第k个因子--简单优化

第k个因子
Description
给你两个数 N 和 k ,请你求出 N 的因子中第k小的那个。
Input
第一行一个整数 T 表示一共有T组测试数据,接下来T行每行两个整数 N 和 k(1≤ T ≤50,1 ≤ n ≤ 10^15, 1 ≤ k ≤ 10^9)
Output
输出T行,每行一个整数,表示N的第k小的因子,如果不存在第k小因子,请输出-1
Sample Input 1
3
4 2
5 3
12 5
Sample Output 1
2
-1
6

分析:这个题比较简单,就是遍历,但是由于数据量直接遍历肯定会超时,其实只要一个小小的优化就可以了
         我们可以想一下,如果i是n的因子,那么n/i肯定也是n的因子了,那么我们只要判断到n的平方根就可以了,
       上代码吧
      
import java.util.*;
public class Main {
    static Scanner in = new Scanner(System.in);
    static long[] f = new long[10000005];
	public static void main(String[] args) {
	    int t = in.nextInt();
	    while(t-->0) {
	    	Arrays.fill(f, 0);
	    	int cnt = 0;
	    	long n = in.nextLong();
	    	int k = in.nextInt();	    	
	    	for(long i = 1;i*i<=n;i++) {
	    		if(n%i==0) {
	    			 f[cnt++] = i;
	    		  if(i*i!=n)
	    			 f[cnt++] = n/i;
	    		}
	    	}
	    	Arrays.sort(f,0,cnt);
	    	if(cnt<k)
	    	  System.out.println("-1");
	    	else
	    	  System.out.println(f[k-1]);
	    	
	    }
	}
}
很简单,我就不说了

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
以下是基于k-means聚类的麻雀搜索算法的MATLAB代码: ``` % 麻雀搜索算法 % 麻雀种群数量 n = 20; % 最大迭代次数 max_iter = 100; % 学习因子 c1 = 1.5; c2 = 1.5; % 聚类个数 k = 3; % 生成数据 data = rand(100,2); % 初始化种群位置 for i = 1:n swarm(i,:) = rand(1,k); % 归一化 swarm(i,:) = swarm(i,:) / sum(swarm(i,:)); end % 迭代开始 for iter = 1:max_iter % 计算适应度 for i = 1:n centroid = zeros(k,2); % 计算质心 for j = 1:k centroid(j,:) = swarm(i,j) * mean(data); end % 计算样本到质心的距离 distance = pdist2(data,centroid); % 计算聚类误差 error(i) = sum(min(distance,[],2)); end % 更新种群位置 for i = 1:n % 找到最优解 [best_error,best_index] = min(error); % 更新当前位置 for j = 1:k % 计算个体学习因子 r1 = rand(); r2 = rand(); swarm(i,j) = swarm(i,j) + c1 * r1 * (swarm(best_index,j) - swarm(i,j)) + c2 * r2 * (swarm(i,j) - swarm(best_index,j)); % 约束条件 if swarm(i,j) < 0 swarm(i,j) = 0; end if swarm(i,j) > 1 swarm(i,j) = 1; end end % 归一化 swarm(i,:) = swarm(i,:) / sum(swarm(i,:)); end end % 找到最优解 [best_error,best_index] = min(error); % 计算质心 centroid = zeros(k,2); for j = 1:k centroid(j,:) = swarm(best_index,j) * mean(data); end % 计算样本到质心的距离 distance = pdist2(data,centroid); % 计算聚类结果 [~,cluster] = min(distance,[],2); % 显示聚类结果 figure; scatter(data(:,1),data(:,2),[],cluster,'filled'); title('Clustering Results'); ```

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
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