算法学习笔记(36): 期望中的停时

合集 - 算法学习笔记(52)

1.算法学习笔记(∞)：杂项2023-08-172.算法学习笔记(1): 欧几里得算法及其扩展2023-01-123.算法学习笔记(2): 欧拉定理与逆元2023-01-134.算法学习笔记(3): 倍增2023-01-125.算法学习笔记(3.1): ST算法2023-10-136.算法学习笔记(4): 并查集及其优化2023-01-127.算法学习笔记(5): 最近公共祖先(LCA)2023-01-128.算法学习笔记(6): 树链剖分2023-01-129.算法学习笔记(7): 二分图2023-01-1310.算法学习笔记(8): 网络流2023-01-1311.算法学习笔记(8.0): 网络流前置知识2023-01-1312.算法学习笔记(8.1): 网络最大流算法 EK, Dinic, ISAP2023-01-1413.算法学习笔记(8.2): 上下界网络流2023-01-1414.算法学习笔记(8.3): 网络最大流 - 模型篇2023-12-1915.算法学习笔记(9): 中国剩余定理(CRT)以及其扩展(EXCRT)2023-01-1516.算法学习笔记(10): BSGS算法及其扩展算法2023-01-1617.算法学习笔记(11): 原根2023-01-1618.算法学习笔记(12): 线性基2023-02-0319.算法学习笔记(13): Manacher算法2023-02-0720.算法学习笔记(14): 字符串哈希2023-02-0621.算法学习笔记(15): Trie（字典树）2023-02-0822.算法学习笔记(16): 组合数学基础2023-02-0823.算法学习笔记(17): 快速傅里叶变换（FFT）2023-02-1024.算法学习笔记(18): 平衡树（一）2023-03-1025.算法学习笔记(19): 树上启发式合并（DSU on tree）2023-03-1826.算法学习笔记(20): AC自动机2023-03-2627.算法学习笔记(21): 平衡树（二）2023-05-1328.算法学习笔记(22): 逆序对与原序列2023-05-3129.算法学习笔记(23): 马尔可夫链中的期望问题2023-06-0130.算法学习笔记(24): 狄利克雷卷积和莫比乌斯反演2023-07-2731.算法学习笔记(25): 矩阵树定理2023-06-1632.算法学习笔记(26): 计算几何2023-07-2233.算法学习笔记(27): 后缀结构2023-07-2634.算法学习笔记(28): 筛法2023-07-2635.算法学习笔记(29)：分块2023-09-2036.算法学习笔记(30)：Kruskal 重构树2023-10-1337.算法学习笔记(31): 李超线段树2023-10-2038.算法学习笔记(32): 分治2023-10-2739.算法学习笔记(33): 格路径与计数2023-10-2940.算法学习笔记(34): 矩阵乘法与线段树标记2023-11-0341.算法学习笔记(35): CMD Tree2023-11-03

42.算法学习笔记(36): 期望中的停时2023-11-03

43.算法学习笔记(37): 点分治，边分治小记2023-11-0744.算法学习笔记(38): 矩阵2023-11-1345.算法学习笔记(39): 2-SAT2023-11-1346.算法学习笔记(40): 具体数学2023-11-2247.算法学习笔记(41): 朴素多项式算法2023-11-2248.算法学习笔记(42): 颜色段均摊2023-11-2349.算法学习笔记(43): 可持久化线段树 - 区间加！2023-11-2550.算法学习笔记(44): 二维问题小计2024-01-3151.算法学习笔记(45): 快速沃尔什变换 FWT2024-02-1952.算法学习笔记(46): 离散余弦变换（DCT）2024-03-16

收起

期望中的停时

参考自：### 鞅与停时定理学习笔记

这或许是一个比较抽象的套路吧，知道的就会，不知道的就不会。

我们可以如下描述这个套路，或者说利用势能函数 $\Phi$ 来理解。

对于随机事件 $\{A_0, A_1, ...\}$，存在一个最终局面 $A_t = e$，我们需要求 $A_t$ 第一次出现在 $A$ 中的时间的期望，也就是 $E(t)$。

我们需要构造出满足如下条件的势能函数 $\Phi(A)$ ：

• $E(\Phi(A_{n + 1}) - \Phi(A_n) | A_0, A_1, \ldots, A_n) = -1$
• $\Phi(A_t)$ 是常数，并且 $i = t \iff \Phi(A_t) = \Phi(A_i)$。

于是对于整个局面：

• $E(\Phi(A_t) + t) = E(\Phi(A_0))$

也就是最终局面的势能函数 - 初始局面的势能函数即是期望步数。

由于满足了 $\Phi(A_t)$ 是常数，那么我们就可以得到：

• $E(t) = E(\Phi(A_0) - \Phi(A_t)) = \Phi(A_0) - \Phi(A_t)$

当然，在实际做题中，我们也可以令 $\Phi(A_0)$ 是小的那个，从而答案为 $\Phi(A_t) - \Phi(A_0)$

---

## Company Acquisitions

在此题中，我们设对于一个跟着 $x$ 个元素的节点的势能函数为 $f(x)$。

那么此时局面的势能即 $\sum f(x_i)$，答案为 $\Phi(A_t) - \Phi(A_0) = f(n - 1) - \sum f(x_i)$。

那么我们现在考虑如何构造 $f(x)$，我们从两个元素开始，设分别跟着 $a, b$ 个节点，那么：

$$f(a) + f(b) + 1 = \frac 1 2 (f(a + 1) + b f(0) + af(0) + f(b + 1))$$

为了使得 $f(0)$ 为常数，我们不妨设 $f(0) = 0$，那么存在：

$$f(a) + f(b) + 1 = \frac 1 2 (f(a + 1) + f(b + 1))$$

如此还是抽象，我们不妨继续假设 $a = b$，那么：

$$2f(a) + 1 = f(a + 1)$$

于是可以得出 $f(a) = 2^a - 1$，带入原式中仍然成立，于是可以如此定义。

那么最终的答案就简单了。