DP学习记录Ⅱ

DP学习记录Ⅰ

以下为 DP 的优化。

人脑优化DP

P5664 Emiya 家今天的饭

正难则反。考虑计算不合法方案。一个方案不合法一定存在一个主食,使得该主食在多于一半的方法中出现。

枚举这个“超标”的主食 \(i\)。设 \(f[j][k][l]\) 表示前 \(j\) 种方法中一共选择了 \(k\) 个主食 \(i\),一共选择了 \(l\) 个主食 的方案数。最终答案为 \(f[n][u][v]\),其中 \(u > v / 2\)。这样,我们得到了一种 \(O(m^2n^3)\) 的方法。

优化1:

转移的时候把其它菜的方案和预处理一下,可以砍掉转移的一个 \(m\)。复杂度: \(O(mn^3)\)

优化2:

我们发现最终我们关心的不是 \(u,v\) 具体是多少,而是 \(u, v\) 的相对大小。因此我们可以再合并一些状态,把状态定义为:\(f[j][k]\) 表示前 \(j\) 种方法中第 \(i\) 种主食比其余主食多 \(k\) 个 的方案数。这样可以再状态数上砍掉一个 \(n\)。复杂度: \(O(mn^2)\)

优化3:

各种卡常。

数据结构优化DP:单调队列优化DP

单调队列优化多重背包详解

题目

仔细观察朴素多重背包的转移方程:

\[f[j] <- g[j - k * w] + k * v \]

其中 \(w\) 表示当前物品的代价, \(v\) 表示当前物品的价值,\(k\) 为枚举的数量,需要保证 \(k <= K\)

仔细观察发现由于 \(j - k * w\),影响 \(f[j]\) 的状态只有与 \(j\)\(w\) 同余的那些状态,我们把这些状态单独拿出来。这时,问题就有点像“在距离 \(j\) 不超过 \(K\) 的状态中取最大值”,即“滑动窗口”。故可以使用单调队列优化。这里维护的是一个单调下降的队列。

还差 \(k * v\) 没有处理。我们发现 \(k * v\) 在提溜出来的那一堆状态里面永远是个公差为 \(-v\) 的等差数列,那么我们干脆在加入队列的时候让状态减去 \(id * v\) (加入的是提溜出来的数组中的第 \(id\) 个),就能保证队列中的相对大小。经过手玩尝试后,知道队列的真实值应该再加上 \(ct * v\)(当前是第 \(ct\) 个)。

对于每一个剩余系都这样做一下,就能 \(O(m)\) 地刷完一遍 \(f\)

//q 记录队列中的值,id 记录队列中状态的位置
for (register int i = 1; i <= n; ++i) {
	int w, v, s; read(w), read(v), read(s);
	memcpy(g, f, sizeof(g));
	for (register int j = 0; j < w; ++j) {
		int front = 0, rear = 0;
		for (register int k = j, ct = 1; k <= V; k += w, ++ct) {
			if (ct - id[front + 1] > s)	++front;
			if (front < rear)
				MAX(f[k], q[front + 1] + ct * v);
			while (front < rear && q[rear] <= g[k] - ct * v)	--rear;
			q[++rear] = g[k] - ct * v;
			id[rear] = ct;
		}
	}
}

数据结构优化DP:线段树优化DP

数据结构优化DP:平衡树优化DP

T132728 最大价值(value)

按照 \(a\) 排序,这样我们加入这个数的时候一定会把它放在最后一位,这样我们就可以用背包来解决了。思路来源:拯救小矮人。

转移方程: \(f[i][j] <- f[i - 1][j - 1] + (j - 1) * a + b\)

通过对拍可知,这个转移一定会在 \(j\) 挨着 \(i\) 的一段状态发生。假设中间点为 \(k\)

由于转移是否尽心与两个相邻的 \(f\) 都有关系,我们考虑差分

\(g[j] = f[j] - f[j - 1]\)

转移成功: \(f[i][j] < f[i - 1][j - 1] + (j - 1) * a + b\)

即:\(g[j] < (j - 1) * a + b\)

可以据此二分 \(k\)

转移后对 \(f\) 数组的影响:

\(k\) 前: 不变。

\(k\) 及以后: \(f[i][j] = f[i - 1][j - 1] + (j - 1) * a + b\)

转移后对 \(g\) 数组的影响:

\(k\) 前:不变。

\(k\) : \(g[k] = (k - 1) * a + b\)

\(k\) 后: \(g[j] = g[j - 1] + a\)

对应的 \(g\) 数组的变化:

\(k\) 前插入了一个 \((k - 1) * a + b\);后面的所有数都加了 \(a\)

\(Splay\) 可以轻松维护这些操作。(二分k,插入,区间加)

决策单调性优化DP

前置技能:四边形不等式 打表

如果发现决策点单调递增,那么可以套用一下板子(注意:一定注意各种细节,比如对队列非空的特判)

