斜率优化 DP

斜率优化 DP

0. 定位

斜率优化解决的是转移代价里含有 「i 与 j 的交叉乘积项」 的 DP：

把每个候选决策 j 看成一条直线，则 dp[i] 等于「在横坐标 x = a(i) 处，所有直线取值的最值」。
维护这些直线的凸包包络，每个 i 在 O(1)（单调情形）或 O(log n)（任意情形）内取到最优。

---

1. 动机：单调队列为什么不够

单调队列优化的前提是可加性分离：

dp[i] = g(i) + opt{ f(j) }          # 只与 j 有关 + 只与 i 有关，无交叉

但很多转移长这样：

dp[i] = min_{j<i} ( dp[j] + A(i)·B(j) + C(i) + D(j) )   # 含 A(i)·B(j) 交叉项

A(i)·B(j) 既含 i 又含 j，拆不成 f(j)+g(i)，单调队列失效。
斜率优化的核心动作，就是把这种交叉乘积项「卷」成直线，再用几何方法取最值。

---

2. 本质原理

2.1 直线化变换（最关键的一步）

把转移展开并重新分组，目标是凑出 m(j)·x(i) + b(j)：

dp[i] = C(i) + min/max_{j} (  m(j) · x(i)  +  b(j)  )

• 每个决策 j ⟶ 一条直线 y = m(j)·x + b(j)
  • 斜率 m(j) 只与 j 有关
  • 截距 b(j) 只与 j 有关（通常含 dp[j]）
• 主状态 i 只决定查询横坐标 x = x(i)
• dp[i] = C(i) + 在 x(i) 处所有直线的最值

注：式子必须写成「(只关于 j 的系数) × (只关于 i 的变量) + (只关于 j 的常数)」。

2.2 几何意义：凸包包络

• 求 min → 维护所有直线的下凸包（lower envelope）；
• 求 max → 维护上凸包（upper envelope）。
• 在任意横坐标处，最优直线一定落在凸包包络上，内部被包住的直线永不最优。

2.3 为什么要这样：决策被几何淘汰

两条直线 L₁, L₂ 在某个横坐标 x* 相交；在 x* 一侧 L₁ 更优，另一侧 L₂ 更优。

若有三条直线 L₁→L₂→L₃，且 L₂ 与 L₁ 的交点已经 ≥ L₂ 与 L₃ 的交点，说明 L₂ 的「最优区间」被压没——它永远不可能最优，直接永久淘汰。

注：这就是斜率优化与单调队列的共性，用「更优且更晚被淘汰 → 永久淘汰」的支配关系，把候选集压成一条凸包。 区别只在于「比较的对象」：单调队列比的是单点值，斜率优化比的是整条直线。

---

3. 适用条件

必须同时满足：

1. 能化成直线形式：转移可整理为 m(j)·x(i) + b(j) + C(i)（交叉乘项成功分离到直线）。
2. 求区间最值：min（下凸包）或 max（上凸包）。
3. 按单调性分两类处理：
   • 斜率 m(j) 与查询 x(i) 都单调 → 用单调队列/双端队列维护凸包，插入、查询均摊 O(1)，总 O(n)。这是「斜率优化 + 单调队列」最常见的形态（进阶指南把它紧接在单调队列之后讲，原因在此）。
   • 两者不单调 → 用**李超树（Li Chao Tree）**或 std::set 动态维护，总 O(n log n)，无需任何单调性假设。

不可用反例：

• 转移是纯加性 f(j)+g(i) 却硬套直线 → 杀鸡用牛刀，单调队列更简单。
• opt(i) 单调但代价不是直线（如只满足四边形不等式）→ 该用分治优化，不是斜率优化。
• 交叉项非线性（如 A(i)·B(j)²）→ 直线化失败，通常需 CDQ 分治 + 李超树或换思路。

---

4. 通用形态与核心操作

4.1 交点公式

直线 L(m,b) 与 L'(m',b') 的交点横坐标：

x* = (b' - b) / (m - m')

实际代码用叉乘避免浮点与符号错误：

(m - m')·(b' - b) 的大小比较  ⟺  比较交点左右

4.2 下凸包维护（单调情形，斜率递增、查询递增）

// 维护下凸包，直线按斜率 m 递增加入；查询横坐标 x 递增
struct Line { long long m, b;            // y = m*x + b
    long long operator()(long long x) const { return m*x + b; } };

