论斜率优化dp

论斜率优化dp

  • 1问题
  • 2暴力算法-线性dp
  • 3斜率优化线性dp
  • 4后记

1问题

如下图
在这里插入图片描述
在这里插入图片描述
看到这题,题面很复杂
其实可以转化为如下问题
在这里插入图片描述
n n n个任务,排成一个有序序列,我们要解决这些任务
总费用是每一个任务的完成时间乘以费用系数求和
每个任务之前需要有一个机器启动时间 s s s
也就是说,一开始的时间为 0 0 0,做每个任务之前要先费 s s s的时间启动机器,做每个任务都需要一定时间,假设在 t i ti ti时刻完成费用系数为 f i fi fi的任务,这个任务的费用为 t i × f i ti \times fi ti×fi
总费用为 ∑ t i × f i \sum ti\times fi ti×fi
但是呢,我们可以把若干个任务并做一个,费用系数,完成耗时都求和,只是不需要多次启动机器了
这一看就是线性dp问题, 5000 5000 5000的数据范围也可以支持 n 2 n^2 n2算法

2暴力算法-线性dp

状态的设置很简单,设 d p i dp_i dpi为做完前 i i i个任务的最短耗时
怎么转移,首先枚举 d p j dp_j dpj
d p j dp_j dpj转移到 d p i dp_i dpi需要加些什么?
首先,加上机器启动时间,我们直接把之后所有的费用系数求和再乘以机器启动时间,这就是无后效性
然后,我们考虑 j + 1 j+1 j+1 i i i的任务合并,所有耗时求和再乘上费用系数求和
因为之前任务已经花费的时间会算到当前任务上,且启动机器时间已经算过了
我们把 1 − i 1-i 1i的所有任务耗时求和乘以费用系数即可
上述内容频繁用到求和,可以使用前缀和优化
这个程序很简单,直接附代码(c++)

#include<bits/stdc++.h>
using namespace std;
int n,s;
int t[114514],c[114514];
long long dp[114514],sumt[114514],sumc[114514];
int main(){memset(dp,0x3f,sizeof(dp));dp[0] = 0;cin>>n>>s;for(int i = 1;i<=n;i++){cin>>t[i]>>c[i];sumt[i] = sumt[i-1]+t[i];sumc[i] = sumc[i-1]+c[i];}for(int i = 1;i<=n;i++){for(int j = 0;j<i;j++){dp[i] = min(dp[i],dp[j]+sumc[i]*sumt[i]+s*sumc[n]-sumc[j]*(sumt[i]+s));}}cout<<dp[n];return 0;
}

你会发现你AC了,算法的复杂度 n 2 n^2 n2,是正确的
但是这是一道蓝题,肯定不止这点

3斜率优化线性dp

我们发现,枚举 i i i必然不可避免,但是枚举 j j j就多余了
我们如果能像单调队列优化dp那样直接省去枚举该多好
从状态转移方程入手
先观察
d p [ i ] = d p [ j ] + s u m c [ i ] ∗ s u m t [ i ] + s ∗ s u m c [ n ] − s u m c [ j ] ∗ ( s u m t [ i ] + s ) dp[i] = dp[j]+sumc[i]*sumt[i]+s*sumc[n]-sumc[j]*(sumt[i]+s) dp[i]=dp[j]+sumc[i]sumt[i]+ssumc[n]sumc[j](sumt[i]+s)
移项得
d p [ j ] = ( s u m t [ i ] + s ) ∗ s u m c [ j ] + d p [ i ] − s u m t [ i ] ∗ s u m c [ i ] − s ∗ s u m c [ n ] dp[j] = (sumt[i]+s)*sumc[j]+dp[i]-sumt[i]*sumc[i]-s*sumc[n] dp[j]=(sumt[i]+s)sumc[j]+dp[i]sumt[i]sumc[i]ssumc[n]
很容易发现, ( s u m t [ i ] + s ) (sumt[i]+s) (sumt[i]+s) ( d p [ i ] − s u m t [ i ] ∗ s u m c [ i ] − s ∗ s u m c [ n ] ) (dp[i]-sumt[i]*sumc[i]-s*sumc[n]) (dp[i]sumt[i]sumc[i]ssumc[n])固定,在枚举 j j j的时候,变化的只有 d p [ j ] dp[j] dp[j] s u m c [ j ] sumc[j] sumc[j],这不就是一次函数吗, y = k x + b y = kx+b y=kx+b,那么,要让dp[i]尽可能小
d p [ j ] dp[j] dp[j] ( s u m t [ i ] + s ) ∗ s u m c [ j ] (sumt[i]+s)*sumc[j] (sumt[i]+s)sumc[j]就要尽量接近
我们试着画图
在这里插入图片描述
哪个点距离一次函数最近就很明显了
那这有啥用呢
我们可以删去部分点了
用不同斜率的直线尝试求解,删去没有用的点
在这里插入图片描述
显然的,一个下凸包,我们动态维护凸包,这样就有了单调性
那么哪个点离直线最近呢,显然是连接两条斜率分别大于和小于当前直线的线段的点
这就可以跑二分了
时间复杂度 n l o g n nlogn nlogn,快了很多
还能再快吗,可以!
我们发现所有费用系数都是正整数, s s s也不变,那么前缀和即 s u m c sumc sumc必然单调递增
直线的斜率也自然是单调递增
这就可以用单调队列维护了,斜率单调递增就行
对于新插入的点,肯定是斜率越小越好,这下动态维护下凸包也可以一并解决
斜率的比较最好交叉相乘,避免误差
附代码(c++)

