[apio2010]特别行动队(斜率优化的dp)

本文探讨了一种使用动态规划、斜率优化和单调队列优化方法解决序列分组问题,以最大化每份的收益。通过变形公式和变量转换,简化了原问题并实现了高效求解。

[题目简述]

        给你一个序列,你要将他们分成连续的若干份.每一份带给你的收益是ax^2+bx+c,其中x是这一份的和,a<0

[题解]

        对于这道题,我们可以很容易的写出方程:f[i]=max(f[j]+a*(s[i]-s[j])^2+b*(s[i]-s[j])+c);因为数据范围是100W,所以我们猜测这个dp要用斜率优化或单调队列优化.

        现在我们对他做一下变形.

        f[i]=max(f[j]+a*(s[i]*s[i]+s[j]*s[j]+2*s[i]*s[j])+b*(s[i]-s[j])+c)
            =max(f[j]+a*a[j]*a[j]+2*a*s[i]*s[j]-b*s[j])+a*s[i]*s[i]+b*s[i]+c

        可以发现,f[j]+a*a[j]*a[j]-b*s[j]只与j有关,a*s[i]*s[i]+b*s[i]+c只与i有关,2*a*s[i]*s[j]与i,j有关且单调递减(a<0),而f[j]+a*a[j]*a[j]-b*s[j]则没有单调性.

        我们令k=a*s[i]*s[i]+b*s[i]+c,x[i]=2*a*s[i],y[i]=f[i]+a*a[i]*a[i]-b*s[i],则:f[i]=max(y[i]+s[i]*x[i])+k

        令P=y[j]+s[i]*x[j],我们的目标就是最大化P.移项得:y[j]=P-s[i]*x[j].

       我们再令x[j]=-x[j],则:y[j]=s[i]*x[j]+P.其中,x随j单调递增.由于s随i单调递增,所以直线的斜率也单调递增,所以我们可以利用斜率优化来解决这道题.

Code:

program commando;
type int=longint;real=extended;
var
        i,j,m,l,r,n:int;
        a,b,k,c:real;
        x,y,f,s:array[0..1000000]of real;
        q:array[0..1000000]of int;

begin
        assign(input,'commando.in');reset(input);
        assign(output,'commando.out');rewrite(output);
        read(n);
        read(a,b,c);s[0]:=0;
        for i:=1 to n do begin
                read(s[i]);s[i]:=s[i-1]+s[i];
        end;
        l:=1;r:=1;q[l]:=0;f[0]:=0;
        for i:=1 to n do begin
                k:=c+b*s[i]+a*s[i]*s[i];
                while(l<r)and((y[q[l]]-y[q[l+1]])/(x[q[l]]-x[q[l+1]])<s[i])do inc(l);
                f[i]:=k+y[q[l]]-s[i]*x[q[l]];
                x[i]:=2*a*s[i];y[i]:=f[i]-b*s[i]+a*s[i]*s[i];
                while(l<r)and((y[q[r]]-y[q[r-1]])/(x[q[r]]-x[q[r-1]])>(y[q[r]]-y[i])/(x[q[r]]-x[i]))do dec(r);
                inc(r);q[r]:=i;
        end;
        write(f[n]:0:0);
        close(input);close(output);
end.

另外,我想申明一下,由于本人写blog的主要目的是将刚学过的东西巩固一下,所以代码的效率不一定有多高,实现方式不一定很精简,请某些同学就不要挑一些小毛病了.贴上来的程序只是做一个参考,不过我还是会保证正确性的.


