51NOD-1960-数学/贪心

基准时间限制:1 秒 空间限制:131072 KB 分值: 40  难度:4级算法题
 收藏
 关注
LYK最近在研究范德蒙矩阵与矩阵乘法,一个范德蒙矩阵的形式如下:
它想通过构造一个含有1~nm的n*m的矩阵G,使得G*V得到的n*n的矩阵T中所有位置上的元素之和最大。其中n,m<=100000,ai<=2*10^9。
你只需输出这个值对1e9+7取模后的结果。
 
在样例中,矩阵G为
1 4
2 3
当然可能存在其它的方法使得答案最大。
Input
第一行两个数n,m,接下来一行m个数表示a
Output
一个数表示答案
Input示例
2 2
2 3
Output示例
37

G*V的和可以转化为SUM{ (1+ai+...+ain-1)*(xk+xk+1+....+xk+n-1) }
前面为一个等比数列,每个a[i]对应一个,显然将较大的x分配给较大的a[i]结果越大。

 1 #include <iostream>
 2 #include <stdio.h>
 3 #include <string.h>
 4 #include <algorithm>
 5 #include <queue>
 6 #include<cmath>
 7 using namespace std;
 8 #define LL long long 
 9 LL MOD=1e9+7;
10 LL a[100010];
11 LL qpow(LL a,LL b,LL M){
12     LL r=1;
13     while(b){
14         if(b&1) r=r*a%M;
15         a=a*a%M;
16         b>>=1;
17     }
18     return r;
19 } 
20 void gcd(LL a,LL b,LL &d,LL &x,LL &y){
21     if(!b) {
22         d=a;
23         x=1;
24         y=0;
25     }
26     else{
27         gcd(b,a%b,d,y,x);
28         y-=x*(a/b);
29     }
30 }
31 LL inv(LL a,LL n){
32     LL d,x,y;
33     gcd(a,n,d,x,y);
34     return d==1?(x+n)%n:-1;
35 }
36 int main()
37 {
38     LL n,m,i,j,k;
39     cin>>n>>m;
40     for(i=1;i<=m;++i) scanf("%lld",a+i);
41     sort(a+1,a+m+1);
42     LL ans=0;
43     for(i=1;i<=m;++i){
44         LL X=(i*n%MOD+1+(i-1)*n%MOD)*n%MOD*inv(2,MOD)%MOD;
45         LL A;
46         a[i]%=MOD;
47         if(a[i]==0) A=1;
48         else if(a[i]==1) A=n;
49         else A=(qpow(a[i],n,MOD)-1)*inv(a[i]-1,MOD)%MOD;
50         ans=(ans+X*A%MOD)%MOD;
51     }
52     cout<<ans<<endl;
53     return 0;
54 }

 

转载于:https://www.cnblogs.com/zzqc/p/8908375.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
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