数论 快速矩阵幂 POJ 3233 Matrix Power Series 二分和

题意:给出矩阵A,求S = A + A^2 + A^3 + … + A^k ,n为矩阵

题解:

矩阵快速幂  写出矩阵 * 与+的功能

二分求和


#include <cstdio>
#include <cstring>
#include <iostream>
using namespace std;
const int N=33;
int n,mod;
struct mat{
	//矩阵 
	int n,at[N][N];
	mat(int n=0){
		this->n=n;
		memset(at,0,sizeof(at));
	}
	mat operator *(mat b){
		mat tmp=mat(n);
		for(int i=0;i<n;i++){
			for(int k=0;k<n;k++){
				if(at[i][k]){
					for(int j=0;j<n;j++){
						tmp.at[i][j]=(tmp.at[i][j]+(at[i][k] * b.at[k][j])%mod)%mod;
					}
				}
			}
		}
		return tmp;
	}
	mat operator +(mat b){
		mat tmp=mat(n);
		for(int i=0;i<n;i++){
			for(int j=0;j<n;j++){
				tmp.at[i][j]=(at[i][j]+b.at[i][j])%mod;
			}
		}
		return tmp;
	} 
};
mat expo(mat d,int k){
	if(k==1) return d;
	mat e(n);
	memset(e.at,0,sizeof(e.at));
	for(int i=0;i<n;i++) 
		e.at[i][i]=1;
	if(k==0) return e;
	while(k)
	{
		if(k&1) e=d*e;
		d=d*d;
		k>>=1;
	}
	return e;
}
mat sum(mat d,int k){
	if(k==1) return d;
	if(k&1){//奇数  
//	printf("=%d\n",k);	
		// d^k+上一步累计下来的和 
		return expo(d,k)+sum(d,k-1); 
	}
	else {  //偶数 
//	printf("-%d\n",k);
		mat s=sum(d,k>>1);
		// d^(k/2)*(上一步累计的和)+上一步累计的和
		// 举例: 
		// d^2 * (d^1 + d^2) + (d^1 + d^2)
		//        d^3 + d^4  +  d^1 + d^2
		return expo(d,k>>1)*s+s;
	}
}
int main()
{
	int k;
	while(~scanf("%d%d%d",&n,&k,&mod)){
		mat a(n);
		for(int i=0;i<n;i++)
			for(int j=0;j<n;j++){
				scanf("%d",&a.at[i][j]);
				a.at[i][j]=a.at[i][j]%mod;
			}
		mat ans=sum(a,k);
		for(int i=0;i<n;i++){
			for(int j=0;j<n-1;j++){
				printf("%d ",ans.at[i][j]);
			}
			printf("%d\n",ans.at[i][n-1]);
		}
			
	}
	return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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