HDU 3669 [Cross the Wall] DP斜率优化

2024-04-03 07:38
文章标签 dp 优化 斜率 hdu cross wall 3669

本文主要是介绍HDU 3669 [Cross the Wall] DP斜率优化,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!

问题分析

首先,如果一个人的\(w\)\(h\)均小于另一个人,那么这个人显然可以被省略。如果我们将剩下的人按\(w[i]\)递增排序,那么\(h[i]\)就是递减。

之后我们考虑DP。

我们设\(f[i][j]\)为到第\(i\)个人,打了\(j\)个洞的花费。于是我们可以得到如下DP过程:

for( LL i = 1; i <= N; ++i ) F[ i ][ 1 ] = w[ i ] * h[ 1 ];
for( LL j = 2; j <= K; ++j ) for( LL i = j; i <= N; ++i ) {f[ i ][ j ] = INF;for( LL k = j - 1; k < i; ++k ) F[ i ][ j ] = min( F[ i ][ j ], F[ k ][ j - 1 ] + w[ i ] * h[ k + 1 ] );}
Ans = F[ N ][ K ];

我们将第二维滚动掉,节省空间:

for( LL i = 1; i <= N; ++i ) F1[ i ] = w[ i ] * h[ 1 ];
for( LL j = 2; j <= K; ++j ) {for( LL i = j; i <= N; ++i ) {F2[ i ] = INF;for( LL k = j - 1; k < i; ++k )F2[ i ] = min( F2[ i ], F1[ k ] + w[ i ] * h[ k + 1 ] );}memcpy( F1, F2, sizeof( F2 ) );
}
Ans = F1[ N ][ K ];

再考虑优化最里面一层循环:

\(l>k\)且从\(l\)转移优于从\(k\)转移,那么就有
\[ F1[l]+w[i]*h[l+1]<F1[k]+w[i]*h[k+1] \]
化简,得
\[ \frac{F_1[l]-F_1[k]}{h[k+1]-h[l+1]}<w[i] \]
然后就可以斜率优化了。具体的斜率优化讲解可以看这里。

参考程序

#include <bits/stdc++.h>
#define LL long long
using namespace std;const LL INF = 1e18 + 10;
const LL MaxN = 50010, MaxK = 110;
LL N, K;
struct CitizenAttribute {LL Width, Hight;CitizenAttribute( LL Width_ = 0, LL Hight_ = 0 ) {Width = Width_; Hight = Hight_; return;}bool operator < ( const CitizenAttribute Other ) const {return Width < Other.Width || Width == Other.Width && Hight > Other.Hight;}
};
CitizenAttribute Citizens[ MaxN ];
bool IsSkiped[ MaxN ];
LL L, R, Queue[ MaxN ], F1[ MaxN ], F2[ MaxN ];
LL NumAfterSkip;inline void Clear() {memset( Citizens, 0, sizeof( Citizens ) );memset( IsSkiped, false, sizeof( IsSkiped ) );memset( F1, 0, sizeof( F1 ) );return;
}inline void SkipContainedCitizen() {CitizenAttribute Last = CitizenAttribute( 0, 0 );for( LL i = N; i >= 1; --i )if( Citizens[ i ].Hight <= Last.Hight ) IsSkiped[ i ] = true;else Last = Citizens[ i ];NumAfterSkip = 0;for( LL i = 1; i <= N; ++i ) if( !IsSkiped[ i ] ) Citizens[ ++NumAfterSkip ] = Citizens[ i ];return;
}inline bool Less( LL i, LL j, LL Limit ) {LL DeltaY = F1[ j ] - F1[ i ];LL DeltaX = Citizens[ i + 1 ].Hight - Citizens[ j + 1 ].Hight;return DeltaY <= Limit * DeltaX;
}inline bool Greater( LL i, LL j, LL k ) {LL DeltaY1 = F1[ j ] - F1[ i ];LL DeltaY2 = F1[ k ] - F1[ j ];LL DeltaX1 = Citizens[ i + 1 ].Hight - Citizens[ j + 1 ].Hight;LL DeltaX2 = Citizens[ j + 1 ].Hight - Citizens[ k + 1 ].Hight;return DeltaY1 * DeltaX2 >= DeltaY2 * DeltaX1;
}void Work() {LL Ans = INF;Clear();for( LL i = 1; i <= N; ++i ) scanf( "%lld%lld", &Citizens[ i ].Width, &Citizens[ i ].Hight );sort( Citizens + 1, Citizens + N + 1 );SkipContainedCitizen();for( LL i = 1; i <= NumAfterSkip; ++i ) F1[ i ] = Citizens[ i ].Width * Citizens[ 1 ].Hight;Ans = min( Ans, F1[ NumAfterSkip ] );for( LL j = 2; j <= K && j <= NumAfterSkip; ++j ) {memset( F2, 0, sizeof( F2 ) );L = R = 0; memset( Queue, 0, sizeof( Queue ) );Queue[ R++ ] = j - 1;for( LL i = j; i <= NumAfterSkip; ++i ) {while( L + 1 < R && Less( Queue[ L ], Queue[ L + 1 ], Citizens[ i ].Width ) )++L;F2[ i ] = F1[ Queue[ L ] ] + Citizens[ Queue[ L ] + 1 ].Hight * Citizens[ i ].Width;while( L + 1 < R && Greater( Queue[ R - 2 ], Queue[ R - 1 ], i ) ) --R;Queue[ R++ ] = i;}memcpy( F1, F2, sizeof( F2 ) );Ans = min( Ans, F1[ NumAfterSkip ] );}printf( "%lld\n", Ans );return;
}int main() {while( scanf( "%lld%lld", &N, &K ) == 2 ) Work();return 0;
}

转载于:https://www.cnblogs.com/chy-2003/p/9758557.html

这篇关于HDU 3669 [Cross the Wall] DP斜率优化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/872303

相关文章

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML

MySQL中慢SQL优化的不同方式介绍

《MySQL中慢SQL优化的不同方式介绍》慢SQL的优化,主要从两个方面考虑,SQL语句本身的优化,以及数据库设计的优化,下面小编就来给大家介绍一下有哪些方式可以优化慢SQL吧... 目录避免不必要的列分页优化索引优化JOIN 的优化排序优化UNION 优化慢 SQL 的优化,主要从两个方面考虑,SQL 语

MySQL中慢SQL优化方法的完整指南

《MySQL中慢SQL优化方法的完整指南》当数据库响应时间超过500ms时,系统将面临三大灾难链式反应,所以本文将为大家介绍一下MySQL中慢SQL优化的常用方法,有需要的小伙伴可以了解下... 目录一、慢SQL的致命影响二、精准定位问题SQL1. 启用慢查询日志2. 诊断黄金三件套三、六大核心优化方案方案