一道入门 DP + 修改 = 动态 DP。

模板题为例,多次询问树的最大独立集,带修改。

先有 naive 的 DP,记 \(f_{u,0/1}\) 表示 \(u\) 点不选/选时以 \(u\) 为根的子树的最大独立集权值,有

\[\begin{cases}f_{u,0}=\sum\limits_{v\in \operatorname{son}u}\max\{f_{v,0},f_{v,1}\} \\ f_{u,1}=w_u+\sum\limits_{v\in\operatorname{son}u}f_{v,0}\end{cases}
\]

修改一个点的权值,只有这个点到根结点的 DP 值发生了变化,于是我们考虑重链剖分来快速转移。

说到快速转移,又想到了用矩阵。所以我们先来把转移方程改成可用矩阵转移的形式。再记两个 DP 值

\[\begin{cases}g_{u,0}=\sum\limits_{v\in\operatorname{lson}u}\max\{f_{v,0},f_{v,1}\} \\ g_{u,1}=w_u+\sum\limits_{v\in\operatorname{lson}u}f_{v,0}\end{cases}
\]

\(\operatorname{lson}u\) 表示 \(u\) 的所有轻儿子。这样做的目的是将轻重儿子的转移分开,更好维护。

现在重写转移方程

\[\begin{cases}f_{u,0}=g_{u,0}+\max\{f_{\operatorname{hson}u,0},f_{\operatorname{hson}u,1}\} \\ f_{u,1}=g_{u,1}+f_{\operatorname{hson}u,0}\end{cases}
\]

\(\operatorname{son}u\) 表示 \(u\) 的重儿子。这样我们就丢掉了烦人的 \(\sum\) 了。

上面的转移形式很像矩阵 \(A_{i,j}=\max\limits_{k}\{B_{i,k}+C_{k,j}\}\) 的转移形式,所以我们用这个新定义的矩阵乘法来重写刚才的式子(记 \(v=\operatorname{hson}u\)):

\[\begin{bmatrix}f_{u,0} \\ f_{u,1}\end{bmatrix}=\begin{bmatrix}g_{u,0} & g_{u,0} \\ g_{u,1} & -\infty\end{bmatrix}\begin{bmatrix}f_{v,0} \\ f_{v,1}\end{bmatrix}
\]

这样写后,一个点的 DP 值就等于这个点所在重链的叶子结点的矩阵乘这条链上的所有的转移矩阵,这个可以用线段树来维护。修改时沿着链向上跳,线段树上单点修改即可。

更多细节详见代码(注释自我感觉跟详细)

