weixin_62528401的博客

注意到在转移过程中需要用到用了哪辆车的两点之间的最短路，因此我们考虑预处理这个最短路，这个就类似于分层图的思想搞一搞就好了。设 dp[x][st] 为 当前处于 x 结点上，且经过的结点状态为 st 的最小期望路径长度。要求最小的期望长度，我们可以遍历所有可能的路径，统计这些路径的期望长度的最小值即可。可能关于期望的状压DP用记忆化搜索会好处理一点（？这里很经典的处理方式是状压DP。注意到 k 的范围是18，可以考虑状压。这里的状压DP我们用记忆化搜索解决。

设 dp[s][i] 表示，现在选的方案为 s ，且我是 i 的最终胜利的概率是多少。概率DP就是看当前状态从哪些状态转移过来，边权就是概率，加一下就好了。这是很经典的状压DP转移方式：选择两个1，然后转移。有两种情况，j 战胜 k 或 k 战胜 j。首先，n <= 18，应当想到状压。然后答案就是枚举一下我是哪个就好了。很明显，这里可以使用状压DP。根据这两种情况乘一下概率即可。

在选的过程中，如果选到了1-K号的某个没被选过的球，剩下就选K-1个，因此线性性质就体现在 剩下还要选多少球 中。因此设dp[k][m]为还剩下m个红色小球，且还需要选k个不同编号的红色小球的选择次数的期望。后者的期望贡献：dp[i]+=(1-k/n)*(dp[i-1]+1)，边权为1。前者的期望贡献：dp[i]+=k/n*(dp[i-1]+1)，边权为1。选没被选过且编号在1-K的，就是对次数有贡献的，否则就是没有贡献的。对期望有贡献的部分：m/n*(dp[k-1][m-1]+1)

关于期望的问题，有两种思路：一种是期望DP，另一种是直接根据期望的定义求。我们可以把所有可能的结果抽象成一棵树，一棵很特殊的K叉树。对于第 i 次抛硬币，合法情况是i^n-(i-1)^n。我们去枚举在n次抛硬币的过程中的最大值。对于特殊的树，直接用组合数去计算即可。n次抛硬币，硬币有m种结果。期望是什么，是权值*概率。

本来对期望怎么想都想不通，后来看了大佬的题解，自己动手画了画，以及队友说的“拆分”，忽然间就有点懂了....如果不是DAG，而是成为了环，那么就可以直接列方程了。这个说的很对，把期望问题看作是DAG上的递推。