「动态 DP」学习笔记 (updating...)
作者：互联网
目录
\(\mathcal{Introduction}\)
\(\mathcal{Problem~1}\)
给定序列 \(\{a_n\}\)，其中 \(a_i\in\mathbb Z\)，求其最大子段和（不能为空）。
很显然的 DP——令 \(f_i\) 为以 \(i\) 为右端点的最大子段和，\(g_i\) 为 \([1,i]\) 内的最大子段和，有：
\[\begin{cases} f_i=\begin{cases} a_i&i=1\\ \max\{f_{i-1}+a_i,a_i\}&\text{otherwise} \end{cases}\\ g_i=\begin{cases} a_i&i=1\\ \max\{g_{i-1},f_i\}&\text{otherwise} \end{cases} \end{cases} \]
\(\mathcal O(n)\) 搞定。
不过我们来深究一下这个转移形式。以 \(f\) 的转移为例，我们把它写成“矩阵乘法”：
\[\begin{bmatrix} a_i&a_i\\ -\infty&0 \end{bmatrix} \begin{bmatrix} f_{i-1}\\ 0 \end{bmatrix}= \begin{bmatrix} f_i\\ 0 \end{bmatrix} \]
当然啦，这不是传统意义的矩乘，我们实际上定义：
\[\begin{bmatrix} a&b\\ c&d \end{bmatrix} \begin{bmatrix} e\\ f \end{bmatrix}= \begin{bmatrix} \max\{a+e,b+f\}\\ \max\{c+e,d+f\} \end{bmatrix} \]
不过这看似突发奇想的定义有什么实际作用呢？
联想到矩阵快速幂，但快速幂需要保证矩阵具有结合律，即对于任意矩阵 \(A,B\) 和向量 \(\boldsymbol x\) 都应满足：
\[(AB)\boldsymbol x=A(B\boldsymbol x) \]
把上面的定义代入，就会发现这种矩乘仍满足结合律！而本质上，就是由于 \(+\) 运算对于 \(\max\) 运算具有分配率（\(a+\max\{b,c\}=\max\{a+b,a+c\}\)）。
所以到底有什么用嘛 qwq！我们走进下一题。
\(\mathcal{Problem~2}\)
给定序列 \(\{a_n\}\)，其中 \(a_i\in\mathbb Z\)，支持单点修改，询问区间最大子段和（不能为空）。
状态定义和上一题完全一样，设询问区间 \((l,r)\)，那么边界为 \(f_l=g_l=a_l\)。考虑转移的通项，我们用列向量 \(\begin{bmatrix}f_i\\g_i\\0\end{bmatrix}\) 表示一个状态，直接从矩乘的角度设计转移矩阵，那么：
\[\begin{bmatrix} f_i\\ g_i\\ 0 \end{bmatrix}= \begin{bmatrix} a_i&-\infty&a_i\\ a_i&0&a_i\\ -\infty&-\infty&0 \end{bmatrix} \begin{bmatrix} f_{i-1}\\ g_{i-1}\\ 0 \end{bmatrix} \]
记 \(A_i=\begin{bmatrix}a_i&-\infty&a_i\\a_i&0&a_i\\-\infty&-\infty&0\end{bmatrix}\)。我们希望求到 \(\begin{bmatrix}f_r\\g_r\\0\end{bmatrix}\)，那么不断用上述公式展开右侧最后一项直到到达边界，有：
\[\begin{bmatrix} f_r\\ g_r\\ 0 \end{bmatrix}= A_r \begin{bmatrix} f_{r-1}\\ g_{r-1}\\ 0 \end{bmatrix}= A_rA_{r-1} \begin{bmatrix} f_{r-2}\\ g_{r-2}\\ 0 \end{bmatrix}=\cdots= A_{r}A_{r-1}\cdots A_{l+1} \begin{bmatrix} a_l\\ a_l\\ 0 \end{bmatrix} \]
注意到 \(\begin{bmatrix}a_l\\a_l\\0\end{bmatrix}=A_l\boldsymbol 0\)，其中 \(\boldsymbol0\) 指零向量。那么进一步化简得：
\[\begin{bmatrix} f_r\\ g_r\\ 0 \end{bmatrix}= A_rA_{r-1}\cdots A_l\boldsymbol0 \]
相当于求区间矩阵的乘积，而在上文中已经得出，这种矩阵乘法具有结合律！所以可以用线段树维护区间矩阵乘积，单点修改时暴力修改单个矩阵和 \(\mathcal O(\log n)\) 个乘积即可。
