程:

         $f[i]=min(f[j]+P_{j+1}(X_{i}-X_{j+1})+P_{j+2}(X_{i}-X_{j+2})+\cdots +P_{i-1}(X_{i}-X_{i+1}))+Ci$

通式为

               $f[i]=min(f[j]+\sum_{k=j+1}^{i-1}P_{k}\cdot X_{i}-\sum_{k=j+1}^{i-1}P_{k}\cdot X_{k})+C_{i}$

令 $s[i]=\sum_{1}^{i}P[i],g[i]=\sum_{1}^{i}P_{i}\cdot X_{i}$
则方程变为
               $f[i]=min(f[j]+X_{i}\cdot(s[i−1]−s[j])-(g[i−1]−g[j]))+C_{i}$

则对于最优决策 $j$ ,有

                 $f[j]+g[j]=X_{i}\cdot s[j]+f[i]-X_{i}\cdot s[i−1]−Ci$

也就是要找 $y=kx+b$,$k$已知,找一对$x,y$使得截距最小

Code

#include <cstdio>
#define ll long long
#define empty (head>=tail)
const int maxn = 1e6+10;
ll n, head, tail, j;
ll x[maxn], p[maxn], c[maxn];
ll q[maxn], s[maxn], g[maxn], f[maxn];
inline long double X(ll i) {return s[i];}
inline long double Y(ll i) {return f[i]+g[i];}
inline long double rate(ll j,ll k) {return (Y(k)-Y(j))/(X(k)-X(j));}
int main()
{
    scanf("%lld", &n);
    for (int i = 1; i <= n; i++) {
        scanf("%lld%lld%lld", &x[i], &p[i], &c[i]);
        s[i] = s[i-1]+p[i], g[i] = g[i-1]+p[i]*x[i];
    }
    head = tail = 1;
    for(int i = 1; i <= n; i++){
        while(!empty&&rate(q[head],q[head+1])<x[i])head++;
        j = q[head]; f[i] = f[j]+x[i]*(s[i-1]-s[j])-(g[i-1]-g[j])+c[i];
        while(!empty&&rate(q[tail-1],q[tail])>rate(q[tail],i))tail--;
        q[++tail] = i;
    }
    printf("%lld\n", f[n]);
} 
View Code

 

思考


 之前入门的题目说过,假如$g(c,b)<=g(b,a)$,那么这个$b$就没有任何用武之地了,就把这样的点去掉后再加入新的点。那么我会想到,能不能先不去掉这个$b$,直接加入新的点,就是在斜率小于$A[i]$的时候再去掉不也可以么,顶多时间长一点,然而现实给了我一发$WA$。我就去想为什么会是这个亚子?原因在于,必须保证通过前面的状态得到的$f[i]$为最优,而你的$b$可能会导致你通过原有的方式得到的$f[i]$并不是最优的,那么得到的$f[n]$自然不一定是最优解。

那我就去做了尝试,我的确没有去掉$b$,那么我只要从之前的状态里挑最优不也可以么,交上去之后发现的确可以(妥妥$WA$)。这就很头疼,也证明我的想法是不对的,因为在有$b$的前提下,你按照原来那种判断两点间斜率的方法去决定取哪个点的方法并不能确定哪个点是最优的,比如下图:

这个时候$C$是不满足要求的点,我没有去掉,之后我从$A,B,C,D$中挑选最优的点去更新$E$点,$E$对应的斜率$rate$是绿色的那条线,从最下面开始扫描,$AB$的斜率小于$rate$,扫到$B$这里停下,由于$BC$斜率大于$rate$,还是在$B$这里,之后$CD$的斜率比$rate$小,那就扫到$D$这里停下,然后通过$D$更新$E$点。但是你会发现其实$B$点比$D$点更优,这样选是不对的。但是如果我先把$C$点去掉,那么通过$AB,BD$的斜率去选择点,你会发现得到的$E$点是最优的

所以结果就是,正是因为满足要求的点之间的斜率是单调递增的才能保证每次得到的$f[i]$为最优,并且这样计算$f[i]$的确效率很高~

附上错误的代码(T_T):

#include <cstdio>
#define ll long long
#define empty (head>=tail)
const int maxn = 1e6+10;
ll n, head, tail, j;
ll x[maxn], p[maxn], c[maxn];
ll q[maxn], s[maxn], g[maxn], f[maxn];
inline long double X(ll i) {return s[i];}
inline long double Y(ll i) {return f[i]+g[i];}
inline long double rate(ll j,ll k) {return (Y(k)-Y(j))/(X(k)-X(j));}
int main()
{
    scanf("%lld", &n);
    for (int i = 1; i <= n; i++) {
        scanf("%lld%lld%lld", &x[i], &p[i], &c[i]);
        s[i] = s[i-1]+p[i], g[i] = g[i-1]+p[i]*x[i];
    }
    head = tail = 1;
    for (int i = 1; i <= n; i++) {
        int l = head, r = tail;
        while(!empty&&l<r) {
            if(rate(q[l],q[l+1])<x[i]) head = l+1;
            l++;
        }
        j = q[head]; f[i] = f[j]+x[i]*(s[i-1]-s[j])-(g[i-1]-g[j])+c[i];
        q[++tail] = i;
    }
    printf("%lld\n", f[n]);
} 
View Code

 


参考文章:

https://www.cnblogs.com/1625--H/p/11267043.html

 

转载于:https://www.cnblogs.com/wizarderror/p/11397247.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值