#include<bits/stdc++.h>
using namespace std;
typedef long long LL;
const int N = 300010;
int n,s;
LL c[N],t[N];
LL dp[N];
int q[N];
int main(){cin>>n>>s;for(int i = 1;i<=n;i++){cin>>t[i]>>c[i];t[i]+=t[i-1];c[i]+=c[i-1];}int hh = 0,tt = 0;dp[0] = 0;for(int i = 1;i<=n;i++){while(hh<tt&&((dp[q[hh+1]])-dp[q[hh]])<=(t[i]+s)*(c[q[hh+1]]-c[q[hh]])){hh++;}int j = q[hh];dp[i] = dp[j]-(t[i]+s)*c[j]+t[i]*c[i]+s*c[n];while(hh<tt&&((dp[q[tt]])-dp[q[tt-1]])*(c[i]-c[q[tt]])>=(dp[i]-dp[q[tt]])*(c[q[tt]]-c[q[tt-1]])){tt--;}q[++tt] = i;}cout<<dp[n];return 0;
}

4后记

斜率优化代表着本蒟蒻动态规划系列作品的结束
之后还会有插头dp,四边形不等式等内容
不过我太蒻了暂时学不会
本文作者是蒟蒻,如有错误请各位神犇指点
森林古猿出品,必属精品,请认准CSDN森林古猿1

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/415921.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

紫金大数据平台架构之路(一)----大数据任务开发和调度平台架构设计

一、总体设计 初来公司时&#xff0c;公司还没有大数据&#xff0c;我是作为大数据架构师招入的&#xff0c;结合公司的线上和线下业务&#xff0c;制定了如下的大数据架构路线图。 二、大数据任务开发和调度平台架构设计 在设计完总体架构后&#xff0c;并且搭建完hadoop/ya…

Python基础语法(多进程开发进程建数据共享进程锁进程池)

Python基础语法文章导航&#xff1a; Python基础&#xff08;01初识数据类型&变量&#xff09;Python基础&#xff08;02条件&循环语句&#xff09;Python基础&#xff08;03字符串格式化&运算符&进制&编码&#xff09;Python基础&#xff08;04 基础练习…

Marin说PCB之闲谈设计经验之沟通

今天这期小编我不讲解技术&#xff0c;主要是分享一些个人的工作中的一些经验吧&#xff0c;首先给诸位分享的就是小编我的学的降龙十八掌第一式&#xff1a;沟通&#xff0c;为啥要说沟通是第一个我要说的话题呢&#xff0c;这个说来话长了&#xff0c;小编我就长话短说了。 因…

Rust: Web框架Axum和Rest Client协同测试

Axum作为Rust当红Web框架&#xff0c;值得了解一下。下面实例包括几个典型的常场场景。 具体如下&#xff1a; 一、Axum 1、toml中依赖 [dependencies] tokio {version"1.39.3",features ["full"]} axum {version "0.7.5",features ["to…

OceanBase 关于 place_group_by HINT的使用

PLACE_GROUP_BY Hint 表示在多表关联时&#xff0c;如果满足单表查询后直接进行group by 的情形下&#xff0c;在跟其它表进行关联统计&#xff0c;减少表内部联接。 NO_PLACE_GROUP_BY Hint 表示在多表关联时&#xff0c;在关联后才对结果进行group by。 使用place_group_by …

html+css+js网页设计 故宫10个页面 ui还原度100%

htmlcssjs网页设计 故宫10个页面 ui还原度100% 网页作品代码简单&#xff0c;可使用任意HTML编辑软件&#xff08;如&#xff1a;Dreamweaver、HBuilder、Vscode 、Sublime 、Webstorm、Text 、Notepad 等任意html编辑软件进行运行及修改编辑等操作&#xff09;。 获取源码 …

Spring 学习笔记

概述 Spring 是一个企业级 J2EE 应用开发一站式解决方案&#xff0c;其提供的功能贯穿了项目开发的表现层、业务层和持久化层&#xff0c;同时&#xff0c;Spring 可以和其他应用框架无缝整合 Spring 的特性包括以下几个方面&#xff1a; 轻量&#xff1a;Spring 是一个轻量…

三级_网络技术_58_应用题

一、 请根据下图所示网络结构回答下列问题。 1.填写RG的路由表项。 目的网络/掩码长度输出端口__________S0&#xff08;直接连接&#xff09;__________S1&#xff08;直接连接&#xff09;__________S0__________S1__________S0__________S1 (2)如果在不改变路由表项的前提…

如何录制黑神话悟空的游戏BGM导入iPhone手机制作铃声?

