POJ 2635 The Embarrassed Cryptographer【题解报告|高精度取模,素数筛法】

问题描述

给定一个大数K,K是两个大素数的乘积的值。

再给定一个int内的数L

问这两个大素数中最小的一个是否小于L,如果小于则输出这个素数。

解题思路

首先对题目的插图表示无语。。。

高精度求模+同余模定理,解题步骤:

1、 Char格式读入K。把K转成千进制Kt,同时变为int型。

把数字往大进制转换能够加快运算效率。若用十进制则耗费很多时间,会TLE

千进制的性质与十进制相似。

例如,把 K = 1234567890 K=1234567890 K=1234567890 转成千进制,就变成了: K t = [ 1 ] [ 234 ] [ 567 ] [ 890 ] Kt=[ 1][234][567][890] Kt=[1][234][567][890]

为了方便处理,我的程序是按“局部有序,全局倒序”模式存放 K t Kt Kt

K t = [ 890 ] [ 567 ] [ 234 ] [ 1 ] Kt=[890][567][234][1 ] Kt=[890][567][234][1] (一个中括号代表一个数组元素)

2、 素数打表,把10^6内的素数全部预打表,在求模时则枚举到小于L为止。

注意打表不能只打到100W,要保证素数表中最大的素数必须大于 1 0 6 10^6 106,否则当 L = 100 W L=100W L=100W 且K为 G O O D GOOD GOOD 时,会因为数组越界而RE,这是因为越界后prime都是负无穷的数,枚举的 w h i l e ( p r i m e [ p M i n ] < L ) while(prime[pMin]<L) while(prime[pMin]<L)循环会陷入死循环

3、 高精度求模。

主要利用Kt数组和同余模定理。

例如要验证 123 123 123是否被3整除,只需求模 124 124%3 124

但当123是一个大数时,就不能直接求,只能通过同余模定理对大数“分块”间接求模

具体做法是:

先求 1 1%3 = 1 1
再求 ( 1 ∗ 10 + 2 ) (1*10+2)%3 = 0 (110+2)
再求 ( 0 ∗ 10 + 4 ) (0*10+4)%3 = 1 (010+4)
那么就间接得到 124 124%3=1 124,这是显然正确的

而且不难发现, ( 1 ∗ 10 + 2 ) ∗ 10 + 4 = 124 (1*10+2)*10+4 = 124 (110+2)10+4=124

这是在10进制下的做法,千进制也同理, ∗ 10 *10 10改为 ∗ 1000 *1000 1000 就可以了,至于这里为什么 ∗ 1000 *1000 1000而不是 ∗ 10000 *10000 10000,因为L的大小 1 0 6 10^6 106,此时如果乘10000就不能用int型表示了。

#define ll long long
#define inf 0x3f3f3f3f
#define vec vector<int>
#define P pair<int,int>
#define MAX 1000005

string K;
int L;
bool isp[MAX];
vec v, pri;//每个v存储着一个千位数

//检查K是否能够整除n
bool check(int n) {
	int mod = 0;
	for (int i = 0; i < v.size(); i++) {
		mod = (mod * 1000 + v[i]) % n;
	}
	return mod == 0;
}

int main() {
	fill(isp, isp + MAX, 1);
	isp[0] = isp[1] = 0;
	for (int i = 2; i < MAX; i++) {
		if (isp[i]) {
			pri.push_back(i);
			for (int j = i * 2; j < MAX; j += i)
				isp[j] = 0;
		}
	}
	while (cin >> K >> L && K != "0") {
		v.clear();
		while (K.size() > 0) {
			int t = K.size();
			if (t > 3)v.push_back(atoi(K.substr(t - 3).c_str())), K.erase(t - 3, 3);
			else v.push_back(atoi(K.c_str())), K.clear();
		}
		reverse(v.begin(), v.end());//高位在前

		int id = lower_bound(pri.begin(), pri.end(), L) - pri.begin(), sign = 1, i;
		for (i = 0; i < id && sign; i++) {
			int n = pri[i];
			if (check(n)) { sign = 0; break; }
		}
		if (sign)cout << "GOOD" << endl;
		else cout << "BAD " << pri[i] << endl;
	}
}
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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(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