CCPC-Wannafly Summer Camp Day 2 I Steins;Gate [原根+FFT]

最近牛客重开了wannafly camp的题,打算把之前不会的题目补掉

这个 要求 ai*aj %P =ak的种类数,我们对 p求原根,即为G 那么 ai%p就可以用 G t G^t Gt % p得到

这样这个表达式 就变成了 G x ∗ G y = G z G^x *G^y=G^z GxGy=Gz 那么我们只要求 在给定数据中 x+y =z的种类数有多少就行

这就是一个很明显的FFT

然后零的时候单独处理

#include <bits/stdc++.h>
using namespace std;
int N,P;
typedef long long ll;
const int maxn =800000+50;
const long double pi=acos(-1.0);
struct Complex{
    long double x,y;
    Complex(long double _x=0,long double _y=0)
    {
        x=_x; y=_y;
    }
    Complex operator +(const Complex &b)const
    {
        return Complex(x+b.x,y+b.y);
    }
    Complex operator -(const Complex &b)const
    {
        return Complex(x-b.x,y-b.y);
    }
    Complex operator *(const Complex &b)const
    {
        return Complex(x*b.x-y*b.y,x*b.y+y*b.x);;
    }
}a[maxn],b[maxn];
ll S,T,n,m,L,R[maxn],ans[maxn];
long long F[maxn];
void FFT(Complex a[],int opt)
{
    for(int i=0;i<n;i++) if(i<R[i]) swap(a[i],a[R[i]]);
    for(int k=1;k<n;k<<=1)
    {
        Complex wn = Complex( cos(pi/k),opt*sin(pi/k) );
        for(int i=0;i<n;i+=(k<<1))
        {
            Complex w = Complex(1,0);
            for(int j=0;j<k;++j,w=w*wn)
            {
                Complex x = a[i+j], y = w*a[i+j+k];
                a[i+j] = x+y;
                a[i+j+k] =x-y;
            }
        }
    }
}
void calc(int opt)
{
    FFT(a,1);
    for(int i=0;i<=n;i++) a[i] = a[i]*a[i];
    FFT(a,-1);
    for(int i=0;i<=n;i++)
    {
        F[i] = (long long)(a[i].x/n+0.5)*opt;
    }
}
bool is_root(int r,int p)
{
    int x=1;
    for(int i=1;i<p-1;i++)
    {
        x=x*r%p;
        if(x==1) return 0;
    }
    return 1;
}
long long x[maxn];
long long idx[maxn],vis[maxn];
long long cnt[maxn];
int main()
{
    scanf("%d%d",&N,&P);
    memset(cnt,0,sizeof(cnt));
    memset(idx,0,sizeof(idx));
    memset(vis,0,sizeof(vis));
    memset(x,0,sizeof(x));
    int root=0;
    for(int i=2;i<P;i++)
    {
        if(is_root(i,P))
        {
            root = i;
            break;
        }
    }
    idx[0]=1;
    //cout<<root<<endl;
    for(int i=1;i<=P-1;i++)
    {
        idx[i]=idx[i-1]*root%P;
        vis[idx[i]]=i;
    }

    long long zcnt=0;
    for(int i=1;i<=N;i++)
    {
        scanf("%lld",&x[i]);
        if(x[i]%P==0) zcnt++;
        else cnt[vis[x[i]%P]]++;
    }
    m =2*P-2;L=0;
    for(n =1;n <=m;n<<=1) ++L;
    for(int i=0;i<n;i++)
    {
        R[i] = (R[i>>1]>>1)|((i&1)<<(L-1));
    }
    for(int i=0;i<=n;i++)
    {
        a[i] = Complex(1.0*cnt[i],0.0);
    }
    calc(1);
    ll rs=1;
    for(int i=0;i<=m;i++)
    {
        //cout<<i<<" "<<F[i]<<" "<<endl;
        ans[vis[rs]]+=F[i];
        //cout<<rs<<endl;
        rs = rs*root%P;
    }
    //cout<<N<<endl;
    ll allz = (ll)N*N-(ll)(N-zcnt)*(N-zcnt);
    for(int i=1;i<=N;i++)
    {
        if(x[i]>=P) printf("%d\n",0);
        else if(x[i]%P==0) printf("%lld\n",allz);
        else printf("%lld\n",ans[vis[x[i]]]);
    }
    return 0;
}

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
,发送类别,概率,以及物体在相机坐标系下的xyz.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
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 1
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