BZOJ 3930 [CQOI2015]选数 & 51nod 1244 莫比乌斯函数之和 & BZOJ 2301

这篇文章姑且叫做小总结大杂烩吧(大雾)

BZOJ 3930

题意

从区间 [L,H] 中选取 N 个整数,求它们的最大公约数为 K 的方案总数,答案 mod1e9+7 .
1N,K1e91LH1e9HL1e5 .

推导

就是莫比乌斯反演最常规的套路了
f(i) gcd=i 的方案总数, F(i) i|gcd 的方案总数,显然有

F(i)=i|dgcd(d)
反演得
f(i)=i|dμ(di)F(d)
题目里要求的即为
f(K)=K|dμ(dK)F(d)=i=1HKμ(i)F(ik)

注意:这里 i 也就是 倍数 的下界是从 1 开始,而不是从 LK 开始。道理很显然,取数的范围的下界为 L 并不意味着 gcd 的下界也要为 L 啊。(智障到不忍回顾Orz)

F 很好求,即

F(x)=(HKLK+1)n
也可写作
F(x)=(HKL1K)n

接下来就是很显然的分块搞一搞了。
且慢……你说什么范围有 1e9 ?那还怎么线性筛?
那就先来看另一道题吧~

51nod 1244

题意

求莫比乌斯函数之和,范围 n1e10

参考

浅谈一类积性函数的前缀和 ——skywalkert

推导

我们有

d|nμ(d)=[n==1]
将左边拆开来
μ(n)+d|n,d<nμ(d)=[n==1]
移过去
μ(n)=[n==1]d|n,d<nμ(d)
求个和
i=1nμ(i)=i=1n[i==1]i=1nd|i,d<iμ(d)=1i=1nd|i,d<iμ(d)=1k=2nd=1nkμ(d)

M(n)=ni=1μ(i) ,上式可化为
M(n)=1k=2nM(nk)
很显然就可以递归求解了。
具体做的时候设个阈值 1e7 筛一部分算一部分。

奇怪的(…)延伸

其实这部分起初叫做:上面推导没看明白的看这里QWQ
为什么

i=1nd|i,d<iμ(d)=k=2nd=1nkμ(d)
呢?
我们一般将里面的部分提前的时候提的是枚举的 因子 d ,这样左边就化为
d=1ni=2ndμ(d)
右式中 d 的含义没有变,i 则是枚举的 d 倍数。继续化下去
=d=1nμ(d)i=2nd=d=1nμ(d)(nd1)
这…好像并没有什么用处呢…。

现在我们考虑提前 倍数,则得到

k=2nd=1nkμ(d)
其中 k 的含义为 倍数d 还是表示因子,这样就得到了有用的可以用来递推的式子了(撒花)。

真是神奇啊(大雾)
之前各种看人家的博客各种看不懂嘤嘤嘤

不过我们也有一些收获。

[n==1]=d|nμ(d)
两边求和
1=i=1n[i==1]=i=1nd|iμ(d)=d=1ni=1ndμ(d)=d=1nμ(d)i=2nd=d=1nμ(d)nd

也就是说
d=1nμ(d)nd=1
哇世界真奇妙(大雾)姑且当成一个奇怪的结论吧~

Code

#include <bits/stdc++.h>
#include <map>
#define maxn 10000010
#define maxm maxn + 10
using namespace std;
typedef long long LL;
map<LL, LL> sum;
int prime[maxm], mu[maxm];
bool check[maxm];
void init() {
    int tot = 0; mu[1] = 1;
    for (int i = 2; i <= maxn; ++i) {
        if (!check[i]) {
            prime[tot++] = i;
            mu[i] = -1;
        }
        for (int j = 0; j < tot; ++j) {
            if (i * prime[j] > maxn) break;
            check[i * prime[j]] = true;
            if (i % prime[j] == 0) {
                mu[i * prime[j]] = 0;
                break;
            }
            mu[i * prime[j]] = -mu[i];
        }
    }
    for (int i = 1; i <= maxn; ++i) mu[i] += mu[i - 1];
}
LL mu_sum(LL x) {
    if (x <= maxn) return mu[x];
    if (sum.find(x) != sum.end()) return sum[x];
    LL le, ri, ret = 0;
    for (LL i = 2; i <= x; i = ri + 1) {
        le = i, ri = x / (x / i);
        ret += (ri - le + 1) * mu_sum(x / i);
    }
    return sum[x] = 1 - ret;
}
LL a, b;
void work() {
    printf("%lld\n", mu_sum(b) - mu_sum(a - 1));
}
int main() {
    init();
    while (scanf("%lld%lld", &a, &b) != EOF) work();
    return 0;
}

