学习笔记:四边形不等式优化 DP
定义 & 等价形式
四边形不等式是定义在整数集上的二元函数 \(w(x, y)\)。
定义:对于任意 \(a \le b \le c \le d\),满足交叉小于等于包含(即 \(w(a, c) + w(b, d) \le w(b, c) + w(a, d)\)。①
等价形式,对于任意的 \(a < b\),都有 \(w(a, b-1) + w(a+1,b) \le w(a+1, b-1)+w(a,b)\)。②
① 推 ② 看定义即可,② 推 ① 的证明:
任取 \(a < d\),\(w(a, d-1) + w(a+1,d \le w(a+1,d-1) + w(a,d)\)
若 \(a + 1 < d\),\(w(a+1, d-1) + w(a+2,d) \le w(a+2,d-1) + w(a+1,d)\)
两式相加:\(w(a+2,d) + w(a, d-1) \le w(a,d) + w(a+2,d-1)\)
可扩展到对于任意的 \(a \le a + k = b \le d\), \(w(b,d) + w(a, d-1) \le w(a,d) + w(b,d-1)\)
同理 \(c - 1\) 也可扩展到 \(c - k\),因此可扩展到 \(a \le b \le c \le d\) 的形式。
1D/1D 优化
形如: $f_i = \underset{0\le j<i}{\min}{{f_j+w(j, i)}} $。
若 \(w\) 满足四边形不等式:
① 则 \(f_i\) 具有最优决策单调性(即 \(p_i\) 表示 \(f_i\) 的最优决策 \(j\),则 \(p\) 非严格递增)。
② 且不仅最优决策有单调性,任意决策都有决策单调性(若 \(u < v\) 且在当前 \(i\) 时 \(v\) 优于 \(u\),则 \(i < i'\) 的 \(i'\) 时 \(u\) 也比 \(v\) 优)。
证明(证明了 ②,自然 ① 也成立):
任取 \(0 \le u < v < i < i'\),若有 \(f_u + w(u,i) \ge f_v + w(v, i)\) ③ 即在 \(i\) 时 \(v\) 比 \(u\) 优。
由四边形不等式 \(w(u, i) + w(v, i') \le w(v, i) + w(u, i') \Leftrightarrow w(u, i') - w(u, i) \ge w(v, i') - w(v, i)\)。④
③ 和 ④ 式相加得证。
因此,我们可以动态决策,维护就当前有的决策来说,每个位置的局部最优决策,加入前 \(i - 1\) 的决策后,当前 \(f_i\) 的决策就能得到,然后我们考虑加入 \(i\) 这个决策能作为哪些 \(f\) 的最优决策。由上述性质,\(i\) 影响的是一段后缀。因此我们要快速找出后缀的开头,可二分(后缀里 \(i\) 最优,后缀前 \(i\) 不优),但是我们如果暴力修改可能还是 \(O(n^2)\),因此我们可以把每个决策把其作为最优决策的区间一段一段的存。
具体做法:
每个决策存 \(x, l, r\) 三个变量,分别代表决策、影响的区间左右端点。维护一个决策的队列。
每次从队尾迭代:如果该区间队头都是 \(i\) 更优那么把这个决策删了;否则如果队尾 \(i\) 不优就退出;否则二分那个边界的位置。
复杂度:
每个决策最多删除增加一次,插入删除是 \(O(n)\) 的。
每次最多二分一次,这部分是 \(O(n \log n)\) 的。
因此总复杂度 \(O(n \log n)\)。
例题
NOI2009 诗人小G
设 \(l\) 为长度数组,\(S\) 为 \(l\) 前缀和。
朴素 DP 方程:\(f_i = \underset{0\le j < i}{\min} \{ f_j + |S_i - S_j + i - j - 1 - L| ^ P\}\)
证明 \(w(j, i) = |S_i - S_j + i - j - 1 - L| ^ P\) 满足决策单调性。
\(w(j+1,i) - w(j+1, i+1) \ge v(j,i) - v(j,i+1)\)。
设 \(v\) 是 \(w\) 那一坨去掉 \(P\) 次方。
设 \(a = v(j, i), b = v(j + 1, i)\)。
\(|b|^P - |b+l_{i+1}+1|^P \ge |a|^P - |a+l_{i+1} + 1|\)
即证明 \(y = |x|^P - |x+c|^P (c > 0)\) 函数非严格递减。
由于本人数学太差不会求导,只能感性证一下,首先看 \(P = 1\) 的情况,是以 \((-c/2, 0)\) 中心对称的一个函数,然后这个东西的物理意义就是到数轴上 \(x\) 到原点的距离 \(-\) 到 \((-c, 0)\) 的距离,分类讨论之后是递减的。如果有 \(P\) 次方是把这个影响扩大化,但是仍满足相对大小关系。
#include <cstdio>
