[hdu3507 Print Article]斜率优化dp入门
题意:需要打印n个正整数,1个数要么单独打印要么和前面一个数一起打印,1次打印1组数的代价为这组数的和的平方加上常数M。求最小代价。
思路:如果令dp[i]为打印前i个数的最小代价,那么有
dp[i]=min(dp[j]+(sum[i]-sum[j])2+M),j<i
直接枚举转移是O(n2)的,然而这个方程可以利用斜率优化将复杂度降到O(n)。
根据斜率优化的一般思路,对当前考虑的状态i,考虑决策j和k(j<k),如果k比j优,那么根据转移方程有:dp[k]+(sum[i]-sum[k])2+M ≤ dp[j]+(sum[i]-sum[j])2+M
整理可得:dp[k]+sum[k]2-2*sum[i]*sum[k] ≤ dp[j]+sum[j]2-2*sum[i]*sum[j]
然后进一步得到:[(dp[k]+sum[k]2)-(dp[j]+sum[j]2)] / (2*sum[k] - 2*sum[j]) ≤ sum[i]
如果令 y(i)=dp[i]+sum[i]2,x(i)=2*sum[i],那么有:( y(k)-y(j) ) / ( x(k)-x(j) ) ≤ sum[i],不妨令左边=G[j][k],即"j到k的斜率",G[j][k] ≤ sum[i]
注意,上面的推理的因果是等价的,也就是说 "k比j优" ↔ "( y(k)-y(j) ) / ( x(k)-x(j) ) ≤ sum[i]成立"
如果从小到大计算每个状态,那么(1)在某次计算状态i时,k比j优,由于sum数组单调递增,所以在以后的状态计算里面k都比j优(2)考虑三个状态i,j,k(i<j<k),满足G[i][j]≥G[j][k],那么在计算状态t(>k)的时候,{ 假设G[j][k]≤sum[t],k就比j优,否则G[j][k]>sum[t],那么显然有G[i][j]>sum[t],所以j不比i优 },所以对于t>k而言,j既没有k优也没有i优,完全可以舍弃。
在(2)的约束下,所有可能成为子状态的点构成了1个凸包,假设当前在计算状态i,这个凸包中最“前面”的两个点依次为j,k,如果G[j][k]≤sum[i],那么k比j优,把i从凸包里面删掉然后继续这样考虑,否则有G[j][k]>sum[i],说明j是最优的,因为对任意t∈(k,i)&&t∈凸包,都有G[j][t]>G[j][k]>sum[i],也就是没有比j更优的了。
虽然推理过程比较多,但是最后的结论非常的优美,程序也非常短,更重要的是,直接将原来O(n2)的复杂度降成了线性!没有比这更激动人心的了
#include <bits/stdc++.h>
using namespace std;
#define pb(x) push_back(x)
#define mp(x, y) make_pair(x, y)
#define all(a) (a).begin(), (a).end()
#define mset(a, x) memset(a, x, sizeof(a))
#define mcpy(a, b) memcpy(a, b, sizeof(b))
#define cas() int T, cas = 0; cin >> T; while (T --)
template<typename T>bool umax(T&a, const T&b){return a<b?(a=b,true):false;}
template<typename T>bool umin(T&a, const T&b){return b<a?(a=b,true):false;}
typedef long long ll;
typedef pair<int, int> pii;
#ifndef ONLINE_JUDGE
#include "local.h"
#endif
const int N = 5e5 + 7;
int head, tail;
pii q[N];
int n, m, x, sum[N]; int sqr(int x) { return x * x;}
int getY(int p) { return q[p].second + sqr(sum[q[p].first]); }
int getX(int p) { return 2 * sum[q[p].first]; }
int up(int p) { return getY(p + 1) - getY(p); }
int down(int p) { return getX(p + 1) - getX(p); }
int main() {
#ifndef ONLINE_JUDGE
freopen("in.txt", "r", stdin);
//freopen("out.txt", "w", stdout);
#endif // ONLINE_JUDGE
while (cin >> n >> m) {
for (int i = 1; i <= n; i ++) {
scanf("%d", &x);
sum[i] = sum[i - 1] + x;
}
head = tail = 0;
q[tail ++] = mp(0, 0);
for (int i = 1; i <= n; i ++) {
while (tail - head > 1 && up(head) <= down(head) * sum[i]) head ++;
q[tail ++] = mp(i, q[head].second + sqr(sum[i] - sum[q[head].first]) + m);
while (tail - head > 2 && up(tail - 3) * down(tail - 2) >= up(tail - 2) * down(tail - 3)) {
swap(q[tail - 2], q[tail - 1]);
tail --;
}
}
cout << q[tail - 1].second << endl;
}
return 0;
}
[hdu3507 Print Article]斜率优化dp入门的更多相关文章
- hdu3507 Print Article[斜率优化dp入门题]
Print Article Time Limit: 9000/3000 MS (Java/Others) Memory Limit: 131072/65536 K (Java/Others)To ...
