HNOI2008 玩具装箱TOY

本文介绍了一个使用斜率优化动态规划方法解决玩具运输问题的实例。问题要求将一系列压缩后的玩具分配到特殊的一维容器中,使得总成本最小。通过定义状态和转移方程,采用斜率优化技巧,将原始的O(n^2)复杂度降低至更高效的算法。
题目描述

P教授要去看奥运,但是他舍不下他的玩具,于是他决定把所有的玩具运到北京。他使用自己的压缩器进行压缩,其可以将任意物品变成一堆,再放到一种特殊的一维容器中。P教授有编号为1...N的N件玩具,第i件玩具经过压缩后变成一维长度为Ci.为了方便整理,P教授要求在一个一维容器中的玩具编号是连续的。同时如果一个一维容器中有多个玩具,那么两件玩具之间要加入一个单位长度的填充物,形式地说如果将第i件玩具到第j个玩具放到一个容器中,那么容器的长度将为 x=j-i+Sigma(Ck) i<=K<=j 制作容器的费用与容器的长度有关,根据教授研究,如果容器长度为x,其制作费用为(X-L)^2.其中L是一个常量。P教授不关心容器的数目,他可以制作出任意长度的容器,甚至超过L。但他希望费用最小.

输入输出格式

输入格式:
第一行输入两个整数N,L.接下来N行输入Ci.1<=N<=50000,1<=L,Ci<=10^7

输出格式:
输出最小费用

输入输出样例

输入样例#15 4
3
4
2
1
4
输出样例#11
题目

 

芒果君:搞了一天的斜率优化QAQ 心累

这道题如果你看成划分DP还是挺简单的,设前缀和为sum,则转移方程为

$f[i]=f[j]+( sum[i]-sum[j]+i-j-1-L)^2\qquad(j<i)$

然而n方的时间复杂度我们实在是接受不了呢。于是,为了快速跳过那些没用的状态,就加一个玄学的斜率优化。如果当前状态f[i]是由f[j]继承而来,则不知道从哪来的k没有j优,也就是说

$f\left[j\right]+\left( sum\left[i\right]-sum\left[j\right]+i-j-1-L\right)^2 \leq f\left[k\right]+\left( sum\left[i\right]-sum\left[k\right]+i-k-1-L\right)^2$

 

然后我们设T[i]=sum[i]+i,G[i]=T[i]+L+1,替换一下上面的公式(我懒得打了),最后移项得

 

$\dfrac{f\left[j\right]+G\left[j\right]^2-\left(f\left[k\right]+G\left[k\right]^2\right)}{2\left(G\left[j\right]-G\left[k\right]\right)} \leq T\left[i\right]$

 

上式可以验证哪个状态更优,然后我们用单调队列来维护,它的队首最优,继承给当前f[i],其实将式子推出来就没有太大的难点了,关键是方法。

 

 

 1 #include<cstdio>
 2 #include<cstring>
 3 #include<cmath>
 4 #include<iostream>
 5 #include<algorithm>
 6 #include<cstdlib>
 7 #include<vector>
 8 #include<queue>
 9 #include<stack>
10 #define ll long long
11 #define maxn 50010
12 using namespace std;
13 int n,L,q[maxn],head,tail;
14 ll sum[maxn],f[maxn],T[maxn],G[maxn];
15 ll read()
16 {
17     ll ret(0);
18     char ch=getchar();
19     while(ch<'0'||ch>'9') ch=getchar();
20     while(ch>='0'&&ch<='9'){
21         ret=ret*10+ch-'0';
22         ch=getchar();
23     }
24     return ret;
25 }
26 inline ll p(ll x){return x*x;}
27 inline ll calf(ll x,ll y){return f[y]+p(T[x]-G[y]);}
28 inline ll calu(ll x,ll y){return f[x]+p(G[x])-(f[y]+p(G[y]));}
29 inline ll cald(ll x,ll y){return (G[x]-G[y])<<1;}
30 int main()
31 {
32     scanf("%d%d",&n,&L);
33     for(int i=1;i<=n;++i) sum[i]=sum[i-1]+read(),f[i]=1ll<<62;
34     for(int i=0;i<=n;++i) T[i]=sum[i]+i,G[i]=T[i]+L+1;
35     q[tail++]=f[0]=0;
36     for(int i=1;i<=n;++i){
37         while((tail-head>1)&&calu(q[head+1],q[head])<=T[i]*cald(q[head+1],q[head])) head++;
38         f[i]=calf(i,q[head]);
39         while((tail-head>1)&&calu(i,q[tail-1])*cald(q[tail-1],q[tail-2])<=cald(i,q[tail-1])*calu(q[tail-1],q[tail-2])) tail--;
40         q[tail++]=i;
41     }
42     printf("%lld\n",f[n]);
43     return 0;
44 }

 

转载于:https://www.cnblogs.com/12mango/p/7745089.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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