[BZOJ3994] [SDOI2015] 约数个数和 [莫比乌斯反演][除法分块]

Link
https://www.lydsy.com/JudgeOnline/problem.php?id=3994


Description
T \mathrm{T} T 组数据,每一组数据给出 n , m n,m n,m ,求 ∑ i = 1 n ∑ j = 1 m d ( i j ) \sum\limits_{i=1}^n\sum\limits_{j=1}^md(ij) i=1nj=1md(ij)
1 ≤ n , m , T ≤ 5 × 1 0 4 1\le n,m,\mathrm{T}\le 5\times10^4 1n,m,T5×104


Analysis
约数个数和显然可以变一下,得到
∑ i = 1 n ∑ j = 1 m d ( i j ) = ∑ i = 1 n ∑ j = 1 m ∏ k = 1 ω ( i j ) ( a k − 1 ) \begin{array}{rcl} \sum\limits_{i=1}^n\sum\limits_{j=1}^md(ij)&=&\sum\limits_{i=1}^n\sum\limits_{j=1}^m\prod\limits_{k=1}^{\omega(ij)}(a_k-1) \end{array} i=1nj=1md(ij)=i=1nj=1mk=1ω(ij)(ak1)
但是这个没有什么用,我们考虑变求约数个数和为考虑每个数作为约数的贡献
为了方便下面我就当 n = min ⁡ { n , m } n=\min\{n,m\} n=min{n,m}
∑ i = 1 n ∑ j = 1 m d ( i j ) = ∑ i = 1 n ∑ j = 1 m [ ( i , j ) = 1 ] ⌊ n i ⌋ ⌊ m j ⌋ = ∑ i = 1 n ∑ j = 1 m ϵ ( ( i , j ) ) ⌊ n i ⌋ ⌊ m j ⌋ = ∑ i = 1 n ∑ j = 1 m ∑ d ∣ ( i , j ) μ ( d ) ⌊ n i ⌋ ⌊ m j ⌋ = ∑ d = 1 n μ ( d ) ∑ i = 1 ⌊ n d ⌋ ∑ j = 1 ⌊ m d ⌋ i j = ∑ d = 1 n μ ( d ) ∑ i = 1 ⌊ n d ⌋ ∑ j = 1 ⌊ m d ⌋ ⌊ n d i ⌋ ⌊ m d j ⌋ = ∑ d = 1 n μ ( d ) ( ∑ i = 1 ⌊ n d ⌋ ⌊ ⌊ n d ⌋ i ⌋ ⋅ ∑ j = 1 ⌊ m d ⌋ ⌊ ⌊ m d ⌋ j ⌋ ) \begin{array}{rcl} \sum\limits_{i=1}^n\sum\limits_{j=1}^md(ij)&=&\sum\limits_{i=1}^n\sum\limits_{j=1}^m[(i,j)=1]\lfloor\frac{n}{i}\rfloor\lfloor\frac{m}{j}\rfloor\\ &=&\sum\limits_{i=1}^n\sum\limits_{j=1}^m\epsilon((i,j))\lfloor\frac{n}{i}\rfloor\lfloor\frac{m}{j}\rfloor\\ &=&\sum\limits_{i=1}^n\sum\limits_{j=1}^m\sum\limits_{d|(i,j)}\mu(d)\lfloor\frac{n}{i}\rfloor\lfloor\frac{m}{j}\rfloor\\ &=&\sum\limits_{d=1}^n\mu(d)\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}ij\\ &=&\sum\limits_{d=1}^n\mu(d)\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}\lfloor\frac{n}{di}\rfloor\lfloor\frac{m}{dj}\rfloor\\ &=&\sum\limits_{d=1}^n\mu(d)\left(\sum\limits_{i=1}^{\lfloor\frac{n}{d}\rfloor}\left\lfloor\frac{\lfloor\frac{n}{d}\rfloor}{i}\right\rfloor\cdot\sum\limits_{j=1}^{\lfloor\frac{m}{d}\rfloor}\left\lfloor\frac{\lfloor\frac{m}{d}\rfloor}{j}\right\rfloor\right)\\ \end{array} i=1nj=1md(ij)======i=1nj=1m[(i,j)=1]injmi=1nj=1mϵ((i,j))injmi=1nj=1md(i,j)μ(d)injmd=1nμ(d)i=1dnj=1dmijd=1nμ(d)i=1dnj=1dmdindjmd=1nμ(d)(i=1dnidnj=1dmjdm)
预处理 f ( x ) = ∑ i = 1 x ⌊ x i ⌋ f(x)=\sum\limits_{i=1}^x\lfloor\frac{x}{i}\rfloor f(x)=i=1xix ,然后对每个询问再整除分块即可。 O ( m m + T m ) O(m\sqrt{m}+\mathrm{T}\sqrt{m}) O(mm +Tm )


这该死的莫反竟然如此的套路
oier平均一人一道约数个数和 noip出莫反裸题指日可待


#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstdlib>
#include<cstring>
#include<cmath>
#include<ctime>
#include<cctype>
using namespace std;
const int MAXN = 5e4+5;
int T, n, m;
int mu[MAXN], smu[MAXN];
long long f[MAXN];
bool NotPrime[MAXN];
int PrimeList[MAXN];
int Diven[MAXN];
void Init()
{
	const int n = 5e4;
	for (register int i = 1; i <= n; ++i)
	{
		for (register int t, L = 1, R; L <= i; L = R + 1)
		{
			R = i / (t = i / L);
			f[i] += (R - L + 1) * t;
		}
	}
	NotPrime[0] = NotPrime[1] = 1;
	mu[1] = 1;
	for (register int i = 2; i <= n; ++i)
	{
		if (!NotPrime[i]) PrimeList[++PrimeList[0]] = i, Diven[PrimeList[0]] = n / i, mu[i] = -1;
		for (register int t, j = 1; j <= PrimeList[0] && i <= Diven[j]; ++j)
		{
			NotPrime[t = i * PrimeList[j]] = 1;
			if (i % PrimeList[j] == 0)
			{
				mu[t] = 0;
				break;
			}
			mu[t] = -mu[i];
		}
	}
	for (register int i = 1; i <= n; ++i)
	{
		smu[i] = smu[i-1] + mu[i];
	}
}
#define getchar() (frS==frT&&(frT=(frS=frBB)+fread(frBB,1,1<<12,stdin),frS==frT)?EOF:*frS++)
char frBB[1<<12], *frS=frBB, *frT=frBB;
inline int read(int& x)
{
	x=0;char ch=getchar();bool w=0;
	while(!isdigit(ch))w|=(ch=='-'),ch=getchar();
	while(isdigit(ch))x=x*10+(ch^48),ch=getchar();
	w?(x=-x):0;
}
int main()
{
	Init();
	read(T);
	register int fafa;
	register long long Ans;
	while (T--)
	{
		read(n); read(m);
		fafa = (n - m) >> 31;
		fafa = n & fafa | m & ~fafa;
		Ans = 0;
		for (register int tn, tm, L = 1, R; L <= fafa; L = R + 1)
		{
			R = min(n/(tn=n/L),m/(tm=m/L));
			Ans += f[tn] * f[tm] * (smu[R] - smu[L-1]);
		}
		printf("%lld\n", Ans);
	}
	return 0;
}
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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