在游戏的世界里&#xff0c;总有那么一些旋律&#xff0c;能够触动玩家的心弦&#xff0c;让人难以忘怀。《黑神话悟空》以其精美的画面和动人的背景音乐&#xff0c;赢得了无数玩家的喜爱。如果你也想将游戏中的背景音录制下来&#xff0c;制作成个性化的m4r格式铃声&#xff…

C++ 设计模式——备忘录模式

C 设计模式——备忘录模式 C 设计模式——备忘录模式1. 主要组成成分2. 逐步构建备忘录模式步骤1: 创建备忘录步骤2: 实现原发器步骤3: 创建管理者&#xff08;负责人&#xff09;类步骤4: 客户端使用 3. 备忘录模式 UML 图UML 图解析 4. 备忘录模式的优点5. 备忘录模式的缺点6…

Camtasia 2024 v2024.0.6 for Mac 中文版 屏幕录像视频录制编辑软件

TechSmith Camtasia for Mac 中文版 是一款专业的屏幕录像及视频录制编辑软件。以业界领先的清晰度重新定义了屏幕录制&#xff0c;将屏幕、摄像头、麦克风和系统音频捕获为独立音轨&#xff0c;实现终极控制和灵活性。通过拖放过渡、标注等功能&#xff0c;以及改进的工作流程…

AI-Talk开发板之helloword

一、说明 创建第一个应用在AI-Talk开发板上运行&#xff0c;编写一个“Hello World”应用&#xff0c;启动之后在主函数里通过UART0&#xff08;debug&#xff09;打印"Hello World"。 官方指导&#xff1a;第一个应用 | 聆思文档中心 (listenai.com) 二、创建工程…

标准库标头 <optional> (C++17)学习之optional

类模板 std::optional 管理一个可选 &#xfeff;的所含值&#xff0c;即既可以存在也可以不存在的值。 一种常见的 optional 使用情况是作为可能失败的函数的返回值。与如 std::pair<T, bool> 等其他手段相比&#xff0c;optional 可以很好地处理构造开销高昂的对象&a…

Ollama拉起本地模型以及rag系统部署。

什么是 Ollama &#xff1f; Ollama 是一个简明易用的本地大模型运行框架。能在本地启动并运行 Llama、qwen、Gemma 及其他大语言模型&#xff0c;没有GPU资源照样可以拉起模型&#xff0c;和LocalAI 比较类似&#xff0c;但是加载模型更容易。 1.安装 安装后运行&#xff0c…

统一NLP和目标检测的DETR(一)——self attention、encoder、decoder

主流目标检测算法劣势 YOLO系列&#xff0c;它基于anchor来做&#xff0c;少不了要用MNS&#xff0c;导致速度相对较慢。 但今天介绍一款DETR&#xff0c;基于VIT的目标检测算法。 那么我们需要先深入过一遍VIT。 Vision transform 1、传统RNN网络的问题 单向&#xff1a;只…

YOLOv8改进实战 | 引入混合局部通道注意力模块MLCA(2023轻量级)

YOLOv8专栏导航:点击此处跳转 前言 YOLOv8 是由 YOLOv5 的发布者 Ultralytics 发布的最新版本的 YOLO。它可用于对象检测、分割、分类任务以及大型数据集的学习,并且可以在包括 CPU 和 GPU 在内的各种硬件上执行。 YOLOv8 是一种尖端的、最先进的 (SOTA) 模型,它建立在以前…

C++和Python混合编程——Python调用C++入门

大纲 背景代码入门环境准备头文件业务代码注册BOOST_PYTHON_MODULE作用 boost::python::class_模板类 编译运行项目地址 背景 Python语言在大数据、人工智能以及大模型开发中扮演着举足轻重的角色&#xff0c;其影响力不断扩大并深化。 在大数据领域&#xff0c;Python以其简…

unittest | 使用unittest模块来测试logging日志模块功能

我们在这篇文章实现了在项目工程中编写一个logging模块&#xff0c;但是我们如何确定我们编写的模块功能的是否正常? 你可能想到将全部代码写完后运行测试&#xff0c;但这是一个非常不好的习惯。❌ 最好的方式&#xff0c;是每写出来一个功能或者方法就对它进行测试&#x…

Java设计模式之装饰器模式详细讲解和案例示范

1. 引言 装饰器模式&#xff08;Decorator Pattern&#xff09;是一种结构型设计模式&#xff0c;它允许向现有对象添加新的功能&#xff0c;而无需修改其结构。这种模式通过使用组合而非继承来扩展对象的行为&#xff0c;在许多实际应用中极为常见。本文将详细介绍装饰器模式…

使用 docker 部署 kvm 图形化管理工具 WebVirtMgr

文章目录 [toc]前提条件镜像构建启动 webvirtmgr创建其他 superuser配置 nginx 反向代理和域名访问绑定 kvm 宿主机local sockettcp 连接 虚拟机创建创建快照虚拟机克隆删除虚拟机 kvm 官方提供了以下这些图形化管理&#xff0c;license 这块也提示了是商业版&#xff08;Comme…