CF403B/CF402D

http://codeforces.com/contest/403/problem/B

原题题意说

 给你一个n长度的数组 a , 保存了a1~an的n个数字。

再给你m个坏的质数b1~bm。

告诉你可以每次操作数组a中前r个元素,1<=r<=n,使得a[i] = a[i]/g,g是前r个元素的最大公约数。

问你经过任意次操作后,segma(f(ai))的最大值为多少。


我一开始对于f函数的意思不太懂,后来把他展开,就明白了。

当s=1,f=0;

当p是s的最小的约数(同时必然是质数)时,f=f(s/p)+g(p)

g函数是我临时加的,发现p为good时,g(p)= 1;p为bad时,g(p)= -1;

s=p时,f=f(1)+g(p)=0+g(p),所以g就是f


那么得到 f 就是 s 中good数减去bad数。

发现好像可以搞了,只要前缀和一个数组 a 的 gcd 。


思路是贪心

从 n 开始 向 1 扫, 如果 i 的前缀和的gcd 的 f 小于 0,就把从1 到 i 的 gcd 通过 变换消去, 那么就可以使得整个数组的segma增加 f(gcd), 同时记录一下我 变换 消去的 gcd 的值, 在下一次检查的时候 要先用当前的gcd除以 之前保存的这个记录下来的 gcd , 然后 在判断是否 f 小于 0, 也就是 存在 good 数小于 bad数的这种情况。


好像还有一种动态规划的方法,http://codeforces.com/blog/entry/10972 , 俄文看不懂,然后有兴趣的同学用谷歌翻译翻译成英文阅读,千万别翻译成中文阅读,那样是完全看不懂的。


我做的时候,看到 gcd 可以不保存 直接用 gcd 的f 的效果是一样的,只要记录先前的gcd 的 f 在当前位置 总共增加 的值 cur ,在这一轮不要再重复增加到答案里面 ,  然后 f 最后用map做一个映射, 以加快速度, bad prime 就用set表示就好了。

其中最巧妙的就是处理f 的时候, 一边分解s 的质因子 一边计数 这个过程。以及 前面说了 记录前缀 gcd 的 f 的值, 和 cur。


上源代码:

#include <cstdio>
#include <iostream>
#include <cmath>
#include <algorithm>
#include <map>
#include <set>
using namespace std;
#define MaxN 5555
const int maxn = 1000000;
bool flag[maxn+5];
int prime[maxn/3], TopPrime;
int a[MaxN], bad[MaxN], gtf[MaxN];
set <int> badSet;
map <int, int> memo;

void calc_prim(){
	for(int i = 2; i <= maxn; i ++){
		if(!flag[i]) prime[TopPrime++] = i;
		for(int j = 0; j < TopPrime && prime[j]*i <= maxn; j ++){
			flag[i*prime[j]] = 1;
			if(i%prime[j]==0) break;
		}
	}
}

int F(int s)
{
    if(s == 1) return 0;
    if(memo.find(s) != memo.end()) return memo[s];
    int k = 0, ans = 0;
    int num = s;
    while(prime[k]*prime[k] <= s)
    {
        if(s % prime[k] == 0)
        {
            int isbad = badSet.count(prime[k]);
            while(s%prime[k] == 0)
            {
                s/=prime[k];
                if(isbad)
                    ans--;
                else
                    ans++;
            }
        }
        k++;
    }
    if(s != 1)
    {
        if(badSet.count(s)) ans--;
        else ans++;
    }
    return memo[num] = ans;
}

int main()
{
//    freopen("data.in", "r", stdin);
    calc_prim();
    int n, m, G, cur, sum;
    scanf("%d%d", &n, &m);
    for(int i = 0; i < n; i++)
    {
        scanf("%d", &a[i]);
    }
    for(int i = 0; i < m; i++)
    {
        scanf("%d", &bad[i]);
        badSet.insert(bad[i]);
    }
    G = a[0];
    sum = 0;
    for(int i = 0; i < n; i++)
    {
        int number = a[i];
        sum += F(number);
        G = __gcd(number, G);
        gtf[i] = F(G);
    }

    cur = 0;//the F() of gcd been cut before
    for(int i = n-1; i >= 0; i--)
    {
        if(gtf[i] + cur < 0)//!!!
        {
            sum -= (gtf[i] + cur)*(i+1);//!!!
            cur += (gtf[i] + cur)/(-1);
        }
    }
    printf("%d\n", sum);
    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