HDU3507打印文章 斜率优化入门

该博客介绍了如何使用斜率优化法解决HDU3507打印文章的问题。数据范围为n≤500000, m≤1000。博主首先阐述了题目要求,即输出数字序列的最小费用计算。接着,通过建立动态规划方程并简化,引入斜率优化的概念,解释了如何利用单调队列和凸包来降低时间复杂度到O(n log n)。博客主要作为斜率优化的入门教程,并提示后续会针对更复杂的题目进行深入探讨。" 135767630,9071370,理解Servlet API:ServletRequest与ServletResponse接口,"['servlet', 'javax.servlet', 'HTTP']

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

打印文章

一、题意及数据范围

题目描述
题目大意:输出N个数字a[N],输出的时候可以连续的输出,每连续输出一串,它的费用是 “这串数字和的平方加上一个常数M”,求最小的费用。
数据范围
n<=500000 , m<=1000。

二、解法

基本思路

根据题目,我们可以列出dp[i]=dp[j]+(a[i]-a[j])2+m,其中dp[i]表示i点是最后一段的最后一个数字的最小花费,a[j]是前缀和。但是这个dp式显然是O(n2)的,我们考虑怎么对它进行优化,化简得:
dp[i]=dp[j]+a[i]2+a[j]2-2*a[i]*a[j]+m
由于这个dp式在计算时需要a[i]和a[j]的乘积,单调队列就不能维护了。

斜率优化
半年多没接触,都不知道怎么用它了……
接下来有一些玄学推导:
设用j更新比k更优,则:
dp[j]+a[i]2+a[j]2-2*a[i]*a[j]+m<dp[k]+a[i]2+a[k]2-2*a[i]*a[k]
消去同类项:dp[j]+a[j]2-2*a[i]*a[j]<dp[k]+a[k]2-2*a[i]*a[k]
移项:dp[j]-dp[k]+a[j]2-a[k]2<2*a[i]*(a[j]-a[k])
我们设f[j]=dp[j]+a[j]2,f[k]=dp[k]+a[k]2
dp[j]−a[k]a[j]−a[k]\frac{dp[j]-a[k]}{a[j]-a[k]}a[j]a[k]dp[j]a[k]<2*a[i]
这个东西……是不是很像斜率
哈!这就是它为什么要叫斜率优化。

具体实现
其实最重要的东西我都讲了,我们可以用这个式子结合单调队列维护凸包,就能过了。
看代码吧。

#include <cstdio>
#define LL long long 
const LL MAXN = 500005;
LL read()
{
	LL x=0,flag=1;char c;
	while((c=getchar())<'0' || c>'9') if(c=='-') flag=-1;
	while(c>='0' && c<='9') x=(x<<3)+(x<<1)+c-'0',c=getchar();
	return x*flag;
}
LL n,m,a[MAXN],q[MAXN],dp[MAXN];

LL slope_up(LL j,LL k)
{
	return (dp[j]+a[j]*a[j])-(dp[k]+a[k]*a[k]);
}
LL slope_down(LL j,LL k)
{
	return 2*a[j]-2*a[k];
}
int main()
{
	while(~scanf("%lld %lld",&n,&m))
	{
		for(LL i=1;i<=n;i++)
			a[i]=a[i-1]+read();
		LL head=1,tail=0;
		q[++tail]=0;
		dp[0]=0;
		for(LL i=1;i<=n;i++)
		{
			while(head<tail && slope_up(q[head+1],q[head])<=a[i]*slope_down(q[head+1],q[head])) head++;
			//维护队首,如上述,当小于时就一定不比q[head+1]优。避免精度问题,使用乘法。 
			dp[i]=dp[q[head]]+(a[i]-a[q[head]])*(a[i]-a[q[head]])+m;
			while(head<tail && slope_up(q[tail],q[tail-1])*slope_down(i,q[tail])>=slope_up(i,q[tail])*slope_down(q[tail],q[tail-1])) tail--;
			//同样维护凸包,使用乘法。 
			q[++tail]=i;
		}
		printf("%lld\n",dp[n]);
	}
}

