求 E [ a n s = max 1 ≤ i ≤ q ( min l i ≤ j ≤ r i a j ) ] \rm{E}\left[ans=\max\limits_{1\le i\le q}\left(\min\limits_{l_i\le j\le r_i}a_j\right)\right] E[ans=1≤i≤qmax(li≤j≤riminaj)] ，其中 a j a_j aj 是 [ 1 , x ] [1,x] [1,x] 中的随机一个整数 。
模质数 666623333 666623333 666623333 。
显然有：
E ( a n s ) = ∑ k ∈ [ 1 , x ] k Pr ( a n s = k ) = ∑ k ∈ [ 1 , x ] k [ Pr ( a n s ≤ k ) − Pr ( a n s ≤ k − 1 ) ] \rm E(ans)=\sum\limits_{k\in[1,x]} k\Pr(ans=k)=\sum\limits_{k\in[1,x]} k\left[\Pr(ans\le k)-\Pr(ans\le k-1)\right] E(ans)=k∈[1,x]∑kPr(ans=k)=k∈[1,x]∑k[Pr(ans≤k)−Pr(ans≤k−1)]
Pre
首先把区间按照左端点排一排。
只需要求
Pr
(
a
n
s
≤
k
)
,
k
∈
[
1
,
x
]
\rm\Pr(ans\le k),k\in[1,x]
Pr(ans≤k),k∈[1,x] 。
有点难搞：考虑到这东西的意义是询问区间的最小值的最大值不大于
k
k
k
也就是：询问区间的最小值都不大于
k
k
k
考虑设状态
f
(
i
)
f(i)
f(i) 表示处理到第
i
i
i 个区间都满足条件的概率？
毕竟不好重复计算单个点，所以我们尽量考虑让
i
i
i 表示位置。
那么考虑令
f
(
i
)
f(i)
f(i) 表示所有右端点不大于
i
i
i 的区间都满足条件的概率。
那怎么转移啊？
就得考虑
i
i
i 有没有被哪些区间覆盖，然后因为区间可能重叠计算又困难了blabla
区间有重叠很不好搞，所以我们考虑把区间和点互换。
（容易注意到，上面已经钦定了 k k k 是要被枚举的。）
O(n2)
假如排序后右端点单调那么一个点能够覆盖一个区间的区间。
现在右端点不单调，考虑能不能让它单调。不单调是因为有区间覆盖的情况。
对于一个覆盖了别的区间的区间，它是没用的，可以被舍去。（显然地
那么、经过进一步预处理之后，每个点对应的区间可以覆盖的区间是连续的一段区间。
对每个点
i
i
i 记录其能够覆盖的区间
L
i
∼
R
i
L_i\sim R_i
Li∼Ri
现在变成了选择点覆盖所有区间。
考虑：选择了点
i
i
i 使所有右端点不大于
i
i
i 的区间都被覆盖的概率
f
(
i
)
f(i)
f(i)
并且，“点覆盖区间” 的意义应当是 “点是区间的最小值点” ，我们需要控制此时点值不大于
k
k
k
所以我们考虑：“选择了点” 指 “点值不大于 i i i “。转移显然 f ( n ) = [ [ l i = 1 ] + ∑ i < n ∣ R i ≥ L n − 1 f ( i ) ( 1 − k x ) i ] ⋅ ( 1 − k x ) n − 1 ⋅ k x \displaystyle{{f(n)=\left[[l_i=1]+\sum\limits_{i<n|R_i\ge L_n-1}\cfrac{f(i)}{\left(1-\frac{k}{x}\right)^{i}}\right]\cdot\left(1-\frac{k}{x}\right)^{n-1}\cdot\frac{k}{x}}} f(n)=⎣⎡[li=1]+i<n∣Ri≥Ln−1∑(1−xk)if(i)⎦⎤⋅(1−xk)n−1⋅xk
根据处理方式不同可能代码差别比较大。
把中间的指数拆开然后预处理前缀和以及幂。复杂度
O
(
n
2
)
O(n^2)
O(n2) 。
因为懒得调（？？）所以下面的代码其实可以被插，（我没处理有点不被区间覆盖的情况）
正确的做法可以概率转计数就很容易求；或者仍然按照同样的思路代码写好一点
#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cmath>
#include<cstring>
using namespace std;
#define adjust(x) (((x%p)+p)%p)
const long long p = 666623333;
const int MAXN = 2005;
