3813: 奇数国 线段树+线性筛素数+欧拉函数+乘法逆元+压位

感觉就是几个算法的叠加。。没什么思维的难度。。无脑码代码呗。
首先维护区间乘法线段树就好,然后那个存在ax+by=1的限制条件,根据裴蜀定理其实据说gcd(x,y)=1即x,y互质,那么这个可以用欧拉函数解决。然后根据欧拉函数的通式算的时候需要用到乘法逆元,范围很小这个随便求了。。至于质因子的存在情况因为不超过60个所以开一个longlong压位就好了,依旧线段树维护。

= =无脑题好无聊

#include<iostream>
#include<cstdio>
#include<map>
#define p 19961993
#define N 100000
#define ll long long 
#define pa pair<ll,ll>
using namespace std;
int l[400005],r[400005];
ll val_a[400005],val_b[400005];
int n;
int prime[65];
ll inv[305];
bool flag[305];
inline int read()
{
    int a=0,f=1; char c=getchar();
    while (c<'0'||c>'9') {if (c=='-') f=-1; c=getchar();}
    while (c>='0'&&c<='9') {a=a*10+c-'0'; c=getchar();}
    return a*f;
}
inline void update(int k)
{
    val_a[k]=val_a[k<<1]*val_a[k<<1|1]%p;
    val_b[k]=val_b[k<<1]|val_b[k<<1|1];
}
void build(int k,int x,int y)
{
    l[k]=x; r[k]=y;
    if (l[k]==r[k]) {val_a[k]=3; val_b[k]=2; return;}
    int mid=l[k]+r[k]>>1;
    build(k<<1,l[k],mid); build(k<<1|1,mid+1,r[k]);
    update(k);
}
inline void pre()
{
    for (int i=2;i<=281;i++)
    {
        if (!flag[i]) prime[++prime[0]]=i;
        for (int j=1;j<=prime[0]&&i*prime[j]<=281;j++)
        {
            flag[i*prime[j]]=1;
            if (i%prime[j]==0) break;
        }
    }
    inv[1]=1;
    for (int i=2;i<=281;i++) inv[i]=(p-p/i)*inv[p%i]%p;
}
pa ask(int k,int x,int y)
{
    if (l[k]==x&&r[k]==y) return make_pair(val_a[k],val_b[k]);
    int mid=l[k]+r[k]>>1;
    if (y<=mid) return ask(k<<1,x,y);
    else if (x>mid) return ask(k<<1|1,x,y);
    else 
    {
        pa s1=ask(k<<1,x,mid),s2=ask(k<<1|1,mid+1,y);
        ll x1=s1.first*s2.first%p,x2=s1.second|s2.second;
        return make_pair(x1,x2);
    }
}
inline ll query(int x,int y)
{
    pa s=ask(1,x,y);
    ll ans=s.first;
    for (int i=1;i<=60;i++)
        if (s.second&(1ll<<(i-1))) ans=ans*(prime[i]-1)%p*inv[prime[i]]%p;
    ans=(ans+p)%p;
    return ans;
}
void change(int k,int x,int val)
{
    if (l[k]==r[k])
    {
        val_a[k]=val; val_b[k]=0;
        for (int i=1;i<=60;i++) 
            if (val%prime[i]==0) val_b[k]|=(1ll<<(i-1));
        return;
    }
    int mid=l[k]+r[k]>>1;
    if (x<=mid) change(k<<1,x,val); else change(k<<1|1,x,val);
    update(k);
}
int main()
{
    n=read();
    pre();
    build(1,1,100000);
    for (int i=1;i<=n;i++)
    {
        int a=read(),b=read(),c=read();
        if (a==0) printf("%lld\n",query(b,c)); else change(1,b,c);
    }
    return 0;
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
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