BZOJ1010: [HNOI2008]玩具装箱toy(斜率优化dp)

2024-04-16 01:58

本文主要是介绍BZOJ1010: [HNOI2008]玩具装箱toy(斜率优化dp),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Description
  P教授要去看奥运,但是他舍不下他的玩具,于是他决定把所有的玩具运到北京。他使用自己的压缩器进行压
缩,其可以将任意物品变成一堆,再放到一种特殊的一维容器中。P教授有编号为1…N的N件玩具,第i件玩具经过
压缩后变成一维长度为Ci.为了方便整理,P教授要求在一个一维容器中的玩具编号是连续的。同时如果一个一维容
器中有多个玩具,那么两件玩具之间要加入一个单位长度的填充物,形式地说如果将第i件玩具到第j个玩具放到一
个容器中,那么容器的长度将为 x=j-i+Sigma(Ck) i<=K<=j 制作容器的费用与容器的长度有关,根据教授研究,
如果容器长度为x,其制作费用为(X-L)^2.其中L是一个常量。P教授不关心容器的数目,他可以制作出任意长度的容
器,甚至超过L。但他希望费用最小.

Input
  第一行输入两个整数N,L.接下来N行输入Ci.1<=N<=50000,1<=L,Ci<=10^7

Output
  输出最小费用

Sample Input
5 4

3

4

2

1

4
Sample Output
1
HINT
Source

参考题解:https://blog.csdn.net/qq_38944163/article/details/91369545
思路:
d p [ i ] = m i n ( d p [ j ] + ( s u m [ i ] − s u m [ j ] + i − j − 1 − L ) 2 ) dp[i] = min(dp[j] + (sum[i] - sum[j] + i - j - 1 - L)^2) dp[i]=min(dp[j]+(sum[i]sum[j]+ij1L)2)
a [ i ] = s u m [ i ] + i ; b [ i ] = s u m [ i ] + i + L + 1 a[i] = sum[i] + i; b[i] = sum[i] + i + L + 1 a[i]=sum[i]+i;b[i]=sum[i]+i+L+1
x ( i ) = b [ i ] , y ( i ) = d p [ i ] + b [ i ] ∗ b [ i ] x(i) = b[i], y(i) = dp[i] + b[i] * b[i] x(i)=b[i],y(i)=dp[i]+b[i]b[i]

最后变形为
d p [ j ] + b [ j ] ∗ b [ j ] = 2 ∗ a [ i ] ∗ b [ j ] + d p [ i ] − a [ i ] ∗ a [ i ] . dp[j] + b[j] * b[j] = 2 * a[i] * b[j] + dp[i] - a[i] * a[i]. dp[j]+b[j]b[j]=2a[i]b[j]+dp[i]a[i]a[i].
也即 y ( j ) = 2 ∗ a [ i ] ∗ x ( j ) + d p [ i ] − a [ i ] ∗ a [ i ] 。 y(j) = 2*a[i] * x(j) + dp[i] - a[i] * a[i]。 y(j)=2a[i]x(j)+dp[i]a[i]a[i]
令斜率k等于 2 ∗ a [ i ] , 截 距 b = d p [ i ] − a [ i ] ∗ a [ i ] 。 2 * a[i], 截距b = dp[i] - a[i] * a[i]。 2a[i],b=dp[i]a[i]a[i]

目的是dp[i]最小,类似线性规划,你有一条直线,和一堆点(以前算过的j点),那么就是寻找一个j点使得截距最小。

这样就是用单调队列维护一个下凸包(U型),只有最外层对应下凸包的点才有意义,选这里面的点才能保证斜率最低。

队首两点斜率小于2 * a[i],那就去掉队首,因为直线肯定不会交到队首。剩下的那个点就是与直线相交的点

q[r]和q[r-1]的斜率大于q[i]和q[r]的斜率,意味着这里凹进去了,肯定选不到r这个点,出队尾。

维护下凸包的意义在于,截距尽可能小的候选点只在这之间。

需要注意的是:算斜率的时候要保证凸包里面至少两个点,且0点一开始就有。

#include <cstdio>
#include <cstring>using namespace std;typedef long long ll;
const int maxn = 5e4 + 7;
int q[maxn];
ll n,L;
ll sum[maxn],dp[maxn];double a(ll i){return sum[i] + i;}
double b(ll i){return sum[i] + i + L + 1;}
double x(ll i){return b(i);}
double y(ll i){return dp[i] + b(i) * b(i);}
double slope(ll i,ll j){return (y(i) - y(j)) / (x(i) - x(j));}void IN()
{scanf("%lld%lld",&n,&L);for(int i = 1;i <= n;i++)scanf("%lld",&sum[i]);for(int i = 1;i <= n;i++)sum[i] += sum[i - 1];
}void DP()
{int l = 1,r = 1;for(int i = 1;i <= n;i++){while(l < r && slope(q[l],q[l + 1]) < 2 * a(i))l++;int j = q[l];dp[i] = dp[j] + (a(i) - b(j)) * (a(i) - b(j));while(l < r && slope(q[r],q[r - 1]) > slope(i,q[r]))r--;q[++r] = i;}printf("%lld\n",dp[n]);
}int main()
{IN();DP();return 0;
}

