[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

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
<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
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