qwb与神奇的序列 快速幂 非逆元 矩阵快速幂

转我自己的博客:写得贼好 http://blog.csdn.net/yo_bc/article/details/72846995

Description
qwb又遇到了一道题目:
有一个序列,初始时只有两个数x和y,之后每次操作时,在原序列的任意两个相邻数之间插入这两个数的和,得到新序列。举例说明:
初始:1 2
操作1次:1 3 2
操作2次:1 4 3 5 2
……
请问在操作n次之后,得到的序列的所有数之和是多少?
Input
多组测试数据,处理到文件结束(测试例数量<=50000)。
输入为一行三个整数x,y,n,相邻两个数之间用单个空格隔开。(0 <= x <= 1e10, 0 <= y <= 1e10, 1 < n <= 1e10)。
Output
对于每个测试例,输出一个整数,占一行,即最终序列中所有数之和。
如果和超过1e8,则输出低8位。(前导0不输出,直接理解成%1e8)
Sample Input
1 2 2
Sample Output
15

思路:规律题,首先容易推出ans[i] = ans[i-1]*3-(x+y), 再根据等比数列公式可以得到规律第n次操作的和
为:(3^n+1)/2 * (x+y);
快速幂做法需要几个注意的点:
1. 不能在求3^n的时候直接取模,之后/2%mod
2. 看到除法就想逆元是不可行的,因为2和mod不互质,所以逆元不能用。
3. 可以根据公式:(a/b)%mod = a%(b*mod)/b%mod, 所以就可以在快速幂求3^n的时候%2e8,求完之后
再/2%mod*(x+y)%mod,即可得到正确答案。

根据ans[i] = ans[i-1]*3-(x+y)还可以得到矩阵快速幂做法,

这里写图片描述

#include <bits/stdc++.h>  
#define LL long long  
using namespace std;  
const int mod = 1e8;  
LL a, b, n;  
LL quickM(LL a, LL b)  
{  
    LL ans = 1, base = a;  
    while(b)  
    {  
        if(b&1) ans = ans*base%(mod*2);  
        base = base*base%(mod*2);  
        b >>= 1;  
    }  
    return ans;  
}  
int main()  
{  
    while(~scanf("%lld %lld %lld", &a, &b, &n))  
    {  
        x = (a+b)%mod;  
        ans = (quickM(3, n)+1)/2%mod*x%mod;  
        printf("%lld\n", ans);  
    }  
    return 0;  
}  
#include <bits/stdc++.h>  
#define LL long long  
using namespace std;  
const LL mod = 1e8;  
struct node  
{  
    LL e11, e12, e13, e21, e22, e23, e31, e32, e33;  
};  
LL x, y, n;  
node multi(node a, node b)  
{  
    node ans;  
    ans.e11 = (a.e11*b.e11 + a.e12*b.e21 + a.e13*b.e31)%mod;  
    ans.e12 = (a.e11*b.e12 + a.e12*b.e22 + a.e13*b.e32)%mod;  
    ans.e13 = (a.e11*b.e13 + a.e12*b.e23 + a.e13*b.e33)%mod;  
    ans.e21 = (a.e21*b.e11 + a.e22*b.e21 + a.e23*b.e31)%mod;  
    ans.e22 = (a.e21*b.e12 + a.e22*b.e22 + a.e23*b.e32)%mod;  
    ans.e23 = (a.e21*b.e13 + a.e22*b.e23 + a.e23*b.e33)%mod;  
    ans.e31 = (a.e31*b.e11 + a.e32*b.e21 + a.e33*b.e31)%mod;  
    ans.e32 = (a.e31*b.e12 + a.e32*b.e22 + a.e33*b.e32)%mod;  
    ans.e33 = (a.e31*b.e13 + a.e32*b.e23 + a.e33*b.e33)%mod;  
    return ans;  
}  
LL quickM(LL b)  
{  
    node base, ans;  
    base.e11 = 3, base.e12 = 0, base.e13 = -1;  
    base.e21 = 0, base.e22 = 3, base.e23 = -1;  
    base.e31 = 0, base.e32 = 0, base.e33 = 1;  
    ans.e11 = 1, ans.e12 = 0, ans.e13 = 0;  
    ans.e21 = 0, ans.e22 = 1, ans.e23 = 0;  
    ans.e31 = 0, ans.e32 = 0, ans.e33 = 1;  
    while(b)  
    {  
        if(b&1) ans = multi(ans, base);  
        base = multi(base, base);  
        b >>= 1;  
    }  
    return (ans.e21*2+ans.e22*1+ans.e23+mod)%mod;  
}  
int main()  
{  
    while(~scanf("%lld %lld %lld", &x, &y, &n))  
    {  
        printf("%lld\n", (x+y)%mod*quickM(n)%mod);  
    }  
    return 0;  
}  

------------------------------优雅的分割线------------------------------  

#include <bits/stdc++.h>  
#define LL long long  
using namespace std;  
const LL mod = 1e8;  
struct node  
{  
    LL m[4][4];  
};  
LL x, y, n;  
node multi(node a, node b)  
{  
    node ans;  
    memset(ans.m, 0, sizeof ans.m);  
    for(int i = 1; i <= 3; ++i)  
        for(int j = 1; j <= 3; ++j)  
            for(int k = 1; k <= 3; ++k)  
                ans.m[i][j] = (ans.m[i][j]+a.m[i][k]*b.m[k][j])%mod;  
    return ans;  
}  
LL quickM(LL b)  
{  
    node base, ans;  
    base.m[1][1] = 3, base.m[1][2] = 0, base.m[1][3] = -1;  
    base.m[2][1] = 0, base.m[2][2] = 3, base.m[2][3] = -1;  
    base.m[3][1] = 0, base.m[3][2] = 0, base.m[3][3] = 1;  
    ans.m[1][1] = 1, ans.m[1][2] = 0, ans.m[1][3] = 0;  
    ans.m[2][1] = 0, ans.m[2][2] = 1, ans.m[2][3] = 0;  
    ans.m[3][1] = 0, ans.m[3][2] = 0, ans.m[3][3] = 1;  
    while(b)  
    {  
        if(b&1) ans = multi(ans, base);  
        base = multi(base, base);  
        b >>= 1;  
    }  
    return (ans.m[2][1]*2+ans.m[2][2]*1+ans.m[2][3]+mod)%mod;  
}  
int main()  
{  
    while(~scanf("%lld %lld %lld", &x, &y, &n))  
    {  
        printf("%lld\n", (x+y)%mod*quickM(n)%mod);  
    }  
    return 0;  
}  
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,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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 、1资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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