斜率优化dp

斜率优化

引言

当你看到这一篇博客时，相信你已经对基本的$dp$模型有了了解，已经能独立推导出较为简单的$dp$式子，但有时在进行$dp$转移的过程，需要耗费较高的复杂度，朴素的$dp$方程及转移只能得到部分分数，无法取得AC，此时就需要如斜率优化这样来减少时间复杂度的工具。当然，斜率优化也只是一种工具，必须在可以推出正确但效率较低的$dp$式后才能发挥用处，故而$dp$的基本功才是关键。

斜率优化的难度体现在：在$OI$领域初步接触到与几何相关的应用，首次理解上稍困难，但在理解后，斜率优化的难度其实并不高，掌握套路就可以轻松运用。

基础斜率优化（双单调）

前文中提到，斜率优化是用来辅佐$dp$的，但也并不能辅佐所有的$dp$。能被斜率优化的$dp$非常典型，以一道题目为例：打印文章

给出 $N$ 个单词，每个单词有个非负权值 $C_i$，现要将它们分成连续的若干段，每段的代价为此段单词的权值和的平方，还要加一个常数 $M$，即 $(\sum C_i{)}^2+M$。现在想求出一种最优方案，使得总费用之和最小。

不难得出朴素$dp$做法：
设$f_i$为将前$i$个单词划分的最小费用，$sum{c}_i$表示$C_i$的前缀和
$f_i=mi{n}_{j=0}^{i-1}(f_j+(sum{c}_i-sum{c}_j{)}^2+M)$
（若无法理解朴素$dp$，建议先不要学习斜率优化）

在朴素$dp$的过程中，需要同时枚举$i,j$，复杂度为$n^2$，显然无法通过此题。

若只枚举$i$，我们只需要花较低的复杂度找到一个最优的$j$，即可以使$(f_j+sum{c}_i^2-2\times sum{c}_i\times sum{c}_j+sum{c}_j^2+M)$最小的$j$，找到之后转移即可，斜率优化正是来帮助我们快速地寻找到$j$

对于上式中的多项式，将其展开为多个单项式，即：
$f_i=mi{n}_{j=0}^{i-1}(f_j+sum{c}_i^2-2\times sum{c}_i\times sum{c}_j+sum{c}_{}$