[CC]Bored of Nim

4 篇文章 0 订阅
1 篇文章 0 订阅

题意简述

给出一个 n 个元素的数列,从中拿出连续m个,做Nim游戏,问每一种长度的 m 有多少种情况先手必输。

数据范围

1n105
1ai109

思路

做异或前缀和,区间xor为0就是前缀和有两种相同的数。
对数的个数进行讨论,如果 B 那就暴力。
如果 >B 那就做FFT。
j,i(j>i) 贡献到 ji 的位置上。
这样不符合卷积的形式。我们把 Ai Bnj 进行卷积。
B=nlogn 时取得最优复杂度。
因为FFT的大常数,我们适当扩大 B <script type="math/tex" id="MathJax-Element-502">B</script>。

代码

#include<cstdio>
#include<algorithm>
#include<cmath>
#include<vector>
#include<cstring>
using namespace std;
#define MAXN 100010
#define MAXL 262150
const double pi=acos(-1);
pair<int,int> DS[MAXN];
struct C{
    double x,y;
    C (double _x=0,double _y=0)
    {
        x=_x,y=_y;
    }
    C operator * (const C &n1)
    {
        return C(x*n1.x-y*n1.y,x*n1.y+y*n1.x);
    }
    C operator *= (const C &n1)
    {
        double a=x,b=y;
        x=a*n1.x-b*n1.y;
        y=b*n1.x+a*n1.y;
    }
    C operator /= (const int &n1)
    {
        x/=n1,y/=n1;
    }
    C operator + (const C &n1)
    {
        return C(x+n1.x,y+n1.y);
    }
    C operator - (const C &n1)
    {
        return C(x-n1.x,y-n1.y);
    }
    void operator += (const int &n1)
    {
        x+=n1;
    }
    double real()
    {
        return x;
    }
}A[MAXL],B[MAXL];
int len,ti,tmp,block;
int r[MAXL];
int T,n,now;
int seq[MAXN];
long long ans[MAXN];
vector<int> vec[MAXN];
void fft(C *a,int f)
{
    for (int i=0;i<len;i++)
        if (i<r[i])
            swap(a[i],a[r[i]]);
    for (int i=1;i<len;i<<=1)
    {
        C wn(cos(pi/i),f*sin(pi/i));
        for (int j=0;j<len;j+=(i<<1))
        {
            C w=1;
            for (int k=0;k<i;k++,w*=wn)
            {
                C x=a[j+k],y=w*a[j+k+i];
                a[j+k]=x+y;a[j+k+i]=x-y;
            }
        }
    }
}
int main()
{
    scanf("%d",&T);
    while (T--)
    {
        scanf("%d",&n);
        block=10000;
        for (ti=0,len=1,tmp=n<<1;len<=tmp;ti++,len<<=1);
        for (int i=0;i<len;i++)
            r[i]=(r[i>>1]>>1)|((i&1)<<ti-1);
        for (int i=1;i<=n;i++)
            scanf("%d",&seq[i]);
        for (int i=1;i<=n;i++)
            seq[i]^=seq[i-1];
        for (int i=0;i<=n;i++)
            DS[i+1]=make_pair(seq[i],i);
        sort(DS+1,DS+n+2);
        now=0;
        DS[0].first=-1;
        for (int i=1;i<=n+1;i++)
        {
            if (DS[i].first!=DS[i-1].first)
                vec[++now].clear();
            vec[now].push_back(DS[i].second);
        }
        memset(ans,0,sizeof(ans));
        for (int i=1;i<=now;i++)
        {
            tmp=vec[i].size();
            if (tmp<=block)
                for (int a1=0;a1<tmp;a1++)
                    for (int a2=a1+1;a2<tmp;a2++)
                        ans[vec[i][a2]-vec[i][a1]]++;
            else
            {
                memset(A,0,sizeof(A));
                memset(B,0,sizeof(B));
                for (int a1=0;a1<tmp;a1++)
                    A[vec[i][a1]]+=1,B[n-vec[i][a1]]+=1;
                fft(A,1);fft(B,1);
                for (int j=0;j<len;j++)
                    A[j]*=B[j];
                fft(A,-1);
                for (int j=0;j<len;j++)
                    A[j]/=len;
                for (int j=n+1;j<=2*n;j++)
                    ans[j-n]+=(long long)(A[j].real()+0.5);
            }
        }
        for (int i=1;i<=n;i++)
            printf("%lld%c",ans[i]," \n"[i==n]);
    }
    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,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