#include <bits/stdc++.h>
using namespace std; const int N=1e5+5;
struct matrix
{
int a[2][2];
matrix() {memset(a,0xcf,sizeof(a));}
int* const operator[](const int i) {return a[i];}
const int* const operator[](const int i) const {return a[i];}
matrix operator*(matrix b)
{
matrix c;
for(int i=0;i<2;++i)
for(int j=0;j<2;++j)
for(int k=0;k<2;++k)
c[i][j]=max(c[i][j],a[i][k]+b[k][j]);
return c;
}
}g[N],t[N<<2];//g[]是转移矩阵,t[]是线段树
int n,Q,son[N],siz[N],dfn[N],id[N],fa[N],ids,top[N],nd[N];
//id[]是这个点的dfs序,dfn[]是id[]的逆映射,nd[]只有在链顶有定义,代表这条链的底的dfs序
int f[N][2],w[N];//f[]是 DP 值
vector<int> G[N]; void dfs1(int u,int faz)
{
siz[u]=1,fa[u]=faz;
for(int v:G[u]) if(v!=faz)
{
dfs1(v,u),siz[u]+=siz[v];
if(siz[v]>siz[son[u]]) son[u]=v;
}
} void dfs2(int u,int tp)
{
top[u]=tp,id[u]=++ids,dfn[ids]=u;
//按照定义初始化矩阵和 DP 值
g[u][0][0]=g[u][0][1]=0;
g[u][1][0]=f[u][1]=w[u],nd[tp]=max(nd[tp],ids);
if(son[u])
{
dfs2(son[u],tp);
f[u][0]+=max(f[son[u]][0],f[son[u]][1]);
f[u][1]+=f[son[u]][0];
}
for(int v:G[u]) if(v!=fa[u]&&v!=son[u])
{
dfs2(v,v);
f[u][0]+=max(f[v][0],f[v][1]);
g[u][0][0]+=max(f[v][0],f[v][1]);
f[u][1]+=f[v][0],g[u][0][1]=g[u][0][0];
g[u][1][0]+=f[v][0];
//按照定义转移即可
}
} //下面的线段树维护的是链上的转移矩阵之积
void build(int rt,int l,int r)
{
if(l==r) {t[rt]=g[dfn[l]]; return;}
int mid=l+r>>1;
build(rt<<1,l,mid),build(rt<<1|1,mid+1,r);
t[rt]=t[rt<<1]*t[rt<<1|1];
} void upd(int rt,int lc,int rc,int p)
{
if(lc==rc) {t[rt]=g[dfn[lc]]; return;}
int mid=lc+rc>>1;
if(p<=mid) upd(rt<<1,lc,mid,p);
else upd(rt<<1|1,mid+1,rc,p);
t[rt]=t[rt<<1]*t[rt<<1|1];
} matrix query(int rt,int lc,int rc,int l,int r)
{
if(l<=lc&&r>=rc) return t[rt];
int mid=lc+rc>>1;
if(r<=mid) return query(rt<<1,lc,mid,l,r);
else if(l>mid) return query(rt<<1|1,mid+1,rc,l,r);
else return query(rt<<1,lc,mid,l,r)*query(rt<<1|1,mid+1,rc,l,r);
} void upd_val(int x,int y)
{
g[x][1][0]+=y-w[x],w[x]=y; //先将自己的值修改了
matrix bef,aft; //需要分别记修改前后的转移矩阵,靠这个差值更新
while(x)
{
bef=query(1,1,n,id[top[x]],nd[top[x]]);
upd(1,1,n,id[x]);
aft=query(1,1,n,id[top[x]],nd[top[x]]);
x=fa[top[x]]; //这个点是链顶的父亲,所以这条链对于父亲来说是一条轻链,所以父亲的矩阵必须修改
g[x][0][0]+=max(aft[0][0],aft[1][0])-max(bef[0][0],bef[1][0]);
g[x][0][1]=g[x][0][0],g[x][1][0]+=aft[0][0]-bef[0][0];
}
} int main()
{
scanf("%d%d",&n,&Q);
for(int i=1;i<=n;++i) scanf("%d",w+i);
for(int i=1,a,b;i<n;++i)
{
scanf("%d%d",&a,&b);
G[a].push_back(b),G[b].push_back(a);
}
dfs1(1,0),dfs2(1,1),build(1,1,n);
for(int i=1,x,y;i<=Q;++i)
{
scanf("%d%d",&x,&y);
upd_val(x,y);
matrix ans=query(1,1,n,id[1],nd[1]);
//注意到一个点的 DP 值就是这个点所在链的底到这个点的转移矩阵之积
//似乎我们在 dfs 后就一直没有用 f[] 了?因为每个叶子结点
//的转移矩阵刚好与其 f[] 值相等,所以我们不需要了
printf("%d\n",max(ans[0][0],ans[1][0]));
}
return 0;
}

动态 DP的更多相关文章

  1. 动态DP之全局平衡二叉树

    目录 前置知识 全局平衡二叉树 大致介绍 建图过程 修改过程 询问过程 时间复杂度的证明 板题 前置知识 在学习如何使用全局平衡二叉树之前,你首先要知道如何使用树链剖分解决动态DP问题.这里仅做一个简 ...

  2. Luogu P4643 【模板】动态dp

    题目链接 Luogu P4643 题解 猫锟在WC2018讲的黑科技--动态DP,就是一个画风正常的DP问题再加上一个动态修改操作,就像这道题一样.(这道题也是PPT中的例题) 动态DP的一个套路是把 ...

  3. 动态dp学习笔记

    我们经常会遇到一些问题,是一些dp的模型,但是加上了什么待修改强制在线之类的,十分毒瘤,如果能有一个模式化的东西解决这类问题就会非常好. 给定一棵n个点的树,点带点权. 有m次操作,每次操作给定x,y ...

  4. 洛谷P4719 动态dp

    动态DP其实挺简单一个东西. 把DP值的定义改成去掉重儿子之后的DP值. 重链上的答案就用线段树/lct维护,维护子段/矩阵都可以.其实本质上差不多... 修改的时候在log个线段树上修改.轻儿子所在 ...

  5. 动态 DP 学习笔记

    不得不承认,去年提高组 D2T3 对动态 DP 起到了良好的普及效果. 动态 DP 主要用于解决一类问题.这类问题一般原本都是较为简单的树上 DP 问题,但是被套上了丧心病狂的修改点权的操作.举个例子 ...

