浅析1D1D动态规划的优化.pptVIP

* * * * * * 浅析1D1D动态规划的优化 所谓1D/1D动态规划，指的是状态数为O(n)，每一个状态决策量为O(n)的动态规划方程。直接求解的时间复杂度为O(n^，但是，绝大多数这样的方程通过合理的组织与优化都是可以优化到O(nlogn)乃至O(n)的时间复杂度的。 浅析1D1D动态规划的优化 经典模型一： （b[x]随x不降） 相信大家一定对这个模型不陌生。 这就是利用单调队列优化的经典模型。 我们注意到这样一个性质：如果存在两个数j, k，使得j = k，而且g(k) = g(j)，则决策j是毫无用处的。因为根据b[x]单调的特性，如果j可以作为合法决策，那么k一定可以作为合法决策，又因为k比j要优，所以说，如果把待决策表中的决策g(i)按照i排序的话，则g(i)必然是不降的。 这样，就引导我们使用一个单调队列来维护决策表。对于每一个状态f(x)来说，计算过程分为以下几步： 1、队首元素出队，直到队首元素在给定的范围中(=b[i])。 2、此时，队首元素就是状态f(x)的最优决策， 3、计算g(x)，并将其插入到单调队列的尾部，同时维持队列的单调性（不断地出队，直到队列单调为止）。 不难证明，算法复杂度为O(n)。 下面看一道例题。 例题1：Sliding Window(poj2823) 题目大意： 给定一个长度为n的序列(n=10^6)，从左往右依次输出长度为m的子序列中的最小值和最大值。 例如： input output 8 3 -1 -3 -3 -3 3 3 1 3 -1 -3 5 3 6 7 3 3 5 5 6 7 以求最小值为例： f(x)表示以x-m+1到x这段的最小值。 f(x)=min{a(k)} (x-m+1=k=x) 显然这个方程是满足经典模型一的，直接套用上述算法进行优化。 复杂度为O(n)。 用s(x,i)表示当前状态为x，决策为i时的函数值。 即s(x,i)=f(x)+w[i,x] 记t为状态x的最优决策，即t=k(x)。 现在已知：s(x,t)=s(x,t) (tt) ① 即求满足什么条件时有： s(x,t)=s(x,t)。(xx) ② 我们可以将①式左边+w[t,x]-w[t,x]，右边+w[t,x]-w[t,x]，即可得到②式，而要不等式成立，就需要： w[t,x]-w[t,x]=w[t,x]-w[t,x] 最后我们得到： w[t,x]+w[t,x]=w[t,x]+w[t,x] (ttxx) 这就是四边形不等式。对于满足四边形不等式的函数，我们称它为凸函数。 结论：f(x)决策单调等价于w[i,x]为凸函数。 从实战的角度来看，我们甚至都不需要验证w函数的这个性质，最经济的方法是写一个朴素算法打出决策表来观察（反正你总还是要check的）。 另外，大家在做题过程中肯定也会自己发现一些验证决策单调性的好方法（个人认为上述方法较为繁琐），这里就不再赘述。 那么，我们如何验证w函数为凸函数，或者说如何判断f(x)决策单调呢？ 实际上： w为凸当且仅当w[i,j]+w[i+1,j+1]=w[i+1,j]+w[i,j+1] 因为我们容易证明w[i,j+k]-w[i,j] (k0) 随i的递增而单调不增，也可以证明w[i+k,j]-w[i,j] (k0) 随j的递增而单调不增，进而可以证明：对于任意abcd，有w[a,c]+w[b,d]=w[b,c]+w[a,d]。 我们得到了一个验证w函数为凸函数的方法： 固定j算出w[i,j+1]-w[i][j]关于i的表达式，w是凸的必要条件是表达式随i不增。 固定i算出w[i+1,j]-w[i][j]关于j的表达式，w是凸的必要条件是表达式随j不增。 如果条件都符合，则说明w为凸函数。 这类模型的优化和决策单调性密切相关。 什么是决策单调性呢？ 假如用k(x)表示状态x取到最优值时的决策，则决策单调性表述为： 显然，不可能所有的这类方程都能满足决策单调性，我们可以试着推导一下满足方程决策单调性的条件。 经典模型二： 跳过 经典模型二： 有了决策单调性，怎样高效地实现它呢？很容易想到在枚举决策的时候，不需要从1开始，只要从k(x-1)开始就可以了，但这只能降低常数，不可能起到实质性的优化。 另一种想法是从k(x-1)开始枚举决策更新f(x)，一旦发现决策u+1不如决策u好，就停止决策过程，选取决策u作为f(x)的最终决策。这样时间是很大提高了，但可惜是不正确的。决策单调性并没有保证f