[BZOJ1096][ZJOI2007]仓库建设(斜率优化dp)

仿佛终于理解了斜率优化

Address

https://www.lydsy.com/JudgeOnline/problem.php?id=1096

Solution

显然 dp 。
定义状态:
f[i] f [ i ] 表示在前 i i 个工厂建立仓库,且第 i 个工厂必须建立仓库的最小费用。
转移就是枚举上一个仓库的建立位置 j j (如果没有则 j=0

f[i]=minj=0i1{f[j]+k=j+1i{(XiXk)×Pk}+Ci} f [ i ] = min j = 0 i − 1 { f [ j ] + ∑ k = j + 1 i { ( X i − X k ) × P k } + C i }

考虑把 ik=j+1{(XiXk)×Pk} ∑ k = j + 1 i { ( X i − X k ) × P k } 化开:
S S P 的前缀和, R R P×X 的前缀和)
(即 Si=ij=1Pj S i = ∑ j = 1 i P j Ri=ij=1{Pj×Xj} R i = ∑ j = 1 i { P j × X j }
k=j+1i{(XiXk)×Pk}=k=j+1i{(Xi×PkXk×Pk} ∑ k = j + 1 i { ( X i − X k ) × P k } = ∑ k = j + 1 i { ( X i × P k − X k × P k }

=k=j+1i{Xi×Pk}k=j+1i{Xk×Pk} = ∑ k = j + 1 i { X i × P k } − ∑ k = j + 1 i { X k × P k }

=Xi×k=j+1iPkk=j+1i{Xk×Pk} = X i × ∑ k = j + 1 i P k − ∑ k = j + 1 i { X k × P k }

=Xi×(SiSj)(RiRj) = X i × ( S i − S j ) − ( R i − R j )

于是:
f[i]=minj=0i1{f[j]+Xi×(SiSj)(RiRj)+Ci} f [ i ] = min j = 0 i − 1 { f [ j ] + X i × ( S i − S j ) − ( R i − R j ) + C i }

=minj=0i1{f[j]+Xi×SiXi×SjRi+Rj+Ci} = min j = 0 i − 1 { f [ j ] + X i × S i − X i × S j − R i + R j + C i }

=minj=0i1{f[j]+RjXi×Sj}+Xi×SiRi+Ci = min j = 0 i − 1 { f [ j ] + R j − X i × S j } + X i × S i − R i + C i

这是一个显然的斜率优化。
k<j<i k < j < i ,那么从 j j 转移比 k 优当且仅当:
f[j]+RjXi×Sj<f[k]+RkXi×Sk f [ j ] + R j − X i × S j < f [ k ] + R k − X i × S k

(f[j]+Rj)(f[k]+Rk)<Xi×SjXi×Sk ( f [ j ] + R j ) − ( f [ k ] + R k ) < X i × S j − X i × S k

(f[j]+Rj)(f[k]+Rk)SjSk<Xi ( f [ j ] + R j ) − ( f [ k ] + R k ) S j − S k < X i

左边是一个斜率的式子!
把每个决策看作一个平面上一个点:决策为 i i (Si,f[i]+Ri)
考虑 a<b<c a < b < c ,设 slope[a,b] s l o p e [ a , b ] 为过第 a a 个点与第 b 个点的直线的斜率,
并且 slope[a,b]>slope[b,c] s l o p e [ a , b ] > s l o p e [ b , c ]
(1)如果 slope[a,b]<Xi s l o p e [ a , b ] < X i ,那么 slope[b,c] s l o p e [ b , c ] 一定也小于 Xi X i 。这时候决策 c c 比决策 b 优。
(2)如果 slope[b,c]>Xi s l o p e [ b , c ] > X i ,那么 slope[a,b] s l o p e [ a , b ] 一定也大于 Xi X i 。那么这时候决策 b b 一定不比决策 a 优。
(3)如果 slope[b,c]<Xi<slope[a,b] s l o p e [ b , c ] < X i < s l o p e [ a , b ] ,那么决策 b b 一定不比决策 a c c 优。
得出结论:如果 slope[a,b]>slope[b,c] ,那么决策 b b 一定不会是最优决策。
所以,所有可能成为最优决策的点构成一个下凸壳,斜率单调递增。
并且,如果一个决策 j 在下凸壳上是最优决策(设 k k j 在下凸壳上的前一个点, h h j 在凸壳上的后一个点),那么一定有 slope[k,j]<Xi,slope[j,h]>Xi s l o p e [ k , j ] < X i , s l o p e [ j , h ] > X i 。从这里也能得出,这个动规方程在下凸壳上满足决策单调性。
根据斜率的单调性,可以用一个单调队列维护下凸壳,每次进行决策时,利用决策的单调性,从队首不断出队,找到最优决策 j j 并转移。每次决策结束后,在下凸壳末尾加入点 (Si,f[i]+Ri) ,并维护下凸的性质。
由于每个点最多进出队一次,所以复杂度 O(n) O ( n )

Code

#include <cmath>
#include <cstdio>
#include <cstring>
#include <iostream>
#include <algorithm>
#define For(i, a, b) for (i = a; i <= b; i++)
using namespace std;
inline int read() {
    int res = 0; bool bo = 0; char c;
    while (((c = getchar()) < '0' || c > '9') && c != '-');
    if (c == '-') bo = 1; else res = c - 48;
    while ((c = getchar()) >= '0' && c <= '9')
        res = (res << 3) + (res << 1) + (c - 48);
    return bo ? ~res + 1 : res;
}
typedef long long ll; const int N = 1e6 + 5;
int n, X[N], P[N], C[N], H, T, que[N]; ll f[N], S[N], R[N], x[N], y[N];
ll calc(int j, int i) {return y[j] - x[j] * X[i];}
double slope(int j, int k) {
    return 1.0 * (y[j] - y[k]) / (x[j] - x[k]);
}
int main() {
    int i; n = read(); For (i, 1, n) X[i] = read(), P[i] = read(), C[i] = read();
    For (i, 1, n) S[i] = S[i - 1] + P[i], R[i] = R[i - 1] + 1ll * P[i] * X[i];
    f[0] = x[0] = y[0] = 0; que[H = T = 1] = 0; For (i, 1, n) {
        while (H < T && calc(que[H], i) >= calc(que[H + 1], i)) H++;
        f[i] = calc(que[H], i) + 1ll * S[i] * X[i] - R[i] + C[i];
        x[i] = S[i]; y[i] = f[i] + R[i];
        while (H < T && slope(que[T - 1], que[T]) > slope(que[T], i)) T--;
        que[++T] = i;
    }
    cout << f[n] << endl; return 0;
}
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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