注:本篇题解只是斜率优化入门,没有深究,后面做到难题时再补几发博客吧

### 回答1: hdu 2829 Lawrence 斜率优化dp 这道题是一道经典的斜率优化dp题目,需要用到单调队列的思想。 题目大意是给定一个序列a,求出一个序列b,使得b[i]表示a[1]~a[i]中的最小值,且满足b[i] = min{b[j] + (i-j)*k},其中k为给定的常数。 我们可以将上式拆开,得到b[i] = min{b[j] - j*k} + i*k,即b[i] = i*k + min{b[j] - j*k},这个式子就是斜率优化dp的形式。 我们可以用单调队列来维护min{b[j] - j*k},具体思路如下: 1. 首先将第一个元素加入队列中。 2. 从第二个元素开始,我们需要将当前元素加入队列中,并且需要维护队列的单调性。 3. 维护单调性的方法是,我们从队列的末尾开始,将队列中所有大于当前元素的元素弹出,直到队列为空或者队列中最后一个元素小于当前元素为止。 4. 弹出元素的同时,我们需要计算它们对应的斜率,即(b[j]-j*k)/(j-i),并将这些斜率与当前元素的斜率比较,如果当前元素的斜率更小,则将当前元素加入队列中。 5. 最后队列中的第一个元素就是min{b[j] - j*k},我们将它加上i*k就得到了b[i]的值。 6. 重复以上步骤直到处理完所有元素。 具体实现可以参考下面的代码: ### 回答2: HDU 2829 Lawrence 斜率优化 DP 是一道经典的斜率优化 DP 题目,其思想是通过维护一个下凸包来优化 DP 算法。下面我们来具体分析一下这道题目。 首先,让我们看一下该题目的描述。题目给定一些木棒,要求我们将这些木棒割成一些给定长度,且要求每种长度的木棒的数量都是一样的,求最小的割枝次数。这是一个典型的背包问题,而且在此基础上还要求每种长度的木棒的数量相同,这就需要我们在状态设计上走一些弯路。 我们来看一下状态的定义。定义 $dp[i][j]$ 表示前 $i$ 个木棒中正好能割出 $j$ 根长度为 $c_i$ 的木棒的最小割枝次数。对于每个 $dp[i][j]$,我们可以分类讨论: 1. 不选当前的木棒,即 $dp[i][j]=dp[i-1][j]$; 2. 选当前的木棒,即 $dp[i][j-k]=dp[i-1][j-k]+k$,其中 $k$ 是 $j/c_i$ 的整数部分。 现在问题再次转化为我们需要在满足等量限制的情况下,求最小的割枝次数。可以看出,这是一个依赖于 $c_i$ 的限制。于是,我们可以通过斜率优化 DP 来解决这个问题。 我们来具体分析一下斜率优化 DP 算法的思路。我们首先来看一下动态规划的状态转移方程 $dp[i][j]=\min\{dp[i-1][k]+x_k(i,j)\}$。可以发现,$dp[i][j]$ 的最小值只与 $dp[i-1][k]$ 和 $x_k(i,j)$ 有关。其中,$x_k(i,j)$ 表示斜率,其值为 $dp[i-1][k]-k\times c_i+j\times c_i$。 接下来,我们需要维护一个下凸包,并通过斜率进行优化。我们具体分析一下该过程。假设我们当前要计算 $dp[i][j]$。首先,我们需要找到当前点 $(i,j)$ 在凸包上的位置,即斜率最小值的位置。然后,我们根据该位置的斜率计算 $dp[i][j]$ 的值。接下来,我们需要将当前点 $(i,j)$ 加入到下凸包上。 我们在加入点的时候需要注意几点。首先,我们需要将凸包中所有斜率比当前点小的点移除,直到该点能够加入到凸包中为止。其次,我们需要判断该点是否能够加入到凸包中。如果不能加入到凸包中,则直接舍弃。最后,我们需要保证凸包中斜率是单调递增的,这就需要在加入新的点之后进行上一步操作。 以上就是该题目的解题思路。需要注意的是,斜率优化 DP 算法并不是万能的,其使用情况需要根据具体的问题情况来确定。同时,该算法中需要维护一个下凸包,可能会增加一些算法的复杂度,建议和常规 DP 算法进行对比,选择最优的算法进行解题。 ### 回答3: 斜率优化DP是一种动态规划优化算法,其主要思路是通过对状态转移方程进行变形,提高算法的时间复杂度。HDU2829 Lawrence问题可以用斜率优化DP解决。 首先,我们需要了解原问题的含义。问题描述如下:有$n$个人在数轴上,第$i$个人的位置为$A_i$,每个人可以携带一定大小的行李,第$i$个人的行李重量为$B_i$,但是每个人只能帮助没有他们重量大的人搬行李。若第$i$个人搬运了第$j$个人的行李,那么第$i$个人会累加$C_{i,j}=\left|A_i-A_j\right|\cdot B_j$的体力消耗。求$m$个人帮助每个人搬运行李的最小体力消耗。 我们可以通过斜率优化DP解决这个问题。记$f_i$为到前$i$个人的最小体力消耗,那么状态转移方程为: $$f_i=\min_{j<i}\{f_j+abs(A_i-A_j)\cdot B_i\}$$ 如果直接使用该方程,时间复杂度为$O(n^2)$,如果$n=10^4$,则需要计算$10^8$次,运算时间极长。斜率优化DP通过一些数学推导将方程变形,将时间复杂度降低到$O(n)$,大大缩短了计算时间。 通过斜率优化DP的推导式子,我们可以得到转移方程为: $$f_i=\min_{j<i}\{f_j+slope(j,i)\}$$ 其中,$slope(j,i)$表示直线$j-i$的斜率。我们可以通过如下方式来求解$slope(j,i)$: $$slope(j,i)=\frac{f_i-f_j}{A_i-A_j}-B_i-B_j$$ 如果$slope(j,i)\leq slope(j,k)$,那么$j$一定不是最优,可以直接舍去,降低计算时间。该算法的时间复杂度为$O(n)$。 综上所述,斜率优化DP是一种动态规划优化算法,可以大大缩短计算时间。在处理类似HDU2829 Lawrence问题的时候,斜率优化DP可以很好地解决问题。
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