#include <iostream>
#include <cstring>
using namespace std;
typedef long long LL;
typedef long double LD;
const int N = 100005;
int n, L, P, s[N], hh, tt, pre[N];
LD f[N];
char g[N][35];
struct Q{
int l, r, x;
} q[N];
/*
f[i] = f[j] + val(i, j)
val(i, j) = (s[i] - s[j] - (i - j - 1) - L) ^ P
*/
LD val(int i, int j) {
LD res = 1;
int x = abs(s[i] - s[j] + (i - j - 1) - L);
for (int k = 1; k <= P; k++) res *= x;
return res + f[j];
}
void insert(int i) {
int pos = -1;
while (hh <= tt) {
if (val(q[tt].l, i) <= val(q[tt].l, q[tt].x)) pos = q[tt--].l;
else {
if (val(q[tt].r, i) < val(q[tt].r, q[tt].x)) {
int l = q[tt].l, r = q[tt].r;
while (l < r) {
int mid = (l + r) >> 1;
if (val(mid, i) <= val(mid, q[tt].x)) r = mid;
else l = mid + 1;
}
q[tt].r = r - 1, pos = r;
}
break;
}
}
if (pos != -1) q[++tt] = (Q) { pos, n, i };
}
void print(int i) {
if (!i) return;
print(pre[i]);
for (int j = pre[i] + 1; j <= i; j++) {
printf("%s", g[j] + 1);
if (j != i) putchar(' ');
}
puts("");
}
int main() {
int T; scanf("%d", &T);
while (T--) {
memset(pre, 0, sizeof pre);
scanf("%d%d%d", &n, &L, &P);
for (int i = 1; i <= n; i++) {
scanf("%s", g[i] + 1);
s[i] = s[i - 1] + strlen(g[i] + 1);
}
hh = tt = 1;
q[1] = (Q) { 1, n, 0 };
for (int i = 1; i <= n; i++) {
int j = q[hh].x;
f[i] = val(i, j);
pre[i] = j;
while (hh <= tt && q[hh].r <= i) hh++;
q[hh].l = i + 1;
insert(i);
}
if (f[n] > 1e18) puts("Too hard to arrange");
else printf("%lld\n", (LL) f[n]), print(n);
puts("--------------------");
}
}
2D/1D 优化
定理 1:
① 形如 \(f_{i, j} = \underset{i\le k < j}{\min}\{ f_{i, k} + f_{k+1, j} + w(i, j) \}\),② 且 \(f_{i, i} = w_{i,i} = 0\)。
③ 若 \(w\) 满足四边形不等式,④ 而且对于任意的 \(a \le b \le c \le d\) 都有 \(w(a,d) \ge w(b,c)\)
若有着四个条件,则 \(f\) 也满足四边形不等式。
证明:
当 \(j - i = 1\) 时,\(f_{i,j+1}+f_{i+1,j}=f_{i,i+2}\)
若 \(f_{i,i+2}\) 最优决策是 \(i\):
\]
最优决策是 \(i+1\) 同理。
因此这时候满足四边形不等式。
接着数学归纳法,设 \(j - i < k\) 时 \(f\) 的四边形不等式成立(这里 \(i, j\) 分别作为最小数和次大数),尝试证 \(j - i = k\) 成立。
然后是一大波分讨。
如果 \(i + 1 \le x \le y\)。
设 \(f_{i,j+1}\) 和 $f_{i+1,j} $ 的最优决策分别是 \(x\) 、 \(y\)。
\(f_{i,j+1}+f_{i+1,j} = f_{i, x} + f_{x+1,j+1}+w(i,j+1) + f_{i+1,y}+f_{y+1,j}+w(i+1,j)\) ①