BZOJ 3930 续

有了上一题的基础,这道题就好写了

Code

#include <bits/stdc++.h>
#include <map>
#define maxn 10000010
#define maxm maxn + 10
#define inf 0x3f3f3f3f3f3f3f3f
using namespace std;
typedef long long LL;
const LL mod = 1e9+7;
map<LL, LL> sum;
int prime[maxm], mu[maxm];
bool check[maxm];
void init() {
    int tot = 0; mu[1] = 1;
    for (int i = 2; i <= maxn; ++i) {
        if (!check[i]) {
            prime[tot++] = i;
            mu[i] = -1;
        }
        for (int j = 0; j < tot; ++j) {
            if (i * prime[j] > maxn) break;
            check[i * prime[j]] = true;
            if (i % prime[j] == 0) {
                mu[i * prime[j]] = 0;
                break;
            }
            mu[i * prime[j]] = -mu[i];
        }
    }
    for (int i = 1; i <= maxn; ++i) mu[i] += mu[i - 1];
}
LL mu_sum(LL x) {
    if (x <= maxn) return mu[x];
    if (sum.find(x) != sum.end()) return sum[x];
    LL le, ri, ret = 0;
    for (LL i = 2; i <= x; i = ri + 1) {
        le = i, ri = x / (x / i);
        ret = (ret + (ri - le + 1) * mu_sum(x / i) + mod) % mod;
    }
    return sum[x] = (1 - ret + mod) % mod;
}
LL poww(LL a, LL b) {
    LL ret = 1;
    while (b) {
        if (b & 1) ret = ret * a % mod;
        a = a * a % mod;
        b >>= 1;
    }
    return ret;
}
LL n, k, l, h;
LL F(LL d) { return poww(h / d - (l-1) / d, n); }
void work() {
    LL hi = h / k;
    LL ans = 0, le, ri;
    for (LL i = 1; i <= hi; i = ri + 1) {
        LL temp = i * k;
        le = i, ri = min(h / (h / temp), (l-1) / temp ? (l-1) / ((l-1) / temp) : inf) / k;
        ans = (ans + mod + (mu_sum(ri) - mu_sum(le - 1) + mod) % mod * F(temp) % mod) % mod;
    }
    ans = (ans + mod) % mod;
    printf("%lld\n", ans);
}
int main() {
    init();
    while (scanf("%lld%lld%lld%lld", &n, &k, &l, &h) != EOF) work();
    return 0;
}

BZOJ 2301

题意

x=aby=cd[gcd(x,y)=k]

(低配版的BZOJ 3930)

推导

即求

i=1nj=1m[gcd(i,j)=k]
再容斥一下即可。
因为 gcd(i,j)=k ,所以 gcd(ik,jk)=1 ,所以上式可化为
i=1nkj=1mk[gcd(i,j)=1]
d=1min(nk,mk)μ(d)i=1nkdj=1mkd
d=1min(nk,mk)μ(d)nkdmkd
分块搞一搞就行了。

Code

#include <bits/stdc++.h>
#define maxn 50000
typedef long long LL;
using namespace std;
int kas, prime[maxn + 10], mu[maxn + 10], pre[maxn];
bool check[maxn + 10];
void mobius() {
    int tot = 0;
    mu[1] = 1;
    for (int i = 2; i <= maxn; ++i) {
        if (!check[i]) {
            prime[tot++] = i;
            mu[i] = -1;
        }
        for (int j = 0; j < tot; ++j) {
            if (i * prime[j] > maxn) break;
            check[i * prime[j]] = true;
            if (i % prime[j] == 0) {
                mu[i * prime[j]] = 0;
                break;
            }
            mu[i * prime[j]] = -mu[i];
        }
    }
    for (int i = 1; i <= maxn; ++i) pre[i] = pre[i - 1] + mu[i];
}
LL calc(int c, int d) {
    if (c > d) swap(c, d);
    LL ans = 0;
    int le, ri;
    for (int i = 1; i <= c; i = ri + 1) {
        le = i, ri = min(c / (c / i), d / (d / i));
        ans += 1LL * (pre[ri] - pre[le - 1]) * (c / i) * (d / i);
    }
    return ans;
}
void work() {
    int a, b, c, d, k;
    scanf("%d%d%d%d%d", &a, &c, &b, &d, &k);
    LL tot1 = calc(c / k, d / k), tot2 = calc(c / k, (b-1) / k),
        tot3 = calc((a-1) / k, d / k), tot4 = calc((a-1) / k, (b-1) / k);
    printf("%lld\n", tot1 - tot2 - tot3 + tot4);
}
int main() {
    mobius();
    int T;
    scanf("%d", &T);
    while (T--) work();
    return 0;
}
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