洛谷P3195 [HNOI2008]玩具装箱TOY 斜率优化
令 $f_{i}$ 表示从 1 考虑到 $i$ 的最优结果.
得 $f_{i}=min${ $f_{j}+(sum_{i}-sum_{j}+i-j-1-L)^{2}$}
如果直接枚举,是 $O(n^{2})$ 的,太慢了!!!
考虑斜率优化:
令 $k<j$,考虑什么时候 $j$ 比 $k$ 优:
$fj+(sumi−sumj+i−j−1−L)^{2}<fk+(sumi−sumk+i−k−1−L)^{2}$
令 $a_{i}=sum_{i}+i$ ,$b_{i}=sum_{i}+i+1+L$ (为了简化计算)
得: $f_{j}+(a_{i}-b_{j})^{2}<f_{k}+(a_{i}-b_{k})^{2}$
化简一下,得:$\frac{f_{j}+b_{j}^{2}-(f_{k}+b_{k}^{2})}{b_{j}-b_{k}}<2\times a_{i}$
令 $g[x]=f_{x}+b_{x}^{2}$
上面式子为 $\frac{g_{j}-g_{k}}{b_{j}-b{k}}$,看上去是不是很熟悉 ?
这不就是一次函数斜率得形式嘛......
可以把 $j,k$ 都看作二维平面上的点 $(b_{j},g_{j})$ 与 $(b_{k},g_{k})$
那么, $j$ 的答案优于 $k$ 是在二者得斜率小于 $2\times a_{i}$ 的情况下成立的.
所以说,我们要求的 $j$ 就是编号最大的与前一个点的斜率小于 $2a_{i}$ 的值.
手画一下,发现这道题中我们要维护的其实就是一个下凸包.
根据我们每一次的斜率 $2\times a_{i}$,不难发现这个东西是单调递增的,所以当我们找到答案 $tmp$ 时,$tmp$ 前的所有点就都变成无用点,直接弹掉即可.
而每一次新加入一个点,就顺便维护凸包的形状,将不合法的点从队尾弹出即可.
#include<cstdio>
#include<algorithm>
using namespace std;
const int maxn = 100000 + 123;
long long s[maxn], f[maxn];
int l, n, q[maxn];
inline long long re_x(int i){ return s[i]; }
inline long long re_y(int i){ return f[i] + (s[i] + l) * (s[i] + l); }
inline double get_slope(int i,int j){return (double)(re_y(i) - re_y(j)) / (re_x(i) - re_x(j)); }
int main()
{
scanf("%d%d",&n,&l);
for(int i = 1;i <= n; ++i) scanf("%lld",&s[i]), s[i] += s[i-1];
for(int i = 1;i <= n; ++i) s[i] += i;
int head = 0, tail = 0;
for(int i = 1;i <= n; ++i)
{
while(head < tail && get_slope(q[head], q[head + 1]) < 2 * s[i] ) ++ head;
f[i] = f[q[head]] + (s[i] - s[q[head]] - 1 - l) * (s[i] - s[q[head]] - 1 - l);
while(tail > head && get_slope(q[tail], i) < get_slope(i, q[tail - 1])) --tail;
q[++tail] = i;
}
printf("%lld",f[n]);
return 0;
}
洛谷P3195 [HNOI2008]玩具装箱TOY 斜率优化的更多相关文章
- 洛谷P3195 [HNOI2008]玩具装箱TOY——斜率优化DP
题目:https://www.luogu.org/problemnew/show/P3195 第一次用斜率优化...其实还是有点云里雾里的: 网上的题解都很详细,我的理解就是通过把式子变形,假定一个最 ...
- [洛谷P3195][HNOI2008]玩具装箱TOY
题目大意:有n个物体,大小为$c_i$.把第i个到第j个放到一起,容器的长度为$x=j-i+\sum\limits_{k-i}^{j} c_k$,若长度为x,费用为$(x-L)^2$.费用最小. 题解 ...
