Convex optimize old
泛化ψ(`∇´)ψ
这一类问题和单调队列优化DP有共同的地方。
可以用类似的思想思考其中的一部分内容。
考虑单调队列优化DP里面那个 1D1D 的式子。
其中 \(val(i,j)\) 是关于 \(i,j\) 的多项式。
并且可以分裂为两个分别只和 \(i,j\) 相关的部分。
但如果 \(val(i,j)\) 当中有同时和 \(i,j\) 相关的部分(乘积和做除法),那么单调队列优化DP就不再适用。
此时就需要使用斜率优化DP。
而决策集合的上下界 \([L(i),R(i)]\) 的变化则决定了辅助斜率优化使用的算法。
如果决策集合是单调变化的,可以直接使用单调队列。
否则需要根据情况使用二分或者平衡树,这里的选择则是取决于决策集合的变化是在头尾放入还是在任意位置插入。
例题ψ(`∇´)ψ
\(n\) 个任务排成一个序列在一台机器上等待完成(顺序不得改变),这 \(n\) 个任务被分成若干批,每批包含相邻的若干任务。
从零时刻开始,这些任务被分批加工,第 \(i\) 个任务单独完成所需的时间为 \(t_i\)。在每批任务开始前,机器需要启动时间 \(s\),而完成这批任务所需的时间是各个任务需要时间的总和(同一批任务将在同一时刻完成)。
每个任务的费用是它的完成时刻乘以一个费用系数 \(c_i\)。请确定一个分组方案,使得总费用最小。
做法1 - 暴力ψ(`∇´)ψ
保证 \(n \le 500,1\le s \le 50,1\le t_i,c_i \le 100\)
考虑最暴力的方式,设 \(f_{i,j}\) 表示前 \(i\) 个任务,分成 \(j\) 批执行的所有方案,属性是总费用最小。
枚举上一批任务的最后一个点即可。
\(f_{i,j}=\min\limits_{0\le k < i}\{f_{k,j-1}+c[k+1\sim i]\times (t[k+1\sim i]+s\times j)\}\)
处理前缀和可以做到 \(\text{O}(n^3)\)
做法2 - 费用提前计算ψ(`∇´)ψ
保证 \(n\le 5000,1\le s \le 50,1\le t_i,c_i \le 100\)
发现上一个方程的瓶颈在于 \(j\) ,需要知道启动了多少次,因为 \(s\) 造成的贡献会和启动次数成正比。
发现如果一批任务确定被分在一起,那么之后的所有任务的结束时间自然都会增加 \(s\)。
所以可以在转移的时候先把这个 \(s\) 加到后面(费用提前计算)
因为题目没有分多少组的限制,设 \(f_i\) 表示把前 \(i\) 个任务分成若干个批次的所有方案,属性为最小花费。
枚举上一组的最后端点可以得到:
\(f_i=\min\limits_{0\le j < i}\{f_j+s\times c[j+1\sim n]+t[1\sim i] \times c[j+1 \sim i]\}\)
预处理前缀和可以做到 \(\text{O}(n^2)\)
做法3 - 斜率优化ψ(`∇´)ψ
保证 \(n \le 3\times 10^5,1\le s \le 512,1\le t_i,c_i \le 512\)
要求时间复杂度 \(\text{O}(n)\)。
发现这个方程就是 1D1D 的形式,用前缀和的方式重新写一下这个方程:
\(f_i=\min\limits_{0\le j < i}\{f_j+s\times (sumc[n]-sumc[j])+sumt[i]\times(sumc[i]-sumc[j])\}\)
发现后面的 \(val(i,j)\) 这个多项式是
\(s\times (sumc[n]-sumc[j])+sumt[i]\times(sumc[i]-sumc[j])\)
把 \(i\) 相关项, \(j\) 相关项,\(i,j\) 相关项分离:
常项:\(s\times sumc[n]\)
\(i\) 相关项: \(sumt[i]\times sumc[i]\)
\(j\) 相关项:\(-s\times sumc[j]\)
\(i,j\) 相关项: \(-sumt[i]\times sumc[j]\)
把外层循环固定时候的常量提出去
\(f_i=s\times sumc[n]+sumt[i]\times sumc[i]+\min\limits_{0 \le j < i}\{f_j -s\times sumc[j]-sumt[i]\times sumc[j]\}\)
把 \(\min\) 去掉,把关于决策点 \(j\) 的看作变量。
\(f_j=(s+sumt[i])\times sumc[j]+f_i-sumt[i]\times sumc[i]-s\times sumc[n]\)
如果把 \(f_j\) 当作 \(y\) ,\(sumc[j]\) 看作 \(x\)。