四边形不等式:相交优于包含

  • 对于 DP 式子为 \(f(i) = \min_j f(j) + v(i,j)\) 来说,如果 \(i \le j \le k \le l\)\(v(i,k) + v(j,l) \le v(i, l) + v(j, k)\),那么满足决策单调性。

  • 二维:\(f(l,r) = \min_m f(l,m) + f(m + 1, r) + v(l,r)\),其中 \(v\) 满足上述性质,则 \(g(l,r) \in [g(l,r - 1), g(l + 1, r)]\)\(g\) 为决策点。然后 \(O(n^3)\) 区间 DP 就可以优化到 \(O(n^2)\) 了。

  • 自己瞎证:比如可以根据转移函数凸性,依据定义证明。

一定要背熟板子啊!!!

SP9070 LIGHTIN - Lightning Conductor

P3515 [POI2011]Lightning Conductor

P5503 [JSOI2016]灯塔

P1912 [NOI2009]诗人小G

T134955 shoes

栈(单调队列)写法

/*
维护三元组单调队列<l, r, pos>,pos为[l,r]内的决策点。
由于有决策单调性,队列里的区间和决策点都是单调递增的。
此题型的大致过程如下:
*/

for (int i = 1; i <= n; ++i) {
	if (队列非空 && 队头右端点比i小)	弹掉队头
    else	修改队头的l
    用队头计算f[i]
    
    if (i -> n 不如 队尾决策点 -> n 优)	continue;
    while (队列非空 && i -> 队尾左端点 优于 队尾决策点 -> 队尾左端点)	弹队尾
    if (队空)	添加节点(i, n, i)于队尾
    else {
    	查找x = 队尾区间中 i占优势的第一个点(可能为r+1)
        修改队尾右端点
        新增节点(x, n, i)
    }
}

Code:

inline ll calc(int j, int i)//计算用j来转移i
...
//main()中
q[++rear] = (node){1, n, 1};
f[1] = ...
for (register int i = 2; i <= n; ++i) {
	if (q[front + 1].l == q[front + 1].r)	++front;
	else	++q[front + 1].l;
    //调整最靠前的三元组的 l。注意判空三元组
	register int pos = q[front + 1].pos;
	f[i] = calc(pos, i);
	pre[i] = pos;
    //计算
    //-------
    //插入i
	if (calc(i, n) >= calc(q[rear].pos, n))	continue;
    //i更新无望,提前推出,防止出现空三元组
	while (front < rear && calc(q[rear].pos, q[rear].l) >= calc(i, q[rear].l))
		rear--;
    //尝试用i弹掉后面的整块,注意判非空
	if (front >= rear) {
		q[++rear] = (node){i, n, i};
		continue;
	}
    //i足够优秀,把三元组全部弹完了,就特判退出
	int x = ...
	/*
	二分查找i占优势的最靠左的点,为x
	*/
    
	q[rear].r = x - 1;
	q[++rear] = (node){x, n, i};
}

递归写法

对于一些决策点的贡献都已知前提下的问题,即状态有层次的情况,还有一种细节更少,更方便的方法。

对于状态 \((il, ir, jl, jr)\),其中 \(il, ir\) 表示当前需要算的状态的区间;\(jl, jr\) 表示当前区间对应的决策点区间。我们可以暴力算出mid(il, ir)的决策点的位置,然后把决策点区间分裂成两段,然后递归子问题。

ll f[N], g[N];//f: 当前要算的状态;g:上一层的状态
inline void sol(int ql, int qr, int l, int r) {
	if (ql > qr)	return ;
	int mid = (ql + qr) >> 1;
	int pos = 0;
	int limi = min(mid - 1, r);
	f[mid] = inf;
	for (register int i = l; i <= limi; ++i) {
		ll tmp = g[i] + Query(i + 1, mid);
		if (tmp < f[mid])	f[mid] = tmp, pos = i;
	}
	sol(ql, mid - 1, l, pos); sol(mid + 1, qr, pos, r);
}

inline void work() {
	memset(f, 0x3f, sizeof(f));
	f[0] = 0;
	for (register int i= 1; i <= K; ++i) {
		memcpy(g, f, sizeof(g));
		memset(f, 0, sizeof(f));
		sol(1, n, 0, n);
	}
}

L. Partially Free Meal

给序列 \(a_i,b_i\),对每个 \(k\),求长为 \(k\) 的子序列 \(p_i\) 使得

\[\sum_{i=1}^k a_{p_i} + \max_{i=1}^k \{ b_{p_i} \} \]

最大。输出这 \(n\) 个最大值。\(n \le 2 \times 10^5, a_i,b_i \le 10^9\)

(取自官方题解

首先考虑如何计算固定的k的答案。将所有盘子按照b从小到大排序,枚举第x(k≤x≤
n)个盘子作为选中的b最大的盘子,那么剩下的k−1个盘子显然是贪心选择前x−1个盘子
中a最小的k−1个。给定k和x,可以通过可持久线段树在O(logn)的时间内求出对应方案
的值w(k,x)。

