区间 DP 常用模版

在ACM竞赛中，算法模板的整理和熟练掌握是提高解题效率的重要手段。以下是一些常用的算法模板分类及其简要说明： ### 单源最短路径算法 - **Dijkstra算法**：适用于所有边权值为正的情况。对于稠密图，其时间复杂度为 $O(n^2)$；而在稀疏图上，使用堆优化后的时间复杂度可以达到 $O(m\log n)$ [^1]。 - **SPFA (Shortest Path Faster Algorithm)**：能够处理带有负权边的问题，平均时间复杂度为 $O(km)$，其中 $k$ 是一个常数。然而，在网格图或非常稠密的图中不推荐使用此算法 [^1]。 ### 最小生成树算法 - **Prim算法**：适合于稠密图，基本实现的时间复杂度是 $O(n^2)$。通过优先队列优化后，可以在稀疏图上更高效运行。 - **Kruskal算法**：通常用于构建最小生成树，它利用并查集来避免环路，并按照边权重排序进行选择。 ### 动态规划 - 背包问题（0/1背包、完全背包等）：解决资源分配问题的经典方法。 - 区间DP：针对特定区间划分的问题提供解决方案。 - 数位DP：处理数字中的某些特性统计问题。 ### 字符串匹配算法 - **KMP (Knuth-Morris-Pratt) 算法**：用于高效的字符串模式匹配。 - **Trie树**：也称为前缀树，用来存储一组字符串以便快速查找。 ### 图论其他常用算法 - **Tarjan算法**：用于寻找强连通分量、割点及桥等问题。 - **匈牙利算法**：主要用于二分图的最大匹配问题。 ### 数据结构相关模板 - 并查集：支持合并与查询操作的数据结构。 - 线段树：一种完全二叉树数据结构，可有效处理区间查询与更新操作。 - 树状数组（Fenwick Tree）：轻量级数据结构，便于计算前缀和以及更新元素。 由于篇幅限制，这里仅提供了各类算法的一个概述。实际应用时需要根据具体问题编写相应的代码模板。例如，Dijkstra算法的一种简单实现可能如下所示： ```python import heapq def dijkstra(graph, start): distances = {vertex: float('infinity') for vertex in graph} previous_vertices = {vertex: None for vertex in graph} distances[start] = 0 priority_queue = [(0, start)] while priority_queue: current_distance, current_vertex = heapq.heappop(priority_queue) # Nodes can get added to the priority queue multiple times. We only process a vertex the first time we see it. if current_distance > distances[current_vertex]: continue for neighbor, weight in graph[current_vertex].items(): distance = current_distance + weight if distance < distances[neighbor]: distances[neighbor] = distance previous_vertices[neighbor] = current_vertex heapq.heappush(priority_queue, (distance, neighbor)) return distances, previous_vertices ``` 请注意，这段代码假设输入图是一个邻接表形式表示的字典，每个顶点都有一个包含与其相连顶点及其对应权重的字典。 以上列出了一些基础但重要的算法类别和示例。为了更好地准备ACM竞赛，建议深入学习这些算法的具体实现细节，并练习如何灵活运用它们解决问题。