复杂度 \(\mathcal O(k^3n\log n)\)，其中 \(k\) 为方阵的阶，\(k=3\)。
这里有必要阐明一个许多动态 DP 入门讲解没有提到的细节。在线段树维护时，我们自然而然地维护了区间左 \(\times\) 右的积。以 pushup 函数为例：
void pushup ( const int rt ) { mt[rt] = mt[rt << 1] * mt[rt << 1 | 1]; }
但是，我们需要的 \(A_rA_{r-1}\cdots A_l\) 是从右乘到左的积呀，我们所定义的矩乘在同阶方阵中真的具有交换律么？
答案是否定的！而这样做的正确性来源于题目本身——翻转整个区间，其最大子段和不变！如果某些题目不满足翻转区间答案不变的性质，是不能交换乘法顺序的！
\(\mathcal{Code}\)
#include <cstdio>
#include <cstring>
#include <assert.h>
const int MAXN = 5e4, NINF = 0xc0c0c0c0; // NINF即-INF。
int n, m, a[MAXN + 5];
inline int max_ ( const int a, const int b ) { return a < b ? b : a; }
struct Matrix {
int n, m, mat[3][3];
Matrix () {}
Matrix ( const int tn, const int tm ): n ( tn ), m ( tm ), mat {} {}
inline int* operator [] ( const int key ) { return mat[key]; }
inline Matrix operator * ( Matrix t ) {
assert ( m == t.n );
Matrix ret ( n, t.m );
memset ( ret.mat, 0xc0, sizeof ret.mat );
// 这里注意，根据乘法定义，零矩阵的所有元素为-INF。
for ( int i = 0; i < n; ++ i ) {
for ( int k = 0; k < m; ++ k ) {
for ( int j = 0; j < t.m; ++ j ) {
ret[i][j] = max_ ( ret[i][j], mat[i][k] + t[k][j] );
}
}
}
return ret;
}
} zero ( 3, 1 ); // zero是真正意义上的零向量，注意与零矩阵区别。
inline void makeMat ( Matrix& a, const int v ) { // 构造 Ai。
a[0][0] = a[0][2] = v, a[0][1] = NINF;
a[1][0] = a[1][2] = v;
a[2][0] = a[2][1] = NINF;
}
struct SegmentTree {
Matrix mt[MAXN << 2];
inline void pushup ( const int rt ) { mt[rt] = mt[rt << 1] * mt[rt << 1 | 1]; }
inline void init ( const int rt, const int l, const int r ) {
mt[rt] = Matrix ( 3, 3 );
if ( l == r ) return makeMat ( mt[rt], a[l] );
int mid = l + r >> 1;
init ( rt << 1, l, mid ), init ( rt << 1 | 1, mid + 1, r );
pushup ( rt );
}
inline void update ( const int rt, const int l, const int r, const int x, const int v ) {
if ( l == r ) return makeMat ( mt[rt], v );
int mid = l + r >> 1;
if ( x <= mid ) update ( rt << 1, l, mid, x, v );
else update ( rt << 1 | 1, mid + 1, r, x, v );
pushup ( rt );
}
inline Matrix query ( const int rt, const int l, const int r, const int ql, const int qr ) {
if ( ql <= l && r <= qr ) return mt[rt];
Matrix ret ( 3, 3 ); // 注意这里ret并不是单位矩阵，所以第一次更新应当直接赋值。
int mid = l + r >> 1, f = 0;