令f(k)表示使k取到最优解的x。对于两个不同的决策x,y(x<y),若w(k,x)≥w(k,y),
那么增大k之后由于y的可选择范围严格包含了x的可选择范围,因此y新选的a值一定不
大于x所选的,即w(k′,x)≥w(k′,y)对于k≤k′≤n恒成立。由此可得f(1)≤f(2)≤f(3)≤
···≤f(n),最优决策具有单调性,可以分治求解,共需计算O(nlogn)个w(k,x)的值。
时间复杂度O(nlog2n)。

斜率优化

P3628 [APIO2010]特别行动队

P3195 [HNOI2008]玩具装箱

P2120 [ZJOI2007]仓库建设

wqs 二分(DP 凸优化,Alien DP)

用于DP中“恰好 k 个”问题的加速。(但求方案可能比较困难)

本质上是说有一个函数 \(f:\{1,2,...,n\} \to \R\),满足 \(f\) 是一个凹函数(差分递减),通常 \(f(t)\) 表示恰好选 \(t\) 个的最大收益,且通常难以直接求 \(f\) 的点值,但有一种办法能快速 \(O(n)\) 求解 \(T_k = \max_{1 \le t \le n}\{f(t) - kt\}\) 以及取到最大值的 \(t_k\),那么就可以通过二分来 \(O(n \log n)\) 求解 \(f_{t_0}\)(其中 \(t_0\) 为给定的一个整数)。

关键的观察在于 \((t_k, T_k + kt_k)\) 是用斜率为 \(k\) 的线切 \(f\) 的凸包所切到的位置。注意到斜率更大的直线会切到更偏右的位置,对斜率更小的直线会切到更偏左的位置,对斜率在 \(f(t_0+1)-f(t_0)\)\(f(t_0) - f(t_0 - 1)\) 之间(含)的时候 \(t_0\) 会落在直线上。因此对斜率进行二分可以不断逼近 \(t_0\) 所在位置。(这里二分可能需要对凸壳上相邻边斜率相同的情况进行特殊处理)

一般比较困难的地方在于注意到 \(f\) 是凸(凹)的,一般凭直觉吧,据说可以通过设计网络流,用费用流的凸性来证明?

具体题目

【ABC218H 简化版题意】:有 \(N(\le 2 \times 10^5)\) 个球,你需要把恰好 \(R(\le N/2)\) 个球(两两不相邻)涂黑,每涂一个球获得 \(A_{i-1}+A_i(\le 2 \times 10^9)\) 的分数,问最大分数。

inline void check(ll penty, ll &mx, ll &mxp) {
	//penalty; value; count
	static ll f[N];
	static int g[N];
	memset(f, 0xc0, sizeof(f));
	memset(g, 0, sizeof(g));
	f[0] = 0;
	for (int i = 1; i <= n; ++i) {
		f[i] = f[i - 1];
		g[i] = g[i - 1];
		if (b[i] - penty > 0) {
			ll tmpf = (i == 1 ? 0 : f[i - 2]) + b[i] - penty;
			ll tmpg = (i == 1 ? 0 : g[i - 2]) + 1;
			if (tmpf > f[i]) f[i] = tmpf, g[i] = tmpg;
		}
	}
	mx = f[n];
	mxp = g[n];
}
ll Alien_DP() {
	ll l = 0, r = 2000000000;
	ll res = -1, resk = -1;
	while (l <= r) {
		ll mid = (l + r) >> 1;
		ll tmp, tmpk;
		check(mid, tmp, tmpk);
		if (tmpk <= R) r = mid - 1, res = tmp, resk = mid;
		else l = mid + 1;
	}
	ll ans = res + 1ll * R * resk;
	return ans;
}

P2619 [国家集训队2]Tree I

CF125E MST Company

P5633 最小度限制生成树

P1792 [国家集训队]种树

P4383 [八省联考2018]林克卡特树

P5308 [COCI2019] Quiz

注意几点:

  • 假设是上凸函数求最大,那么我们二分一个斜率 \(k\),应该满足 \(f(x) = k * x + b(x)\),而我们可以比较容易求出最大的 \(b(x)\),(不是求最大的 \(f(x)\)),然后根据 \(b(x)\)\(x\) 可以反推出 \(f(x)\).因为这里是反推,所以虽然斜率是 \(k\),我们却让每个数都减去 \(k\),最终算 \(f(x)\) 的时候再加 \(k\)

  • 最好在结构体比大小的时候搞一个第二关键字:\(ct(x)\),在 \(val\) 相同的时候比较 \(ct\).

  • 最终反推的时候要减去 \(need * mid\),而不是 \(res.ct * mid\)

posted @ 2020-07-16 13:56  JiaZP  阅读(187)  评论(0编辑  收藏  举报