D. Yet Another Minimization Problem

本文讨论了一场CF比赛中关于动态规划的问题,作者分享了从暴力枚举到迭代求解最优和的过程,重点讲解了如何通过化简式子和迭代方法找到接近最优的和,同时提到了使用STL库的accumulate函数简化求和操作。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

传送门:CF

前言:过完年的这么几把,把把掉大分,从1850调到1700,真实酸爽。这场D的dp是一个很妙的点(至少我不会),看了 小t 的代码后,醍醐灌顶(小t如药也,善读可以医愚)。

正文:

首先看下数据范围,给了2秒的实现加上n为100,我初解的时候觉得是一个暴力枚举的题,所以压根就没往化简式子+dp上面想。所以掉大分。

通过化简式子,可以得到,最优的时候是\sum a=\frac{(\sum a+\sum b)}{2}

当然,很难得到最完美的情况,所以只要尽量接近就行。

然而我们该怎么找到这个最优的和呢?

我最初的想法是暴力,但是MLE了(我是傻逼

正解是通过迭代,AC代码如下:

#include<bits/stdc++.h>
using namespace std;
#define ll long long

int main()
{
	ios::sync_with_stdio(false);
	cin.tie(0);
	int T; 
    cin>>T;
	while(T--)
	{
        int n;
        cin>>n;
        vector<int>a(n),b(n);
        for(int i=0;i<n;i++)cin>>a[i];
        for(int i=0;i<n;i++)cin>>b[i];
        if(n==1){
            cout<<0<<'\n';
            continue;
        }
        ll sum = accumulate(a.begin(),a.end(),0)+accumulate(b.begin(),b.end(),0);
        vector<ll>dp(sum+1);
        dp[0]=1;
        for(int i=0 ;i<n;i++){
            for(int j = sum ; j >= 0;j--){
                if(dp[j]){
                    dp[j+a[i]]=1;
                    dp[j+b[i]]=1;
                    dp[j]=0;
                }
            }
        }
        
        ll kase = 1e18;
        ll sum1=0;
        for(int i=0;i<=sum;i++){
            if(dp[i]==0)continue;
            if(abs(sum-i*2)<kase){
                sum1=i;
                kase = abs(sum-i*2);
            }
        }
        ll ans=0;
      //  cout<<sum1<<'\n';
        ans+=sum1*sum1+(sum-sum1)*(sum-sum1);
        for(int i =0 ;i<n;i++){
            ans+=(n-2)*a[i]*a[i];
            ans+=(n-2)*b[i]*b[i];
        }
        cout<<ans<<'\n';
        
	}
	return 0;
}

这里又学了一个STL,

可以用accumulate()来直接求解一个数组的和。

### 秩极小化问题及其解决方案 #### 定义与背景 秩极小化问题是寻找具有最小秩的矩阵 \( X \),使得该矩阵满足给定的一组线性约束条件。形式上,可以表示为: \[ \min_{X} \text{rank}(X) \quad \text{s.t.} \; AX = b, \] 其中 \( A \) 是一个已知的线性映射,\( b \) 是观测向量。 此类问题广泛应用于机器学习、信号处理等领域,在实际应用中通常难以直接求解因为这是一个 NP-hard 问题[^1]。 #### 解决方案概述 由于直接求解上述问题非常困难,研究者们提出了多种近似算法来间接解决问题。主要的方法有核范数最小化和凸松弛法两种途径。 ##### 核范数最小化 一种常见的替代策略是最小化矩阵的核范数(即奇异值之和),这相当于原始问题的一个紧致下界。具体来说, \[ \min_X \|X\|_* \quad \text{s.t.} \; AX=b. \] 这种方法利用了低秩矩阵往往对应较小核范数的事实,并且可以通过半正定规划(SDP)有效计算得到全局最优解[^2]。 ##### 凸松弛技术 另一种常用的技术是对原非凸目标函数进行适当变换使其变为易于处理的形式。例如引入辅助变量或将等式约束转换成不等式的组合方式实现简化后的模型构建。对于某些特定类型的秩极小化问题,还可以通过拉格朗日对偶理论将其转化为更易解析或数值求解的新表达形式。 ```python import numpy as np from cvxpy import Variable, norm, Problem, Minimize def nuclear_norm_minimization(A, b): """Solve the rank minimization problem using nuclear norm.""" m, n = A.shape[0], A.shape[1] X = Variable((n,n)) objective = Minimize(norm(X,"nuc")) constraints = [A @ vec(X) == b] prob = Problem(objective, constraints) result = prob.solve() return X.value # Helper function to vectorize matrix columns into a single column vector def vec(M): return M.T.reshape(-1,) ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值