可以得到一条直线 \(y=kx+b\)
其中 \(b=f_i-sumt[i]\times sumc[i]-s\times sumc[n]\)
实际上这条直线应当是这样的形式:
\(y\) 是只和 \(j\) 相关的项,然后 \(kx\) 就是把 \(i\times j\) 这种项放过来,其中 \(k\) 对应 \(i\) 的一次项,\(x\) 对应 \(j\) 的一次项。
剩下的部分就是 \(b\) 了。
如果遇到两个 \(i\times j\) 项,可以考虑把他们拆开,然后再分别放到对应位置去。
比如 \(a_ia_j+b_ib_j\) 这种,就把他拆成 \((a_i+b_i)(a_j+b_j)-a_ib_i-a_jb_j\)。
第一部分放到 \(kx\) 项,第二部分放到 \(b\) 项,第三部分放到 \(y\) 项即可。
可以发现,斜率优化处理 \(i\times j\) 的方式就是把它当作直线方程中的 \(kx\)。
把 \(j=0\to n-1\) 的 每个二元组 \((sumc[j],f_j)\) 当作平面直角坐标系上的一个点 \((x,y)\)(这就是要去掉 \(\min\) 的原因)
(实际上就是把直线中 \(x\) 位置的式子当作坐标系里的 \(x\) 坐标,\(y\) 位置的式子当作坐标系里的 \(y\) 坐标)
我们可以得到这样的一个东西:
发现直线 \(y=kx+b\) 的斜率是 \((s+sumt[i])\)
是一个关于 \(i\) 的变量,也就是说,对于不同的 \(i\) ,我们得到的斜率是不一样的。
当然如果出现 \(sumt[i]\) 先增再减少导致有两个不同的 \(i\) 的 \(sumt[i]\) 一样,是没有影响的。
回想一下问题:最小化 \(f_n\),对应到每个决策的问题就是最小化 \(f_i\)。
而 \(f_i\) 处于截距 \(b\) 之中,当 \(y,x,k\) 固定的时候,只需要让 \(b\) 最小,\(f_i\) 就最小。
所以对于每一个 \(i\) ,拿一条斜率为 \(k\) 的直线从下往上平移,遇到的第一个点一定是最优解。
但是就算这样,还是需要枚举所有可能的 \(j\) ,复杂度依旧是 \(n^2\) 级别。
那么怎么优化?
随便找三个 \(x\) 坐标递增的点 \(i,j,k\)
连接 \(i\to j,j \to k\)
发现只可能有如下的两种情况(三点共线的不算)。
发现第二种情况,\(j\) 无论如何都不可能成为最优决策。
形式化的描述就是 \(k_{i,j}>k_{j,k}\) ,那么 \(j\) 不可能成为最优决策。
所以可以处理出所有的不可能成为最优决策的决策点,然后转移就在剩下的部分进行即可。
实际上,在本题就是在维护一个 \(x\) 单调递增,\(k\) 单调递增的 下凸壳,
具体如何维护这个下凸壳呢?
考虑从 \(0 \to n-1\) 暴力扫一次,每次新增一个点都需要把它和上一个被加入的点,上上个被加入的点相互之间连边,如果这个点更优,去掉上一个,把这个点放进来。
GIF:
因为在本题,斜率在 \(i\) 增加的时候一定增加(因为 \(sumt[i]\) 肯定单调上升)
所以可以利用一个单调队列,把前面已经决策过的删除,在后面进行决策。
也就是队头和队头加一的斜率小于 \(s+sumt[i]\),就把队头弹出。
Code
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 |
|
我这份代码是写的维护 \([head, tail)\) 这个半闭半开区间。
所以初始的时候 head = 1, tail = 1
。
但是我如果直接改成维护闭区间 \([head, tail]\) 就会寄。
可能是代码移动端点的时候出了细节问题,之后再看吧。
复杂度 \(\text{O}(n)\)。
这题的 \(\text{O}(n^2)\) 做法还有另外一个方程,
就是把当前批次任务的贡献带着 \(S\) 也直接往后面加了:
这个也是可以斜率优化的,用上面总结的找直线方程的每一部分的方法即可。
性质也差不多。
做法4 - 二分 + 斜率优化ψ(`∇´)ψ
条件同3,\(t_i\) 可能是负数。
发现 \(sumt\) 不再是单调上升的,所以不能利用单调队列直接弹掉队头冗杂。
决策的时候就需要在整个凸壳上二分。
只需要找到这样的一个节点即可:
如果某个顶点左侧的线段斜率比 \(k\) 小,右侧比 \(k\) 大,那么这个点就是最优决策。
Code
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 |
|
做法5 - 平衡树 + 斜率优化ψ(`∇´)ψ
如果 \(c_i\) 也有可能是负数?
需要在凸壳的任意位置插入,查询,所以需要平衡树。
还不太会。