void exgcd(long long a, long long b, long long &d, long long &x, long long &y)
{
if (!b) { d = a; x = 1; y = 0;}
else { exgcd(b, a%b, d, y, x); y -= x * (a / b);}
}
long long inv(long long a)
{
long long d, x, y;
exgcd(a, p, d, x, y);
return ((x % p) + p) % p;
}
bool cmp(const pair<int,int> &a, const pair<int,int> &b)
{
if (a.first==b.first)return a.second>b.second;
return a.first<b.first;
}
pair<int,int> seq[MAXN];
int n, x, q, r[MAXN], l[MAXN];
long long pre[MAXN], nre[MAXN], sum[MAXN], f[MAXN];
long long inx, tem1, tem2, nem2;
long long ans, cur, las;
int main()
{
scanf("%d%d%d", &n, &x, &q);
inx = inv(x);
for (int i = 1; i <= q; ++i) scanf("%d%d", &seq[i].first, &seq[i].second);
sort(seq + 1, seq + 1 + q, cmp);
for (int i = q; i > 0; --i) if (i < q && seq[i+1].second <= seq[i].second) seq[i] = seq[i+1];
q = unique(seq + 1, seq + 1 + q) - seq - 1;
for (int ptl = 1, ptr = 0, i = 1; i <= n; ++i)
{
while (ptr<q && seq[ptr+1].first==i) ++ptr;
while (ptl<=q && seq[ptl].second<i) ++ptl;
r[i] = ptr, l[i] = ptl;
}
for (int k = 1; k <= x; ++k)
{
tem1 = 1ll * k * inx % p;
tem2 = adjust(1ll - tem1);
nem2 = inv(tem2);
pre[0] = nre[0] = 1;
for (int i = 1; i <= n; ++i) pre[i] = pre[i-1] * tem2 % p;
for (int i = 1; i <= n; ++i) nre[i] = nre[i-1] * nem2 % p;
cur = 0;
for (int i = 1, j = 0; i <= n; ++i)
{
while (j < i && r[j] < l[i]-1) ++j;
f[i] = adjust(sum[i-1] - sum[(j<1?0:j-1)]) * pre[i-1] % p;
if (l[i] == 1) f[i] = (f[i] + pre[i-1]) % p;
f[i] = f[i] * tem1 % p;
sum[i] = (sum[i-1] + f[i] * nre[i] % p) % p;
if (r[i] == q) cur += f[i], cur %= p;
}
ans += 1ll * k * adjust(cur - las) % p;
ans %= p;
las = cur;
}
printf("%lld", ans);
return 0;
}
x≤107
我大概能够想到的办法就是
首先
Pr
\Pr
Pr 可以用
k
k
k 表示
然后
E
(
a
n
s
)
\rm E(ans)
E(ans) 可以表示为多个
Pr
\Pr
Pr 的和，也就是关于
k
k
k 的多项式在一段离散区间内值的和
无关
然后我飘了
这是前缀和，也可以说是“离散积分”一类的东西，实际上就是
∑
\sum
∑ 取代
∫
\int
∫
注意为了方便离散积分
∑
a
b
\sum_a^b
∑ab 表示对
[
a
,
b
)
[a,b)
[a,b) 求和。
那么我们仍然考虑微积分基本定理，有没有什么东西离散的时候类似导数？就是差啦
定义差分算子
Δ
\Delta
Δ 。
我们知道一个简单的导数
(
x
k
)
′
=
k
x
k
−
1
(x^k)'=kx^{k-1}
(xk)′=kxk−1
离散的时候类似地有
Δ
(
x
