CF915G Coprime Arrays

一、题目

点此看题

二、解法

f ( i ) f(i) f(i)为值域在 [ 1 , k ] [1,k] [1,k] n n n个数,最后的 gcd ⁡ \gcd gcd i i i的方案数。

F ( i ) F(i) F(i)为值域在 [ 1 , k ] [1,k] [1,k] n n n个数,最后 gcd ⁡ \gcd gcd i i i的倍数的方案数。
F ( i ) = ∑ i ∣ d f ( d ) = ( k i ) n F(i)=\sum_{i|d}f(d)=(\frac{k}{i})^n F(i)=idf(d)=(ik)n f ( i ) = ∑ i ∣ d μ ( d i ) F ( d ) f(i)=\sum_{i|d}\mu(\frac{d}{i})F(d) f(i)=idμ(id)F(d) f ( 1 ) = ∑ i = 1 k μ ( i ) F ( i ) = ∑ i = 1 k μ ( i ) ( k i ) n f(1)=\sum_{i=1}^k\mu(i)F(i)=\sum_{i=1}^k\mu(i)(\frac{k}{i})^n f(1)=i=1kμ(i)F(i)=i=1kμ(i)(ik)n上面的式子显然可以分块,但是不够快,由于异或的存在,我们必须处理出每一个 b k b_k bk,这时我们就要考虑它的共性,可以考虑循环中每一个 i i i的贡献,把 k k k划分成若干段,每一段内的贡献是一样的(每一段 k / i k/i k/i一样),我们就可以打差分标记,注意要删除以前的标记,那么时间复杂度就是 O ( n log ⁡ n ) O(n\log n) O(nlogn)

#include <cstdio>
#include <iostream>
using namespace std;
#define int long long
const int M = 2000005;
const int jzm = 1e9+7;
int read()
{
    int x=0,flag=1;
    char c;
    while((c=getchar())<'0' || c>'9') if(c=='-') flag=-1;
    while(c>='0' && c<='9') x=(x<<3)+(x<<1)+(c^48),c=getchar();
    return x*flag;
}
int n,k,ans,cnt,pw[M],p[M],b[M],vis[M],mu[M];
int qkpow(int a,int b)
{
    int r=1;
    while(b>0)
    {
        if(b&1) r=r*a%jzm;
        a=a*a%jzm;
        b>>=1;
    }
    return r;
}
void init(int n)
{
    mu[1]=1;
    for(int i=2;i<=n;i++)
    {
        if(!vis[i])
        {
            p[++cnt]=i;
            mu[i]=-1;
        }
        for(int j=1;j<=cnt && i*p[j]<=n;j++)
        {
            vis[i*p[j]]=1;
            if(i%p[j]==0) break;
            mu[i*p[j]]=-mu[i];
        }
    }
}
signed main()
{
    n=read();k=read();
    init(k);
    for(int i=1;i<=k;i++)
        pw[i]=qkpow(i,n);
    for(int i=1;i<=k;i++)
        for(int j=1;j*i<=k;j++)
        {
            b[i*j]=(b[i*j]+mu[i]*pw[j])%jzm;
            b[i*j]=(b[i*j]-mu[i]*pw[j-1])%jzm;
        }
    for(int i=1;i<=k;i++)
    {
        b[i]=((b[i]+b[i-1])%jzm+jzm)%jzm;
        ans=(ans+(b[i]^i)%jzm)%jzm;
    }
    printf("%lld\n",ans);
}
使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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