- HDU3507 Print Article —— 斜率优化DP
题目链接:https://vjudge.net/problem/HDU-3507 Print Article Time Limit: 9000/3000 MS (Java/Others) Mem ...
- HDU3507 Print Article(斜率优化dp)
前几天做多校,知道了这世界上存在dp的优化这样的说法,了解了四边形优化dp,所以今天顺带做一道典型的斜率优化,在百度打斜率优化dp,首先弹出来的就是下面这个网址:http://www.cnblogs. ...
- HDU3507 Print Article (斜率优化DP基础复习)
pid=3507">传送门 大意:打印一篇文章,连续打印一堆字的花费是这一堆的和的平方加上一个常数M. 首先我们写出状态转移方程 :f[i]=f[j]+(sum[i]−sum[j])2 ...
- hdu 3507 Print Article(斜率优化DP)
题目链接:hdu 3507 Print Article 题意: 每个字有一个值,现在让你分成k段打印,每段打印需要消耗的值用那个公式计算,现在让你求最小值 题解: 设dp[i]表示前i个字符需要消耗的 ...
- Print Article /// 斜率优化DP oj26302
题目大意: 经典题 数学分析 G(a,b)<sum[i]时 a优于b G(a,b)<G(b,c)<sum[i]时 b必不为最优 #include <bits/stdc++.h& ...
- hdu 3507 Print Article —— 斜率优化DP
题目:http://acm.hdu.edu.cn/showproblem.php?pid=3507 设 f[i],则 f[i] = f[j] + (s[i]-s[j])*(s[i]-s[j]) + m ...
- hdu3507(初识斜率优化DP)
hdu3507 题意 给出 N 个数字,输出的时候可以选择连续的输出,每连续输出一串,它的费用是 这串数字和的平方加上一个常数 M. 分析 斜率优化dp,入门题. 参考 参考 得到 dp 方程后,发现 ...
- hdu3507Print Article(斜率优化dp)
Print Article Time Limit: 9000/3000 MS (Java/Others) Memory Limit: 131072/65536 K (Java/Others)To ...
随机推荐
- Eureka源码分析
源码流程图 先上图,不太清晰,抱歉 一.Eureka Server源码分析 从@EnableEurekaServer注解为入口,它是一个标记注解,点进去看 注解内容如下 /** * 激活Eureka服 ...
- MVC-路由解析
MVC程序入口 Global.asax.cs 执行Application_Start 方法 *默认路由 *静态路由,访问链接只需要域名加路由url固定值就行了 *替换控制器,或方法名, *正则路由 方 ...
- pytorch-API实现线性回归
示例: import torch import torch.nn as nn from torch import optim class MyModel(nn.Module): def __init_ ...
- Java 多线程实现方式三:实现 Callable 接口
完整套路 java 通过实现Callable 接口来实现多线程相比较于继承Thread 接口和 实现Runnable 接口比较麻烦,但好处是可以有返回值. 基本套路: 1. 创建目标对象 2. 创建执 ...
- react引入图片不显示问题
在react 中引入图片的方式和正常不同,,很容易引入不显示 引入本地图片 1.(采用组件式引入方法) import Logo from "图片路径" <img src={L ...
- JavaScript中一种全新的数据类型-symbol
连续连载了几篇<ES6对xxx的扩展>,本节咱们换换口味,介绍一种全新的数据类型:Symbol,中文意思为:标志,记号.音标:[ˈsɪmbəl]. 数据类型 在介绍Symbol之前,我们简 ...
- 前端JS—显示赋值(一)
一:js代码必须位于<script>js代码</script> 把js代码放到<body>元素的地步,可以改善显示速度 二:js显示数据 使用 window.ale ...
- How to permit SSH root Login in Ubuntu 18.04
https://www.ubuntu18.com/ssh-permitrootlogin/ SSH root login is disabled by default in Ubuntu 18.04. ...
- mybatis 批量保存,并且唯一约束
1.主键返回在insert配置中添加两个属性 useGeneratedKeys="true" keyProperty="id" 2.唯一约束冲突可以使用 ON ...
- nodejs中httpserver的安装和使用
首先来看一下官方的介绍: 大概意思是说:命令行HTTP服务器工具,用于提供本地文件,类似于python -mSimpleHTTPServe. 直白点的意思就是通过命令行启动的一个http服务器工具,它 ...