// 交点横坐标（叉乘形式，避免除法）
bool bad(Line a, Line b, Line c) {
    // 若 a 与 c 的交点 <= a 与 b 的交点，则 b 被夹死，弹出
    return (b.b - a.b) * (a.m - c.m) >= (c.b - a.b) * (a.m - b.m);
}

deque<Line> dq;
// 插入新直线 L：
while (dq.size() >= 2 && bad(dq[dq.size()-2], dq.back(), L)) dq.pop_back();
dq.push_back(L);
// 查询在 x 处的最小值：
while (dq.size() >= 2 && dq[0](x) >= dq[1](x)) dq.pop_front();
ans = dq[0](x);

要点：

• 插入时从队尾剔除「被夹死」的直线（bad 条件）；
• 查询时从队首弹出「已被更优直线取代」的直线；
• 若实际算出的斜率是递减的，等价于维护上凸包或把斜率取负，逻辑镜像处理即可。

4.3 李超线段树（Li Chao Tree）：任意情形下的通用结构

动机：为什么需要它

当斜率 m(j) 或查询 x(i) 不单调时，双端队列维护凸包会失效：

• 新直线的「最优区间」可能插在已有凸包的中间，无法只从队尾剔除；
• 查询也不能只弹队首（最优直线不一定在队首）。

于是需要一种支持任意顺序插入、任意横坐标查询的结构。李超树正是为这个问题设计的通用方案，且不要求任何单调性。

核心思想

用一棵线段树把横坐标定义域 [Xmin, Xmax] 切成若干区间。每个节点对应一个 x 区间，只存一条「在该区间中点处取值最优」的直线（称为该节点的「优势直线」）。

注：
为什么只存「中点最优」这一条就够？
关键不变量：对任意查询横坐标 x，真正最优的那条直线，一定出现在「从根到 x 所在叶子的路径」上某个节点的优势直线中。 因此查询时只要沿路径取所有优势直线的最值即可，无需在每个节点存完整凸包。

关键性质：若直线 L 在某个区间中点比当前优势直线更优，那么 L 至少在该区间的「含中点的那一半」比它优——于是把 L 设为该节点优势直线，把被换下的旧直线递归下放去和另一半比较。每次插入只沿一条路径递归，深度 O(log V)。

插入（insert）

// 求最小值版本。线段树节点 u 管区间 [l, r]，tree[u] 存该区间中点最优直线
struct Line { long long m, b;                       // y = m*x + b
    long long eval(long long x) const { return m*x + b; } };

Line tree[SIZE];
bool empty[SIZE] = {true};

void add(int u, int l, int r, Line k) {
    if (empty[u]) { tree[u] = k; empty[u] = false; return; }
    int mid = (l + r) >> 1;
    bool win_mid = k.eval(mid) < tree[u].eval(mid);  // k 在中点更优？
    if (win_mid) swap(tree[u], k);                    // 中点更优者留节点，败者下放
    if (l == r) return;
    if (k.eval(l) < tree[u].eval(l))                  // 败者（现 k）在左端点更优 → 交点在左半
        add(u*2, l, mid, k);
    else                                              // 否则交点在右半（或整段被支配）
        add(u*2+1, mid+1, r, k);
}

几何直觉：k 与节点原直线至多相交一次。在中点比较决定「谁留节点」；被换下的败者只在「它仍可能更优」的那一侧（由左端点比较判定）继续下放。这样每条直线沿一条路径走到底，绝不回退。

查询（query）

long long ask(int u, int l, int r, long long x) {
    if (empty[u]) return INF;                  // 无直线时返回极大值（求 min 情形）
    long long res = tree[u].eval(x);
    if (l == r) return res;
    int mid = (l + r) >> 1;
    if (x <= mid) res = min(res, ask(u*2,   l,     mid, x));
    else          res = min(res, ask(u*2+1, mid+1, r,   x));
    return res;
}

查询沿根到叶子的一条路径，把路径上所有优势直线在该 x 处的值取最值 —— 由前述不变量，结果即为全局最优。

复杂度

• 每次插入 / 查询深度 = 树高 = O(log V)，V 为横坐标定义域长度。
• 总复杂度 O(n log V)（n 条直线）。无需任何单调性假设。

坐标范围与动态开点

• 若 x 范围大（如 1e9）但直线数少，用动态开点线段树（指针或 map 节点）避免建满整棵树；
• 若 x 是实数域或稀疏，可把查询点离散化后建树；
• 区间范围需在插入前根据数据估计并统一（通常取 [-INF, INF] 或坐标上下界）。

