扩展欧几里德

http://hihocoder.com/problemset/problem/1297

假设经过t时间过后,速度快的人刚好超过了速度慢的人k圈,且到达同一个位置。

s1+v1t=s2+v2tkm

>注:不需要考虑s1

将这个式子进行变换得到:

(v1v2)t+km=(s2s1)

A=(v1v2),B=m,C=(s2s1),x=t,y=k 。原式子变成了形如”Ax+By=C”的情况,我们要求解的是一组(x,y)使得原公式成立。

求解该式子的算法我们称为扩展欧几里德算法

该算法分为两个部分:

(1) 判定是否存在解

对于形如”Ax+By=C”的式子,其存在解的条件为C为A和B最大公约数的整数倍。

我们将A和B的最大公约数记为gcd(A,B)。因此其有解的条件是C=n*gcd(A,B)。


那么我们应该如何来求解gcd(A,B)呢?

一个朴素的算法是枚举1~min(A,B),最大的一个能同时被A,B整除的数即gcd(A,B)。显然这个算法是非常没有效率的。

为了求解gcd(A,B),欧几里德提出了一个辗转相除法(欧几里得算法)

首先要证明一个定理:gcd(A,B) = gcd(B, A mod B)

证明:

假设A = k*B+r,有r = A mod B。不妨设d为A和B的一个任意一个公约数,则有A = pd, B = qd。

由r = A - k*B = pd - k*qd = (p - kq)*d,所以有d也为r的约数,因此d是B和A mod B的公约数。

由于对任意一个A和B的公约数都满足这个性质,gcd(A,B)也满足,因此有gcd(A,B)=gcd(B,A mod B)。

利用这个性质,我们可以得到算法:

A mod B = 0, 则B为gcd(A,B)

A mod B ≠ 0, 则gcd(A,B) = gcd(B, A mod B)

通过不断的模运算,数据的规模也越来越小,因此能够快速得收敛到一个解。将其写成伪代码为:

gcd(A, B):
    If (A mod B == 0) Then
        Return B
    End If
    Return gcd(B, A mod B)

(2) 求解

先求解

Ax+By=gcd(A,B)

此时,我们可以先求解出上式的解 (x,y) ,再将解 (x,y) 除以 gcd(A,B) , 接着扩大C倍,即为我们要求的最后解

(x,y)=(xCgcd(A,B),yCgcd(A,B))

那么接下来我们来研究如何求解 Ax+By=gcd(A,B)

假设A>B>0,同时我们设:

A * x[1] + B * y[1] = gcd(A, B)
B * x[2] + (A mod B) * y[2] = gcd(B, A mod B)

已知gcd(A,B)=gcd(B, A mod B),因此有:

A * x[1] + B * y[1] = B * x[2] + (A mod B) * y[2]
A * x[1] + B * y[1] = B * x[2] + (A - kB) * y[2] // A = kB + r
=> A * x[1] + B * y[1] = A * y[2] + B * x[2] - kB * y[2]
=> A * x[1] + B * y[1] = A * y[2] + B * (x[2] - ky[2])
=> x[1] = y[2], y[1] = (x[2] - ky[2])

利用这个性质,我们可以递归的去求解(x,y)。

其终止条件为gcd(A, B)=B,此时对应的(x,y)=(0,1)
或者终止条件为B=0,此时对应的(x,y)=(1,0)

将这个过程写成伪代码为:

extend_gcd(A, B):
    If (A mod B == 0) Then
        Return (0, 1)
    End If
    (tempX, tempY) = extend_gcd(B, A mod B)
    x = tempY
    y = tempX - (A / B) * tempY
    Return (x, y)   

那么我只需要把A=(v1-v2),B=m,C=(s2-s1),x=t,y=k代入就可以得到t了么?

是的,在已知A,B,C的情况下,我们的确能够顺利求解出一组合法的(x,y)。

但是在求解过程中,我们并没有保证x是最小的非负整数,它不能直接作为我们的解。

求最小的非负整数

我们上面求出了AX+BY=C 的一个解 (x1, y1) ,那么其它解呢?

设另一组解为 (x2, y2) ,则

Ax1+By1=C

Ax2+By2=C

两式相减得

A(x1x2)=B(y2y1)

同时除以gcd(A,B),得

A(x1x2)=B(y2y1)

故, (x1x2) 一定是B’的整数倍,假设为k倍,则可以得到下面的结论

设A,B,C为任意整数,若方程Ax+By=C的一组整数解为 (x0,y0) ,则它的任意整数解都可以写成 (x0+kB,y0kA)

其中 A=A/gcd(A,B)B=B/gcd(A,B)

AC代码为:

#include <iostream>
#include <cmath>
using namespace std;
long gcd(long a, long b) {
    long r;
    while (b) {
        r = a % b;
        a = b;
        b = r;
    }
    return a;
}
void ExtendGcd(long a, long b, long& x, long& y) {
    if (b == 0) {
        x = 1;
        y = 0;
        return;
    }
    ExtendGcd(b, a % b, x, y);
    long t = x;
    x = y;
    y = t - (a / b) * y;
}
int main() {
    long s1, s2, v1, v2, m;
    cin >> s1 >> s2 >> v1 >> v2 >> m;
    long x = 0, y = 0;
    long a = v1 - v2, b = m, c = s2 - s1;

    long g = gcd(a, b);
    if (c % g != 0) {
        cout << "-1" << endl;
        return 0;
    }
    ExtendGcd(a, b, x, y);//ax+by=gcd(a,b)
    x = x * (c / g);// x/g * c
    b = abs(b / g);
    x = (x % b + b) % b;
    cout << x << endl;
    return 0;
}
/*
0 1 1 2 6 //ans = 5 
1 2 3 4 5 //ans = 4
*/


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