hdu5321 beautiful set(莫比乌斯反演)

\(cnt[i]\)为权值为i的倍数的数的数量。
\(f0[i],f1[i]\)分别为两种方法\(gcd=i\)的贡献是i的多少倍。
\(F0[i],F1[i]\)分别为两种方法\(gcd\)\(i\)的倍数的贡献是i的多少倍。
\(F0[i]=\sum_{j=1}^{cnt[i]}A_{cnt[i]}^{cnt[i]-j}*(n-j)!*(n-j+1)\)
\(F1[i]=\sum_{j=1}^{cnt[i]}j*C_{cnt[i]}^{j}\)
然后显然有\(F[i]=\sum_{d\mid i}f[d]\)
然后莫比乌斯反演一下
\[f(n)=∑_{n\mid d}μ(\frac{d}{n})F(d)\]
复杂度调和级数\(O(nlnn)\)

#include<iostream>
#include<cstring>
#include<cstdio>
#include<cmath>
#include<algorithm>
using namespace std;
#define int long long
const int N=101000;
const int p=258280327;
bool book[N];
int prime[N],mu[N],fac[N],inv[N],num;
int a[N],F0[N],f0[N],F1[N],f1[N],mx,cnt[N],T,n;
int read(){
    int sum=0,f=1;char ch=getchar();
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0'&&ch<='9'){sum=sum*10+ch-'0';ch=getchar();}
    return sum*f;
}
void init(){
    for(int i=0;i<=100000;i++)
        cnt[i]=a[i]=f1[i]=f0[i]=F1[i]=F0[i]=0;
}
int ksm(int x,int b){
    int tmp=1;
    while(b){
        if(b&1)tmp=tmp*x%p;
        x=x*x%p;
        b>>=1;
    }
    return tmp;
}
int A(int n,int m){
    return fac[n]*inv[n-m]%p;
}
int C(int n,int m){
    return fac[n]*inv[n-m]%p*inv[m]%p;
}
void pre_work(){
    mu[1]=1;
    for(int i=2;i<=100000;i++){
        if(book[i]==0){
            prime[++num]=i;
            mu[i]=-1;
        }
        for(int j=1;j<=num&&prime[j]*i<=100000;j++){
            book[i*prime[j]]=1;
            if(i%prime[j]==0)break;
            mu[prime[j]*i]=-mu[i];
        }
    }
    fac[0]=1;
    for(int i=1;i<=100000;i++)fac[i]=(fac[i-1]*i)%p;
    inv[100000]=ksm(fac[100000],p-2);
    for(int i=99999;i>=0;i--)inv[i]=inv[i+1]*(i+1)%p;
}
signed main(){
    pre_work();
    while(scanf("%lld",&n)!=EOF){
        init();
        for(int i=1;i<=n;i++)a[read()]++;
        for(int i=1;i<=100000;i++)
            for(int j=i;j<=100000;j+=i)cnt[i]+=a[j];
        for(int i=1;i<=100000;i++)
            for(int j=1;j<=cnt[i];j++)
                F0[i]=(F0[i]+A(cnt[i],j)*fac[n-j+1])%p,
                F1[i]=(F1[i]+C(cnt[i],j)*j)%p;
        for(int i=1;i<=100000;i++)
            for(int j=i;j<=100000;j+=i)
                f0[i]=(f0[i]+mu[j/i]*F0[j])%p,
                f1[i]=(f1[i]+mu[j/i]*F1[j])%p;
        int ans1=0,ans2=0;
        for(int i=1;i<=100000;i++)
            ans1=(ans1+f0[i]*i)%p,
            ans2=(ans2+f1[i]*i)%p;
        if(ans1>ans2)printf("Mr. Zstu %lld\n",ans1);
        else if(ans1<ans2)printf("Mr. Hdu %lld\n",ans2);
        else printf("Equal %lld\n",ans2);
    }
    return 0;
}

转载于:https://www.cnblogs.com/Xu-daxia/p/10253399.html

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