if ( ql <= mid ) ret = query ( rt << 1, l, mid, ql, qr ), f = 1;
if ( mid < qr ) {
if ( ! f ) ret = query ( rt << 1 | 1, mid + 1, r, ql, qr );
else ret = ret * query ( rt << 1 | 1, mid + 1, r, ql, qr );
}
return ret;
}
} sgt;
int main () {
zero[0][0] = zero[1][0] = NINF;
scanf ( "%d", &n );
for ( int i = 1; i <= n; ++ i ) scanf ( "%d", &a[i] );
sgt.init ( 1, 1, n );
scanf ( "%d", &m );
for ( int i = 1, op, l, r; i <= m; ++ i ) {
scanf ( "%d %d %d", &op, &l, &r );
if ( ! op ) sgt.update ( 1, 1, n, l, r );
else printf ( "%d\n", ( sgt.query ( 1, 1, n, l, r ) * zero )[1][0] );
}
return 0;
}
诸如此类，定义矩阵乘法进行 DP 转移，继而动态维护转移矩阵的算法，就是所谓动态 DP（DDP？）。
\(\mathcal{Training}\)
「CF 750E」New Year and Old Subsequence
\(\mathcal{Description}\)
Link.
给定一个长度为 \(n\) 的数字串 \(s\)，\(q\) 次询问 \(s[l..r]\) 需要删除多少个字符使得 \(\texttt{"2017"}\) 是其子串而 \(\texttt{"2016"}\) 不是。
\(n,q\le2\times10^5\)。
\(\mathcal{Solution}\)
先考虑整个串，设 \(f(i,0\sim4)\) 表示第 \(1\sim i\) 内，已经与 \(\texttt{"2017"}\) 匹配了长度为 \(0\sim4\) 的子串时，最小的删除次数。分转移为 \(2,0,1,7,6\) 和其它数字设计转移矩阵即可。
这道题体现了“不满足翻转区间答案不变的性质，不能交换乘法顺序”这一点。
「洛谷 P4719」「模板」"动态 DP" & 动态树分治
\(\mathcal{Description}\)
Link.
给定一棵 \(n\) 个结点的带权树，\(m\) 次单点点权修改，求出每次修改后的带权最大独立集。
\(n,m\le10^5\)。
\(\mathcal{Solution}\)
不考虑修改，显然 DP。令 \(f(u,0/1)\) 表示选 / 不选结点 \(u\)，\(u\) 子树内的带权最大独立集。那么：
\[\begin{cases}f(u,0)=\sum_v\max\{f(v,0),f(v,1)\}\\f(u,1)=\sum_vf(v,0)+a_u\end{cases} \]
引入修改，我们自然想用数据结构维护转移。那么就需要进行树链剖分（不一定是重链剖分，这里以复杂度更小的 LCT 为例）。假设 \(u\) 的实儿子是 \(s_u\)，我们单独维护 \(s_u\) 的贡献，而把其它儿子一起考虑。设 \(g(u,0/1)\) 表示选 / 不选结点 \(u\)，结点 \(u\) 及其虚儿子的子树们的带权最大独立集。有：
\[\begin{cases}g(u,0)=\sum_{v\not=s_u}\max\{f(v,0),f(v,1)\}\\g(u,1)=\sum_{v\not=s_u}f(v,0)+a_u\end{cases} \]
用它来表示 \(f\)：
\[\begin{cases}f(u,0)=g(u,0)+\max\{f(s_u,0),f(s_u,1)\}\\f(u,1)=g(u,1)+f(s_u,0)\end{cases} \]
写成矩乘：
\[\begin{bmatrix}f(u,0)\\f(u,1)\end{bmatrix}=\begin{bmatrix}g(u,0)&g(u,0)\\g(u,1)&-\infty\end{bmatrix}\begin{bmatrix}f(s_u,0)\\f(s_u,1)\end{bmatrix} \]
令 \(G_u=\begin{bmatrix}g(u,0)&g(u,0)\\g(u,1)&-\infty\end{bmatrix}\)，每次修改，仅会影响 \(\mathcal O(\log n)\) 个链头，也即是 \(\mathcal O(\log n)\) 个虚实交替的位置的 \(G\) 需要修改，就可以维护了。
详细题解：my solution（含实现细节说明）。
「洛谷 P6021」洪水
\(\mathcal{Description}\)
Link.