这篇关于BZOJ1010: [HNOI2008]玩具装箱toy(斜率优化dp)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/907518

相关文章

Deepseek使用指南与提问优化策略方式

《Deepseek使用指南与提问优化策略方式》本文介绍了DeepSeek语义搜索引擎的核心功能、集成方法及优化提问策略,通过自然语言处理和机器学习提供精准搜索结果,适用于智能客服、知识库检索等领域... 目录序言1. DeepSeek 概述2. DeepSeek 的集成与使用2.1 DeepSeek API

Tomcat高效部署与性能优化方式

《Tomcat高效部署与性能优化方式》本文介绍了如何高效部署Tomcat并进行性能优化,以确保Web应用的稳定运行和高效响应,高效部署包括环境准备、安装Tomcat、配置Tomcat、部署应用和启动T... 目录Tomcat高效部署与性能优化一、引言二、Tomcat高效部署三、Tomcat性能优化总结Tom

解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)

《解读Redis秒杀优化方案(阻塞队列+基于Stream流的消息队列)》该文章介绍了使用Redis的阻塞队列和Stream流的消息队列来优化秒杀系统的方案,通过将秒杀流程拆分为两条流水线,使用Redi... 目录Redis秒杀优化方案(阻塞队列+Stream流的消息队列)什么是消息队列?消费者组的工作方式每

Oracle查询优化之高效实现仅查询前10条记录的方法与实践

《Oracle查询优化之高效实现仅查询前10条记录的方法与实践》:本文主要介绍Oracle查询优化之高效实现仅查询前10条记录的相关资料,包括使用ROWNUM、ROW_NUMBER()函数、FET... 目录1. 使用 ROWNUM 查询2. 使用 ROW_NUMBER() 函数3. 使用 FETCH FI

C#使用HttpClient进行Post请求出现超时问题的解决及优化

《C#使用HttpClient进行Post请求出现超时问题的解决及优化》最近我的控制台程序发现有时候总是出现请求超时等问题,通常好几分钟最多只有3-4个请求,在使用apipost发现并发10个5分钟也... 目录优化结论单例HttpClient连接池耗尽和并发并发异步最终优化后优化结论我直接上优化结论吧,

Java内存泄漏问题的排查、优化与最佳实践

《Java内存泄漏问题的排查、优化与最佳实践》在Java开发中,内存泄漏是一个常见且令人头疼的问题,内存泄漏指的是程序在运行过程中,已经不再使用的对象没有被及时释放,从而导致内存占用不断增加,最终... 目录引言1. 什么是内存泄漏?常见的内存泄漏情况2. 如何排查 Java 中的内存泄漏?2.1 使用 J

MySQL不使用子查询的原因及优化案例

《MySQL不使用子查询的原因及优化案例》对于mysql,不推荐使用子查询,效率太差,执行子查询时,MYSQL需要创建临时表,查询完毕后再删除这些临时表,所以,子查询的速度会受到一定的影响,本文给大家... 目录不推荐使用子查询和JOIN的原因解决方案优化案例案例1:查询所有有库存的商品信息案例2:使用EX

MySQL中my.ini文件的基础配置和优化配置方式

《MySQL中my.ini文件的基础配置和优化配置方式》文章讨论了数据库异步同步的优化思路,包括三个主要方面:幂等性、时序和延迟,作者还分享了MySQL配置文件的优化经验,并鼓励读者提供支持... 目录mysql my.ini文件的配置和优化配置优化思路MySQL配置文件优化总结MySQL my.ini文件

正则表达式高级应用与性能优化记录

《正则表达式高级应用与性能优化记录》本文介绍了正则表达式的高级应用和性能优化技巧,包括文本拆分、合并、XML/HTML解析、数据分析、以及性能优化方法,通过这些技巧,可以更高效地利用正则表达式进行复杂... 目录第6章:正则表达式的高级应用6.1 模式匹配与文本处理6.1.1 文本拆分6.1.2 文本合并6

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义