题目解析
小C经营着一家水果店，某天他需要将编号为1到 n 的 n 个水果打包成若干果篮。每个果篮有以下限制和要求：
-
容量限制：每个果篮最多能装 m 个水果。
-
连续性要求：果篮中的水果编号必须是连续的。
-
成本计算：每个果篮的成本与其中水果的数量、最大和最小体积以及一个常数 s 相关，计算公式为：
其中：
- k 是果篮中水果的数量。
- u 是果篮中水果的最大体积。
- v 是果篮中水果的最小体积。
小C希望将这些水果打包成若干果篮，使得总成本最小。我们的任务是帮助他找到这个最小总成本。
解决思路
要解决这个问题，需要在满足果篮容量和水果编号连续性的前提下，找到一种分组方式，使得所有果篮的总成本最小。这是一个典型的最优化问题，考虑到水果的编号必须连续，适合使用动态规划来解决。
动态规划模型
设定义状态 dp[i] 表示前 i 个水果的最小总成本。我们的目标是求出 dp[n]，即所有水果的最小总成本。
状态转移方程
对于每个位置 i，我们可以考虑最后一个果篮包含从某个位置 j 到位置 i 的水果，其中 j 满足 1≤j≤i 且果篮容量不超过 m。因此，状态转移方程为：
其中，cost(i−k+1,i) 表示将位置 i−k+1n到 i 的水果打包成一个果篮的成本。
成本计算
为了计算 cost(i−k+1,i)，我们需要知道：
- 水果数量 k：显然就是 i−(i−k+1)+1=k
- 最大体积 u 和 最小体积 v：需要在区间 [i−k+1,i] 内遍历水果体积来找到。
- 成本公式：
算法实现
在实现动态规划时，需要注意以下几点：
- 初始条件：dp[0]=0，表示没有水果时的总成本为0。
- 遍历顺序：对于每个 i 从 1 到 n，依次计算 dp[i]。
- 优化计算：为了避免重复计算，可以在内层循环中维护当前考虑的水果序列的最大值和最小值。
- 边界条件：注意当 i−k≥0 时，才能访问 dp[i−k]。
具体步骤
-
初始化：设定数组 dp 大小为 n+1，初始值为无穷大（表示尚未计算的状态），并设置 dp[0]=0
-
动态规划迭代：
-
对于 i 从1到 n：
-
初始化 u 和 v 为当前水果的体积 a[i]。
-
对于 k 从1到 min(m,i)：
更新 u 为当前序列的最大体及。
更新 v 为当前序列的最小体积。
计算当前果篮的成本：
-
-
更新 dp[i]
- 最终答案：dp[n] 即为所求的最小总成本。
总结
通过动态规划的方法，我们将原问题分解为子问题，即求前 iii 个水果的最小总成本。由于水果编号的连续性限制，我们在每一步只需要考虑以当前位置结尾的、长度不超过 mmm 的序列。
在计算每个子序列的成本时，我们利用了前一步计算的最大值和最小值，避免了重复遍历。同时，通过状态转移，我们将问题的规模逐步扩大，最终求得最优解。
这个方法有效地解决了问题，算法复杂度可控，适合在实际应用中使用。
def solution(n: int, m: int, s: int, a: list) -> int:
dp = [float('inf')] * (n + 1)
dp[0] = 0
for i in range(1, n + 1):
u = v = a[i - 1]
for k in range(1, min(i, m) + 1):
idx = i - k
if idx >= 0:
u = max(u, a[idx])
v = min(v, a[idx])
kk = k
cost = kk * ((u + v) // 2) + s
dp[i] = min(dp[i], dp[idx] + cost)
else:
break
return dp[n]
