sgu200 分类: sgu 2015-05-...


对每个数分解质因数,然后对每个质因子有一个异或方程,
解异或方程,记其中自由元的个数为f,答案即为 2f1


#include<cstdio>
#include<cstdlib>
#include<iostream>
#include<algorithm>

const int MAXN = 105, Nya = -1;
typedef int Array[MAXN][MAXN];
typedef int Seq[MAXN];
typedef int Array2[MAXN<<1][MAXN];

int t, m, ans;
Seq prime;int tot;
Seq b; Array a; 
Array2 u; Seq x;

void GetPrime()
{
    for(int i = 2; tot < t; i++)
    {
        bool tag = true;
        for(int j = 1; j <= tot && tag; j++)
            if(!(i % prime[j])) tag = false;
        if(tag) prime[++tot] = i;   
    }
}
void PrimeFactor(int px,int r[])
{
    for(int i = 1; i <= t && i <= px; i++)
        while(!(px % prime[i])) 
            px /= prime[i], r[i] ^= 1;  
}//r[i] x->prime[i]  
// XorSum(P[i]*a[i][j]) = 0

int Guass()
{
    int ret = 0;

    for(int i = 1; i <= m; i++)
    {
        int g = Nya;

        for(int q = i; q <= t; q++)
            if(u[q][i]) g = q;

        if(g != i)
        {
            if(g == Nya) g = ++t, ret++;
            for(int j = 1; j <= m; j++)
                std::swap(u[i][j],u[g][j]);
        }

        for(int q = i+1; q <= t; q++)
        {
            if(!u[q][i]) continue;
            for(int j = i; j <= m; j++)
                u[q][j] ^= u[i][j];     
        }
    } 
    for(int i = m; i >= 1; i--)
        for(int j = i + 1; j <= m; j++)
            x[i] ^= x[j] * u[i][j];

    for(int i = 1; i <= t; i++)
    {
        int calcu = 0;
        for(int j = 1; j <= m; j++)
            calcu ^= x[j] * u[i][j];    
        if(calcu) return -1;    
    }

    return ret;
}
struct BigNum
{
    int num[MAXN],l;
    void prt()
    {
        if(!l) {printf("0");return;}
        for(int i = l; i >= 1; i--)
            printf("%d",num[i]);
    }
}emp;

BigNum operator +(const BigNum &a,const BigNum &b)
{
    BigNum ret = emp;
    ret.l = std::max(a.l,b.l);
    for(int i = 1; i <= ret.l; i++)
        ret.num[i] = a.num[i] + b.num[i];
    for(int i = 1; i <= ret.l; i++)
        if(ret.num[i] >= 10) 
            ret.num[i] -= 10, ret.num[i+1] ++;
    if(ret.num[ret.l + 1]) ret.l++; 

    return ret;     
}

int main()
{
#ifndef ONLINE_JUDGE    
    freopen("sgu200.in","r",stdin);
    freopen("sgu200.out","w",stdout);
#endif  

    std::cin >> t >> m;

    GetPrime();

    for(int i = 1; i <= m; i++)
    {
        std::cin >> b[i];
        PrimeFactor(b[i],a[i]);
    }
    for(int i = 1; i <= t; i ++)
        for(int j = 1; j <= m; j++)
            u[i][j] = a[j][i]; 

    ans = Guass();

    if(ans == Nya) puts("0");
    else
    {
        BigNum s = emp, h = emp;
        h.num[1] = 1, h.l = 1; 
        for(int i = 1; i <= ans; i++)
            s = s + h, h = h + h;
        s.prt(); puts("");  
    }

#ifndef ONLINE_JUDGE    
    fclose(stdin);
    fclose(stdout);
#endif  
    return 0;
}

版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/dashgua/p/4723023.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
。支持yolov5s,yolov5m,yolov5l.zip目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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