给定一棵 \(n\) 个点的带点权树，删除 \(u\) 点的代价是该点点权 \(a_u\)。\(m\) 次操作：
- 修改单点点权。
- 询问让某棵子树的根不可到达子树内任意一片叶子的代价。
\(n,m\le2\times10^5\)。
\(\mathcal{Solution}\)
还是不考虑修改啦，列出 DP：
\[f(u)=\begin{cases}a_u&u\text{ is leaf}\\\min\{a_u,\sum_vf(v)\}&\text{otherwise}\end{cases} \]
单独拿出实儿子 \(s_u\)：
\[g(u)=\begin{cases}+\infty&u\text{ is leaf}\\\sum_{v\not=s_u}f(v)&\text{otherwise}\end{cases}\\\Rightarrow f(u)=\min\{a_u,f(s_u)+g(u)\} \]
定义矩乘的 \(+\) 为加法，\(\times\) 为取 \(\min\)，有：
\[\begin{bmatrix}f(u)\\0\end{bmatrix}=\begin{bmatrix}g(u)&a_u\\+\infty&0\end{bmatrix}\begin{bmatrix}f(s_u)\\0\end{bmatrix} \]
仍可用 LCT / 树剖维护。若使用 LCT，询问 \(u\) 子树时，应 \(\operatorname{access}\) 原树上 \(u\) 的父亲，再 \(\operatorname{splay}\) \(u\)，就能保证当前 \(u\) 的实链全部在子树内，输出 \(u\) 维护的矩乘答案即可。
详细题解：my solution。
「SP 6779」GSS7
\(\mathcal{Description}\)
给定一棵 \(n\) 个点的带点权树，\(q\) 次操作：
- 路径点权赋值。
- 询问路径最大子段和（可以为空）。
\(n,q\le10^5\)。
\(\mathcal{Solution}\)
嘛……其实就是引例的题搬到树上 qwq。应该可以熟练地列出转移矩阵了叭，设 \(f(u)\) 为以 \(u\) 为端点的最大子段和，\(g(u)\) 为前缀最大子段和，\(s_u\) 为 \(u\) 的重儿子（这题来练练树剖 www），有：
\[\begin{bmatrix}g(u)\\f(u)\\0\end{bmatrix}=\begin{bmatrix}0&a_u&0\\-\infty&a_u&0\\-\infty&-\infty&0\end{bmatrix}\begin{bmatrix}g(s_u)\\f(s_u)\\0\end{bmatrix} \]
注意在树剖跳重链求答案的时候，必须注意矩乘顺序。例如对于路径 \((u,v)\)，钦定 \(u\) 为路径起点，当 \(u\) 向上跳时，转移矩阵按 DFN 降序；当 \(v\) 向上跳时转移矩阵按 DFN 升序，所以线段树应维护两个乘法顺序的矩阵积。
这道题有些卡常（而且我常数貌似很大 qwq），所以手玩一下转移矩阵的幂，发现：
\[\begin{bmatrix}0&v&-\infty\\-\infty&v&0\\-\infty&-\infty&0\end{bmatrix}^k=\begin{bmatrix}0&\max\{v,kv\}&\max\{0,kv\}\\-\infty&kv&\max\{0,kv\}\\-\infty&-\infty&0\end{bmatrix} \]
就可以 \(\mathcal O(1)\) 求出矩阵幂了。
详细题解：my solution。
标签：...,begin,end,infty,DP,bmatrix,mathcal,cases,updating 来源： https://www.cnblogs.com/rainybunny/p/13374842.html