  6. 动态dp初探

    动态dp初探 动态区间最大子段和问题 给出长度为\(n\)的序列和\(m\)次操作,每次修改一个元素的值或查询区间的最大字段和(SP1714 GSS3). 设\(f[i]\)为以下标\(i\)结尾的最 ...

  7. [总结] 动态DP学习笔记

    学习了一下动态DP 问题的来源: 给定一棵 \(n\) 个节点的树,点有点权,有 \(m\) 次修改单点点权的操作,回答每次操作之后的最大带权独立集大小. 首先一个显然的 \(O(nm)\) 的做法就 ...

  8. UOJ268 [清华集训2016] 数据交互 【动态DP】【堆】【树链剖分】【线段树】

    题目分析: 不难发现可以用动态DP做. 题目相当于是要我求一条路径,所有与路径有交的链的代价加入进去,要求代价最大. 我们把链的代价分成两个部分:一部分将代价加入$LCA$之中,用$g$数组保存:另一 ...

  9. [复习]动态dp

    [复习]动态dp 你还是可以认为我原来写的动态dp就是在扯蛋. [Luogu4719][模板]动态dp 首先作为一个\(dp\)题,我们显然可以每次修改之后都进行暴力\(dp\),设\(f[i][0/ ...

  10. 【BZOJ4911】[SDOI2017]切树游戏(动态dp,FWT)

    [BZOJ4911][SDOI2017]切树游戏(动态dp,FWT) 题面 BZOJ 洛谷 LOJ 题解 首先考虑如何暴力\(dp\),设\(f[i][S]\)表示当前以\(i\)节点为根节点,联通子 ...

随机推荐

  1. MapReduce —— MapTask阶段源码分析(Input环节)

    不得不说阅读源码的过程,极其痛苦 .Dream Car 镇楼 ~ ! 虽说整个MapReduce过程也就只有Map阶段和Reduce阶段,但是仔细想想,在Map阶段要做哪些事情?这一阶段具体应该包含数 ...

  2. NX二次开发-向量乘矩阵的几何意义

    函数:UF_MTX3_vec_multiply_t() 或者UF_MTX3_vec_multiply().推荐使用UF_MTX3_vec_multiply_t() 函数说明:将向量按照矩阵进行变换:绝 ...

  3. TestNG 组测试

    方法分组测试 1. 给@Test注解后面加groups参数,如 @Test(groups = "groupa") 2. 可以添加@BeforeGroups和@AfterGroups ...

  4. 实现SLIC算法生成像素画

    前言 像素风最早出现在8bit的电子游戏中,受制于电脑内存大小以及显示色彩单一, 只能使用少量像素来呈现内容,却成就了不少经典的像素游戏.随着内存容量与屏幕分辨率的提升,内存与显示媒介的限制不再是问题 ...

  5. Linux-ansible批量管理

    1.ansible批量管理服务概念 (1)是基于Python语言开发的自动化软件工具 (2)是基于SSH远程管理服务实现远程主机批量管理 2.ansible批量管理服务意义 (1)提高工作的效率 (2 ...

  6. mapboxgl 互联网地图纠偏插件(二)

    前段时间写的mapboxgl 互联网地图纠偏插件(一)存在地图旋转时瓦片错位的问题. 这次没有再跟 mapboxgl 的变换矩阵较劲,而是另辟蹊径使用 mapboxgl 的自定义图层,重新写了一套加载 ...

  7. 关于使用Flex中图片处理

    <?xml version="1.0" encoding="utf-8"?> <s:Application xmlns:fx="ht ...

  8. Flask(5)- 动态路由

    前言 前面几篇文章讲的路由路径(rule)都是固定的,就是一个路径和一个视图函数绑定,当访问这条路径时会触发相应的处理函数 这样无法处理复杂的情况,比如常见的一个课程分类下有很多个课程,那么他们的 p ...

  9. 分布式唯一ID生成方案选型!详细解析雪花算法Snowflake

    分布式唯一ID 使用RocketMQ时,需要使用到分布式唯一ID 消息可能会发生重复,所以要在消费端做幂等性,为了达到业务的幂等性,生产者必须要有一个唯一ID, 需要满足以下条件: 同一业务场景要全局 ...

  10. 从零玩转人脸识别之RGB人脸活体检测

    从零玩转RGB人脸活体检测 前言 本期教程人脸识别第三方平台为虹软科技,本文章讲解的是人脸识别RGB活体追踪技术,免费的功能很多可以自行搭配,希望在你看完本章课程有所收获. ArcFace 离线SDK ...