k
‾
)
=
(
x
+
1
)
k
‾
−
x
k
‾
=
k
x
k
−
1
‾
\Delta(x^{\underline{k}})=(x+1)^{\underline{k}}-x^{\underline{k}}=kx^{\underline{k-1}}
Δ(xk)=(x+1)k−xk=kxk−1
另外，
Δ
(
k
x
)
=
(
k
−
1
)
k
x
\Delta(k^x)=(k-1)k^x
Δ(kx)=(k−1)kx 。
特殊地，
Δ
(
2
x
)
=
2
x
\Delta(2^x)=2^x
Δ(2x)=2x 。
（PS：用第二类斯特林数可以把幂级数和下降幂相互转换。
用第一类斯特林数也有
x
k
‾
=
∑
i
=
0
k
[
k
i
]
x
i
x^{\underline k}=\sum\limits_{i=0}^k[{k\atop i}]x^i
xk=i=0∑k[ik]xi
定义位移算子
E
=
f
(
x
+
1
)
f
(
x
)
E=\frac{f(x+1)}{f(x)}
E=f(x)f(x+1) 有分部积分法
Δ
[
f
(
x
)
⋅
g
(
x
)
]
=
E
Δ
f
(
x
)
⋅
g
(
x
)
+
f
(
x
)
⋅
Δ
g
(
x
)
\Delta[f(x)\cdot g(x)]=E\Delta f(x)\cdot g(x)+f(x)\cdot\Delta g(x)
Δ[f(x)⋅g(x)]=EΔf(x)⋅g(x)+f(x)⋅Δg(x)
定义
n
n
n 阶差分
Δ
n
f
=
Δ
(
Δ
n
−
1
f
)
\Delta^nf=\Delta(\Delta^{n-1}f)
Δnf=Δ(Δn−1f) ，特殊地有
Δ
0
f
=
f
\Delta^0 f=f
Δ0f=f
类似于麦克劳林展开，对于
k
k
k 阶多项式
f
f
f 我们有
f
(
n
)
=
∑
i
=
0
k
Δ
i
f
(
0
)
∗
n
i
‾
i
!
f(n)= \sum\limits_{i=0}^{k}\Delta^{i}f(0)*\frac{n^{\underline{i}}}{i!}
f(n)=i=0∑kΔif(0)∗i!ni
利用这个，我们可以秒一些求和，比如
∑
i
=
1
n
i
k
‾
=
∑
1
n
+
1
i
k
‾
δ
i
=
x
k
+
1
‾
k
+
1
∣
1
n
+
1
\sum\limits_{i=1}^ni^{\underline{k}}=\sum_{1}^{n+1}i^{\underline{k}}\delta i=\frac{x^{\underline{k+1}}}{k+1}|^{n+1}_1
i=1∑nik=∑1n+1ikδi=k+1xk+1∣1n+1 。
不用离散微积分的话貌似要先用第二类斯特林数把它转化为幂级数，再二项式反演。
至于通常幂也可以用第二类斯特林数
x
k
=
∑
i
=
0
x
{
k
i
}
x
i
‾
x^k=\sum\limits_{i=0}^x\{{k\atop i}\}x^{\underline i}
xk=i=0∑x{ik}xi 来搞
然后可以快乐自然数幂和
O
(
k
log
k
)
O(k\log k)
O(klogk) 。
另外，根据差分表法自然数幂和可以展开成
k
+
1
k+1
k+1 次多项式，
O
(
n
)
O(n)
O(n) 拉格朗日插值可解。
（常数巨大，如果没有卡就带个
l
o
g
log
log 吧）
另外， Δ n f ( x ) = ∑ k = 0 n ( n k ) ( − 1 ) n − k f ( x + k ) \Delta^n f(x)=\sum\limits_{k=0}^{n} \binom{n}{k} (-1)^{n-k} f(x+k) Δnf(x)=k=0∑n(kn)(−1)n−kf(x+k)
另另外，牛顿级数：
k
k
k 阶多项式
f
(
n
)
f(n)
f(n) 可以被唯一分解为
∑
i
=
0
k
c
i
(
x
i
)
\sum\limits_{i=0}^k c_i{x\choose i}
i=0∑kci(ix) 并且有
Δ
n
f
(
0
)
=
c
i
\Delta^nf(0)=c_i
Δnf(0)=ci
然后可以求和也可以还原系数，复杂度都是
O
(
k
2
)
O(k^2)
O(k2)
主要是得到了一个比较通用的快速单点求值方法。
O
(
k
)
O(k)
O(k) 。
求自然数幂和针对性的方法是利用伯努利数
x≤107
虽然口胡了一通，
但是我并不是很明白.jpg
等一个大佬接手
扫一扫
346
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
