母函数-以HDU-1398 Square Coins为例

    额,其实这个题目不是很难,但因为是母函数的第一篇博客,也是学习母函数的第一次应用,所以就以此题为基础讲一下母函数。


母函数原理


    既然是第一道母函数的题目,那就有必要先看一下母函数是什么,原理是什么,怎么实现,有哪些应用,这些都是在学习母函数的过程中有必要弄清楚的。我是看杭电刘春英老师的PPT进行学习的,也参考了一些大神的博客,概念当然不能自己瞎编,就引用百度百科的词条好了:
生成 函数 即母函数,是组合数学中尤其是计数方面的一个重要理论和工具。 生成函数 有普通型生成函数和指数型生成函数两种,其中普通型用的比较多。形式上说,普通型生成函数用于解决 多重集 的组合问题,而指数型母函数用于解决多重集的排列问题。母函数还可以解决递归数列的通项问题(例如使用母函数解决斐波那契数列的通项公式)。(百度百科)
    实际上呢,在做了一些题目之后,感觉母函数就是利用多项式乘法的原理,根据题意构建多项式相乘的函数,利用多项式相乘的计算原理,通过指数或者系数得出我们想要的结果。具体看一个简单的例子就明白了:
    现在分别有1元,2元,5元的硬币2枚,3枚,1枚,问可以组合成多少钱?有几种组合方法?
    这时,母函数就上场了,我先把构建出来的母函数先写出来:
            (1+x+x^2)*(1+x^2+x^4+x^6)*(1+x^5)
    这样看着是有点难受,不过电脑打只能这样了,可以自己手写一下看着方便一点。
    怎么构建的呢?
    首先,x的指数代表的是:在所有可能产生的组合中,我可以用这种钱币组成的钱的数量。而多项式的数量则代表每个需要进行组合的类别。
比如,在上面的多项式中,(1+x+x^2)就代表1元,(1+x^2+x^4+x^6)代表2元,(1+x^5)代表5元;而其中代表1元的(1+x+x^2),1就是x^0,x就是x^1,还有x^2,因为1元硬币只有2枚,所以最多也就只能两枚全部用掉,这里面每一项都代表这“可能产生的组合”,x^0,x^1,x^2分别就是用0枚1元的硬币,用1枚1元的硬币,用2枚1元的硬币;同理(1+x^2+x^4+x^6)几项也分别代表着用0枚2元的硬币,用1枚2元的硬币,用2枚2元的硬币,用3枚2元的硬币;(1+x^5)则分别代表着用0枚5元的硬币,用1枚5元的硬币;这就是多项式的含义,那为什么要这样子构造呢?用这些代表用几枚硬币干什么呢?莫着急,我们先来做一下乘法:把上面的多项式展开,在展开的过程中你就会明白它为什么要这样代表,中间的运算过程是什么,得出的结果是什么意义了,这一步千万别懒自己动手展开一下,否则只看老觉得自己看懂了事实上还是一知半解。
    事实上,在多项式相乘的过程中我们每一个多项式都会和另外一个多项式中的每一项相乘:相乘的结果是x的指数相加,而指数代表的是用该枚硬币所能产生的钱数,所以,多项式最后会完成我们组合中所可能出现的所有情况:
    1元0枚,2元0枚,3元0枚;
    1元0枚,2元0枚,3元1枚;
    1元0枚,2元1枚,3元0枚;
    1元0枚,2元1枚,3元1枚;
......
    这样就彻底理解之前为什么要这样构造了吧,事实上是利用了多项式相乘来替我们完成这个组合的过程,那最后组合出来的结果呢,x^n自然就代表这可以组合成n元,而x^n前面的系数,就是组合成n元一共有多少种情况。为什么?因为中间合并了同类项~~产生同一种结果的加起来了系数自然就是种数啦。
    相信到这里你已经理解了多项式是怎么构造的了,这就是母函数,也挺简单的,对吧。
    那你有没有点疑惑,为什么要这么麻烦地转成多项式相乘呢?我直接组合不好吗?这样用算法实现不是更麻烦了吗?对了算吗怎么实现啊?
    那问题的关键就来了:代码怎么实现?答案是:模拟多项式相乘,让计算机和我们算多项式乘法一样的步骤来计算多项式,注意,是模拟,而不是真的写一个多项式出来。

代码实现


题目:HDU-1398

题目链接:http://acm.hdu.edu.cn/showproblem.php?pid=1398

题目:

Square Coins

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)
Total Submission(s): 10290    Accepted Submission(s): 7039


Problem Description
People in Silverland use square coins. Not only they have square shapes but also their values are square numbers. Coins with values of all square numbers up to 289 (=17^2), i.e., 1-credit coins, 4-credit coins, 9-credit coins, ..., and 289-credit coins, are available in Silverland. 
There are four combinations of coins to pay ten credits: 

ten 1-credit coins,
one 4-credit coin and six 1-credit coins,
two 4-credit coins and two 1-credit coins, and
one 9-credit coin and one 1-credit coin. 

Your mission is to count the number of ways to pay a given amount using coins of Silverland.
 

Input
The input consists of lines each containing an integer meaning an amount to be paid, followed by a line containing a zero. You may assume that all the amounts are positive and less than 300.
 

Output
For each of the given amount, one line containing a single integer representing the number of combinations of coins should be output. No other characters should appear in the output. 
 

Sample Input
   
   
2 10 30 0
 

Sample Output
   
   
1 4 27
 

    既然讲代码实现,就先讲这道题好了,在此之前先说一下大概的原理:
    我们利用一个数组来存储多项式的结果:数组下标是多项式每一项指数的值,数组的值是该项的系数。
    运算过程和我们用笔算是一样的,先与右边的多项式相乘,得出一个新的多项式,然后再拿新的多项式和右边的多项式继续乘。原理就是这样,实现起来有很多小细节,做起来就会发现了,弄清楚原理之后简单看一下最好自己完成代码。剩下的就看代码注释了。
#include<iostream>
#include<cstring>
#include<algorithm>
#include<math.h>
#include<cstdio>
using namespace std;
const int maxn= 305;
int a[maxn],b[maxn];                //用两个数组是因为其中一个用于临时存储和计算,a用于存储真正结果
int n;
int main(){
	while(cin>>n){
		if(n==0) break;
		for(int i=0;i<=n;i++){     //第一个多项式直接写出来,因为这里的硬币数量是无限的,所以直接把构建第一个多项式与数组初始化放在了一起,做后面几道题就会发现了
			a[i]=1;
			b[i]=0;
		}
		for(int i=2;i<=17;i++){         //类别,读完题就知道了想到于多项式个数,从第二个开始乘
			for(int j=0;j<=n;j++)    //计算每一项的系数,记住,这是更新之后的项,所以范围需要注意,这道题无所谓,其他题要注意
				for(int k=0;k+j<=n;k+=i*i)  //与之前的每一项相乘
					b[j+k]+=a[j];        //相乘的原理自己体会一下
			for(int j=0;j<=n;j++){   //将计算结果赋给a
				a[j]=b[j];
				b[j]=0;
			}
		}
		cout<<a[n]<<endl;
	}
	return 0;
}

    嗯,就这样啦,好好学习天天向上~~

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。
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