BY QW

转载请注明出处

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
<think>我们之前已经详细讲解过斜率优化DP,但用户再次要求详细讲解,因此需要重新组织内容,并且按照要求最后输出相关问题。 注意:用户明确要求使用中文回答,并在最后输出3-5个相关问题,且第一行必须是“§§相关问题§§”,禁止换行分散。 我们将按照以下结构进行讲解: 1. 斜率优化DP的定义和适用场景 2. 核心思想与原理(几何意义、斜率公式推导) 3. 实现步骤(包括状态转移方程转换、斜率计算、单调队列维护) 4. 代码示例(以序列分割最小化平方和为例) 5. 注意事项 最后,提出3-5个相关问题。 注意:由于用户重复提问,我们可以适当调整内容,但必须详细讲解。 开始回答: </think>### 斜率优化DP详细讲解 斜率优化DP是一种用于优化动态规划状态转移的高效技巧,特别适用于状态转移方程形式为 \(\text{dp}[i] = \min_{j<i} \{\text{dp}[j] + f(i,j)\}\) 且 \(f(i,j)\) 具有凸性特征的问题。其核心是将数值比较转化为几何斜率比较,通过维护决策点的凸包(通常用单调队列),将复杂度从 \(O(n^2)\) 降至 \(O(n)\)。 #### 一、核心原理 1. **问题特征** 需满足决策单调性:设 \(f(i,j) = a(i) \cdot b(j) + c(i) + d(j)\),其中 \(b(j)\) 单调递增,且 \(\text{dp}[j] + d(j)\) 和 \(b(j)\) 构成凸函数关系(如二次函数)。 2. **斜率转化** 将状态转移方程重写为直线截距形式: \[ \text{dp}[i] - c(i) = \min_{j} \{ (\text{dp}[j] + d(j)) - a(i) \cdot b(j) \} \] 其中 \(y_j = \text{dp}[j] + d(j)\) 为纵坐标,\(x_j = b(j)\) 为横坐标,目标是最小化直线 \(y = a(i) \cdot x + k\) 的截距 \(k\)。 3. **凸包维护** - 决策点 \((x_j, y_j)\) 需构成下凸包(斜率单调递增)。 - 最优决策点位于凸包切线斜率等于 \(a(i)\) 的位置。 #### 二、实现步骤(以序列分割最小化平方和为例) **问题模型**: 设前缀和数组 \(s\),状态转移方程: \[ \text{dp}[i] = \min_{j<i} \{ \text{dp}[j] + (s_i - s_j)^2 \} \] **步骤分解**: 1. **方程变形**: \[ \text{dp}[i] = \min_{j} \{ \text{dp}[j] + s_j^2 - 2s_i s_j \} + s_i^2 \] 此时 \(y_j = \text{dp}[j] + s_j^2\),\(x_j = s_j\),目标斜率 \(k_i = 2s_i\). 2. **斜率计算**: 决策点 \(j\) 和 \(k\)斜率: \[ \text{slope}(j,k) = \frac{y_j - y_k}{x_j - x_k} \quad (x_j \neq x_k) \] 3. **单调队列操作**: - **查询最优 \(j\)**: 移除队头斜率 \(\leq k_i\) 的点(因 \(s_i\) 递增,\(k_i\) 递增)。 - **维护凸包**: 插入新点 \(i\) 前,移除队尾破坏凸性的点(若 \(\text{slope}(j,k) \geq \text{slope}(k,i)\) 则删 \(k\))。 #### 三、代码实现 ```python from collections import deque def slope_optimization_dp(n, s): # s[0..n]为前缀和,s[0]=0 dp = [0] * (n + 1) q = deque() q.append(0) # 初始决策点j=0 def y(j): return dp[j] + s[j] * s[j] # 纵坐标y_j def slope(j, k): # 计算斜率 if s[j] == s[k]: return float('-inf') if y(j) < y(k) else float('inf') return (y(j) - y(k)) / (s[j] - s[k]) for i in range(1, n + 1): # 队头维护:移除斜率<=2*s[i]的点 while len(q) >= 2 and slope(q[0], q[1]) <= 2 * s[i]: q.popleft() j = q[0] dp[i] = dp[j] + (s[i] - s[j]) ** 2 # 状态转移 # 队尾维护:移除破坏下凸性的点 while len(q) >= 2 and slope(q[-2], q[-1]) >= slope(q[-1], i): q.pop() q.append(i) return dp[n] # 示例:s = [0, 1, 3, 6] 对应序列[1,2,3] ``` #### 四、关键点与注意事项 1. **适用条件**: - \(b(j)\) 需单调(否则需平衡树维护凸包)。 - \(a(i)\) 需单调(否则需二分查找最优决策点)。 2. **边界处理**: - \(x_j = x_k\) 时需特殊处理斜率(返回无穷大)。 - 初始加入虚拟点 \(j=0\)。 3. **典型应用**: - 任务调度(HDU 3507) - 序列分割(APIO 2010) - 仓库建设(CEOI 2004) #### 五、与四边形优化的区别 - **斜率优化**:针对 \(f(i,j)\) 关于 \(j\) 凸,依赖单变量斜率比较。 - **四边形优化**:针对 \(f(i,j)\) 关于区间单调,依赖二维决策单调性。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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