- 洛谷 P3195 [HNOI2008]玩具装箱TOY
题意简述 有n个物体,第i个长度为ci 将n个物体分为若干组,每组必须连续 如果把i到j的物品分到一组,则该组长度为 \( j - i + \sum\limits_{k = i}^{j}ck \) 求 ...
- P3195 [HNOI2008]玩具装箱TOY 斜率优化dp
传送门:https://www.luogu.org/problem/P3195 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 ...
- 洛谷P3195 [HNOI2008]玩具装箱TOY(单调队列优化DP)
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, ...
- 斜率优化dp学习笔记 洛谷P3915[HNOI2008]玩具装箱toy
本文为原创??? 作者写这篇文章的时候刚刚初一毕业…… 如有错误请各位大佬指正 从例题入手 洛谷P3915[HNOI2008]玩具装箱toy Step0:读题 Q:暴力? 如果您学习过dp 不难推出d ...
- BZOJ 1010: [HNOI2008]玩具装箱toy 斜率优化DP
1010: [HNOI2008]玩具装箱toy Description 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 ...
- bzoj1010[HNOI2008]玩具装箱toy 斜率优化dp
1010: [HNOI2008]玩具装箱toy Time Limit: 1 Sec Memory Limit: 162 MBSubmit: 11893 Solved: 5061[Submit][S ...
- Bzoj 1010: [HNOI2008]玩具装箱toy(斜率优化)
1010: [HNOI2008]玩具装箱toy Time Limit: 1 Sec Memory Limit: 162 MB Description P教授要去看奥运,但是他舍不下他的玩具,于是他决定 ...
随机推荐
- 【codeforces 793D】Presents in Bankopolis
[题目链接]:http://codeforces.com/contest/793/problem/D [题意] 给你n个点, 这n个点 从左到右1..n依序排; 然后给你m条有向边; 然后让你从中选出 ...
- HDU 1115
题意很明白要求多边形重心.方法已在上篇讲过了. #include <iostream> #include <cstdio> #include <cstring> # ...
- CSTC 选课
选课 [问题描述] 在大学里每个学生,为了达到一定的学分,必须从很多课程里选择一些课程来学习,在课程里有些课程必须在某些课程之前学习,如高等数学总是在其它课程之前学习.现在有N门功课,每门课有个学分, ...
- CCNP路由实验之十四 路由器的訪问控制ACL
年9月1月12:00.还有一种时间叫做周期时间(periodic),即这个时间是会多次反复的.比方每周一,或者每周一到周五 ,"rotary 2″开启3002以此类推. 变成1,1变成 ...
- cefsharp 获取高度
G.browser.GetBrowser().MainFrame.ExecuteJavaScriptAsync("$(document).height()"); // Get Do ...
- 具体解释linux文件处理的的经常使用命令
原创Blog.转载请注明出处 附上之前訪问量比較高的几篇linux博客 本人使用shell的8个小技巧 grep的九个经典使用场景 sed命令具体解释 awk命令具体解释 linux中全部的东西都是文 ...
- JVM —— Java 对象占用空间大小计算
零. 为什么要知道 Java 对象占用空间大小 缓存的实现: 在设计 JVM 内缓存时(不是借助 Memcached. Redis 等), 须要知道缓存的对象是否会超过 JVM 最大堆限制, 假设会超 ...
- 0x57 倍增优化DP
真的是下定了巨大的决心来搞这一讲,果不其然耗了一晚上 开车旅行(真的是NOIP的题吗怎么这么恐怖) 首先,先用set把小A和小B从城市i出发,到达的下一个城市预处理出来. f[i][j][k]表示走了 ...
- (转)Android开发书籍推荐:从入门到精通系列学习路线书籍介绍
Android开发书籍推荐:从入门到精通系列学习路线书籍介绍 转自:http://blog.csdn.net/findsafety/article/details/52317506 很多时候我们都会不 ...
- 深度学习实战篇-基于RNN的中文分词探索
深度学习实战篇-基于RNN的中文分词探索 近年来,深度学习在人工智能的多个领域取得了显著成绩.微软使用的152层深度神经网络在ImageNet的比赛上斩获多项第一,同时在图像识别中超过了人类的识别水平 ...