\(f_{i,j}+f_{i+1,j+1} \le f_{i,x}+f_{x+1,j}+w(i,j)+f_{i+1,y}+f_{y+1,j+1}+w(i+1,j+1) ②\) ②
根据前面的四边形不等式有:
\(w(i, j) + w(i+1,j+1) \le w(i,j+1) + w(i+1, j)\)
\(f_{x+1,j}+f_{y+1,j+1}\le f_{x+1,j+1}+f_{y+1,j}\),这里因为 \(j - (x + 1) < j - i = k\) 所以成立。
所以 ① ② 可以用不等号连起来,就有了 \(f_{i,j}+f_{i+1,j+1}\le f_{i,j+1}+f_{i+1,j}\),就证完了。
如果 \(i + 1 \le y \le x\)。
与上述证明类似。
定理 2
若上述那个式子的 \(f\) 满足四边形不等式,设 \(p_{i, j}\) 为 \(f_{i,j}\) 的最优决策。
则有:$$p_{i,j-1} \le p_{i,j} \le p_{i+1,j}$$
设 \(p = p_{i,j}, i < k \le p\),有 \(f_{i,p} + f_{i+1,k} \ge f_{i+1,k} + f_{i+1,p} \Leftrightarrow f_{i+1,k} - f_{i+1,p} \ge f_{i,k} - f_{i,p}\)
\(p\) 的最优性有 \(f_{i,k}+f_{k+1,j} \ge f_{i,p}+f_{p+1,j}\)。
\]
因此对于 \(f_{i+1,j}\),选 \(p\) 比所有的 \(k < p\) 都优,因此 \(p_{i,j} \le p_{i+1,j}\)。
\(p_{i,j-1} \le p_{i,j}\) 同理。
因此我们每次循环决策可以就询问 \([p_{i,j-1}, p_{i+1,j}]\),这样是 \(O(n^2)\) 的。
复杂度证明,枚举 \(f_{i,j}\) 的最优决策复杂度是 \(p_{i+1,j} - p_{i,j-1}\) 量级的。把所有的求和,发现每个 \(p_{l, r}\) 除非某一位是 \(n\) 或 \(1\),否则会分别有一正一负的抵消贡献,剩下的是部分最多 \(2n\) 项每一项都是 \(\le n\)(甚至还有负的,所以总共 \(O(n^2)\)。
例题 石子合并
\(n = 5000\) 的石子合并。
#include <iostream>
#include <cstdio>
#include <cstring>
using namespace std;
const int N = 5005;
int n, f[N][N], p[N][N], s[N];
int main() {
memset(f, 0x3f, sizeof f);
scanf("%d", &n);
for (int i = 1; i <= n; i++) {
scanf("%d", s + i), s[i] += s[i - 1];
f[i][i] = 0, p[i][i] = i;
}
for (int l = 2; l <= n; l++) {
for (int i = 1, j; (j = i + l - 1) <= n; i++) {
for (int k = p[i][j - 1]; k <= p[i + 1][j]; k++) {
if (f[i][k] + f[k + 1][j] + s[j] - s[i - 1] < f[i][j]) {
f[i][j] = f[i][k] + f[k + 1][j] + s[j] - s[i - 1], p[i][j] = k;
}
}
}
}
printf("%d\n", f[1][n]);
}
学习笔记:四边形不等式优化 DP的更多相关文章
- [学习笔记]四边形不等式优化DP
形如$f[i][j]=min{f[i][k]+f[k+1][j]}+w[i][j]$的方程中, $w[\;][\;]$如果同时满足: ①四边形不等式:$w[a][c]+w[b][d]\;\leq\;w ...
- hdu 2829 Lawrence(四边形不等式优化dp)
T. E. Lawrence was a controversial figure during World War I. He was a British officer who served in ...
- BZOJ1563/洛谷P1912 诗人小G 【四边形不等式优化dp】
题目链接 洛谷P1912[原题,需输出方案] BZOJ1563[无SPJ,只需输出结果] 题解 四边形不等式 什么是四边形不等式? 一个定义域在整数上的函数\(val(i,j)\),满足对\(\for ...
- 【转】斜率优化DP和四边形不等式优化DP整理
(自己的理解:首先考虑单调队列,不行时考虑斜率,再不行就考虑不等式什么的东西) 当dp的状态转移方程dp[i]的状态i需要从前面(0~i-1)个状态找出最优子决策做转移时 我们常常需要双重循环 (一重 ...
