AcWing 凸包优化DP相关问题 300. 任务安排1

比较朴素的思维，二维动态规划，时间复杂度平方级，凸包优化的思路下一篇博客再降，先粘贴个朴素思路代码

'''
dp 转移思想

dp(i)表示前i个任务所有分组方案中，总开销的最小值
按照最后一组的情况来划分集合，也就是倒数第二组的最后一个任务的编号，假设这个编号是j
注意有个巧妙的转化，在算每一组开始启动的时间S带来的开销时候，对这个组后面的所有任务
的带来的开销的增加量全部累加到当前这一组任务上，这样处理每一组任务时候，就可以排除
掉前面的组对当前组的开销的影响, dp(i)是已经包含了前i个元素所有分组对后面的所有分组
的开销带来的额外增量的

Sc 表示Ci的前缀和
St 表示Ti的前缀和

dp(i) = max{
    dp(i-1) + S*(Sc(N-1) - Sc(i-1)) + (Sc(i) - Sc(i-1)) * St(i),
    dp(i-2) + S*(Sc(N-1) - Sc(i-2)) + (Sc(i) - Sc(i-2)) * St(i),
    ....
    dp(i-i) + S*(Sc(N-1) - Sc(i-i)) + (Sc(i) - Sc(i-i)) * St(i),
    0 + S* (Sc(N-1) - 0) + (Sc(i) - 0) * St(i)
}

每次状态转移有一个线性的开销，总的时间复杂度是平方级的

'''

N = int(input())
S = int(input())

St = [0] * N
Sc = [0] * N
for i in range(N):
    St[i], Sc[i] = map(int, input().split())
for i in range(1, N):
    St[i], Sc[i] = St[i] + St[i-1], Sc[i] + Sc[i-1]

dp  = [0] * N
for i in range(N):
    dp[i] = S * Sc[N-1] + Sc[i] * St[i]
    for j in range(i):
        dp[i] = min( dp[i], dp[j] + S * (Sc[N-1] - Sc[j]) + (Sc[i] - Sc[j]) * St[i] )
print(dp[N-1])