动态规划专题（五）——斜率优化DP
前言
斜率优化\(DP\)是难倒我很久的一个算法，我花了很长时间都难以理解。后来，经过无数次的研究加以对一些例题的理解，总算啃下了这根硬骨头。
基本式子
斜率优化\(DP\)的式子略有些复杂，大致可以表示成这样：
其中\(A(j)\)和\(B(j)\)是两个只与\(j\)有关的函数，\(S(i)\)和\(C(i)\)是两个只与\(i\)有关的函数，式子中的\(min\)其实也可以替换成\(max\)，但这里以\(min\)为例。
不难发现，如果只有\(A(j)\)和\(C(i)\)两项，就是单调队列优化\(DP\)的基本式子了。
但是，由于式子中含有\(B(j)*S(i)\)这一项既与\(i\)相关，又与\(j\)相关的式子，就不能直接用单调队列，而要进行一定转化了。
考虑将\(A(j)\)移到等号左边，并将\(f_i\)移到等号右边，则原式可以转化成这样：
注意，在\(i\)不变的时候，我们可以将只与\(i\)有关的项看成常数项。
于是，这个函数就可以看作一条直线，其中\(S(i)\)就相当于这条直线的斜率，而\(f_i-C(i)\)就相当于这条直线的截距。
而\(C(i)\)是固定的，因此，如果要让\(f_i\)最小，则应让\(f_i-C(i)\)最小，对应到图像中就是让截距最小。
那么应如何让截距最小呢？
大致思路
首先，我们可以想象有一条斜率固定的直线（我太懒，不想画图... ...），然后图上有若干个点，现在要用这条直线从图的最下方往上慢慢移动，直至碰到第一个点，而这个点就是我们要找的最优点。
则不难发现，如果连续的三个点呈上凸状，则无论该直线斜率取多少，碰到的第一个点都不可能是中间这个点。
换句话说，就是中间这个点对答案没有任何贡献了。
于是就有一个策略：当我们要加入一个新的点时，比较当前点与前一个插入的点\(S_1\)、前一个插入的点与倒数第二个插入的点的斜率\(S_2\)，如果\(S_1\le S_2\)，则可将前一个插入的点弹出。
重复此操作，直至\(S_1>S_2\)或图上只剩一个点，然后将当前点插入。
如何求最优解
但是，这样一来，我们好像还是没能求出最优解。
此时又有两种操作方式：在凸包上二分或单调队列维护最优解。
对于某些问题，它可以确保决策单调性，即一个点如果当前不是最优解，则以后都不可能是最优解了。这样的问题可以直接用单调队列来维护最优解。
但有些问题却不一定满足这种性质，此时就需要在凸包上二分最优解了，但依然需要用单调队列来维护点集。
所以，如果你不会单调队列，最好赶紧去研究一下，然后再学习斜率优化\(DP\)。
几道例题
第一道例题： 【BZOJ2726】[SDOI2012] 任务安排
听说是入门题？洛谷上的弱化版可以直接单调队列维护，但是\(BZOJ\)上存在负数，需要在凸包上二分。
第二道例题： 【CF311B】Cats Transport
一眼看上去像是\(WQS\)二分，其实题意转换后可以直接斜率优化。
第三道例题： 【洛谷3648】[APIO2014] 序列分割
一开始觉得是区间\(DP\)，结果一看数据范围，推了波性质，才发现其实可以用斜率优化\(DP\)来做。