与双端队列凸包对比

	双端队列凸包	李超线段树
单调性要求	斜率 & 查询都必须单调	无要求
复杂度	O(n) 均摊	O(n log V)
常数项	极小	较大
删除直线	易（滑动窗口可踢）	难（通常不可删，需持久化/整体二分/分治重构）
适用	单调情形首选	任意/在线查询兜底

注：单调能上 deque 就别用李超树；不单调或需在线任意查询，再上李超树。

变体与注意

• 求最大值：把所有比较的 < 改成 > 即可（上凸包即最大）。李超树天然不分上下，仅比较符号不同。
• 维护线段（直线只在 [xl, xr] 内有效）：插入时若区间完全在某侧则直接返回，否则按中点裁剪后递归，逻辑略繁但思想一致。
• 正确性核心：节点只存「中点最优」，但查询沿路径取最值必得全局最优 —— 这是李超树成立的根，务必理解而非死记模板。

---

5. 经典模型精析

模型 A ｜ 玩具装箱（Toy Packing，P3195 / POJ 3709）

• 建模：把物品分 contiguous 段，段 [j+1,i] 代价 (sᵢ−sⱼ+i−j−1−L)²。令 f[i]=s[i]+i, C=L+1, g[j]=f[j]+C：
  dp[i] = f[i]² + minⱼ( (−2g[j])·f[i] + (dp[j]+g[j]²) )。
• 优化关键：每个 j 是直线，斜率 mⱼ=−2g[j]（随 j 递减），查询 x=f[i]（递增）→ 下凸包 + 单调队列，O(n)。

模型 B ｜ 土地征用（Land Acquisition，POJ 1180 / CF）

• 建模：矩形按宽排序、去「被完全包含」的冗余后，段代价化成直线。
• 优化关键：先预处理（排序+单调栈去冗余）把问题变成直线形式，再套斜率优化。体现「斜率优化前常需一层贪心/排序化简」。

模型 C ｜ 任务安排 / 批量调度（Batch）

• 建模：连续任务分段，段代价含段长与段内任务和的乘项，dp 展开后出现交叉项。
• 优化关键：典型「含 i·j 交叉项」的入门直线化练习，斜率与查询均单调 → 单调队列凸包。

模型 D ｜ 带窗口限制（决策 j ∈ [i−k, i−1]）

• 建模：转移同前，但 j 只能取最近 k 个。
• 优化关键：在凸包单调队列基础上，插入时额外从队首踢出超出窗口的旧决策——即「斜率优化 + 滑动窗口」二合一。

模型 E ｜ 任意查询（李超树）

• 代表：斜率 / 查询不单调的题（如部分 DP 值查询顺序不可控）。
• 优化关键：放弃单调性假设，直接上李超树（结构、插入/查询、动态开点见 4.3），O(n log V)，模板通用。

---

6. 本质再认识

• 斜率优化 vs 单调队列：交叉乘积项 m(j)·x(i) ⇔ 直线化；加性项 f(j)+g(i) ⇔ 单点值。前者比的是整条直线（凸包），后者比的是单点值（滑窗）。
• 斜率优化 vs 分治优化：分治优化只要求 opt(i) 单调、代价可快速合并，不要求直线；斜率优化要求代价是线性交叉形式。
• 单调队列是特例：当斜率与查询都单调时，凸包退化成可用双端队列 O(n) 维护——这正是它紧挨着单调队列讲的原因。
• 边界意识：直线化的代数展开最容易出错（符号、常数项 C(i) 别落进凸包里）；先写清「m(j)、b(j)、x(i)、C(i) 各是什么」再编码。

---

7. 总结

斜率优化 DP = 交叉乘积项 → 直线 → 凸包包络。
把每个决策 j 卷成直线 y=m(j)x+b(j)，把 dp[i] 变成在 x=x(i) 处取直线最值；用凸包淘汰永不最优的直线。
判定它能否用：看转移能不能化成 m(j)·x(i)+b(j)；单调就上双端队列 O(n)，不单调就上李超树 O(n log n)。

部分内容由 AI 润色