- codevs3002石子归并3(四边形不等式优化dp)
3002 石子归并 3 参考 http://it.dgzx.net/drkt/oszt/zltk/yxlw/dongtai3.htm 时间限制: 1 s 空间限制: 256000 KB 题目等级 ...
- CF321E Ciel and Gondolas Wqs二分 四边形不等式优化dp 决策单调性
LINK:CF321E Ciel and Gondolas 很少遇到这么有意思的题目了.虽然很套路.. 容易想到dp \(f_{i,j}\)表示前i段分了j段的最小值 转移需要维护一个\(cost(i ...
- 四边形不等式优化DP——石子合并问题 学习笔记
好方啊马上就要区域赛了连DP都不会QAQ 毛子青<动态规划算法的优化技巧>论文里面提到了一类问题:石子合并. n堆石子.现要将石子有次序地合并成一堆.规定每次只能选相邻的2堆石子合并成新的 ...
- HDU 2829 Lawrence (斜率优化DP或四边形不等式优化DP)
题意:给定 n 个数,要你将其分成m + 1组,要求每组数必须是连续的而且要求得到的价值最小.一组数的价值定义为该组内任意两个数乘积之和,如果某组中仅有一个数,那么该组数的价值为0. 析:DP状态方程 ...
- POJ 1160 四边形不等式优化DP Post Office
d(i, j)表示用i个邮局覆盖前j个村庄所需的最小花费 则有状态转移方程:d(i, j) = min{ d(i-1, k) + w(k+1, j) } 其中w(i, j)的值是可以预处理出来的. 下 ...
随机推荐
- awk1
awk [选项参数] 'script' var=value file(s)或aawk [选项参数] -f scriptfile var=value file(s)项参数说明:-F fs or --fi ...
- nginx&http 第二章 ngx 事件event初始化 ngx_event_process_init
|----------(ngx_worker_process_cycle->ngx_worker_process_init) |--------->for(;;) {ngx_process ...
- Cephfs的快照功能
前言 Cephfs的快照功能在官网都很少提及,因为即使开发了很多年,但是由于cephfs的复杂性,功能一直没能达到稳定,这里,只是介绍一下这个功能,怎么使用,并且建议不要在生产中使用,因为搞不好是会丢 ...
- FTP的PORT(主动模式)和PASV(被动模式)
最近做一个项目用到FTP和其它系统进行文件传输,结果在FTP网络连接的问题上花了很多时间,由于太久没搞多FTP,忘记了FTP不单单开放21端口,客户端采用不同连接模式对网络有不同.在此重温一下FTP的 ...
- 其实SQL优化调优,就跟吃饭喝水一样简单,教你抓住SQL的本质!
前言 SOL 优化并不简单,做好 SOL 优化需要掌握数据库体系结构.表和索引设计.高效 SOL法.高级 SOL 语法.多种优化工具等知识,甚至还得分析业务特点,以及了解优化器的缺点.只有建立 SOL ...
- 面试阿里,字节跳动99%会被问到的java线程和线程池,看完这篇你就懂了!
前言: 最近也是在后台收到很多小伙伴私信问我线程和线程池这一块的问题,说自己在面试的时候老是被问到这一块的问题,被问的很头疼.前几天看到后帮几个小伙伴解决了问题,但是问的人有点多我一个个回答也回答不过 ...
- python 中 try...finally... 的优雅实现
1. 关于 try.. finally.. 假如上帝用 python 为每一个来到世界的生物编写程序,那么除去中间过程的种种复杂实现,最不可避免的就是要保证每个实例最后都要挂掉.代码可简写如下: tr ...
- 追踪聚光特效怎么实现,有Vegas就够了
舞台聚光灯大家一定都不陌生,在电视上某些颁奖活动里,主持人的进场一定伴随着舞台灯光的聚光效果.随着主持人的移动,灯光也随之移动.这里的舞台灯光就起到了一个追踪聚光的效果. Vegas Pro 16 增 ...
- Java中类加载的过程
类加载过程 这里的加载过程是严格按照加载开始顺序进行的,注意是加载开始而不是加载完成.也就是有可能会有两个或几个阶段是同时进行的. 比如下面提到的验证过程中的符号引用验证是在解析阶段开始之后进行. 加 ...
- distinct关键字
对于distinct关键字,distinct关键字应用于所有列而不仅是前置它的列,如果给出多个列,将会比较两个列. 这是完整表, 首先是select distinct username from us ...