入门模拟—2.小 X 的密码破译

Problem 2. 小 X 的密码破译

Input file: password.in
Output file: password.out
Time limit: 1 second
Memory limit: 256 MB
这天小 Y 有事外出,小 X 又忘记带电脑了,于是想使用小 Y 的电脑。不幸的是,小 Y 设了密码,
密码提示是四个整数,且输错后密码和提示就会重新生成。
正当小 X 一筹莫展的时候,他打开小 Y 的抽屉,发现里面有一张小纸条,上面写着:“给出提示
n, a, b, c,令 di = (ai2 + bi + c) mod 11111111(1 ≤ i ≤ n),将序列 d 去除重复的数后从小到大排序得到
序列 e,设序列 e 有 m 个数,则密码为 (∑mi=1 iei) mod 11111111。”
小 X 十分激动,想立刻完成密码破译,希望你帮帮他。

Input

第一行包含四个整数 n, a, b, c。

Output

第一行包含一个整数,表示密码。
Example
password.in password.out
3 0 0 2 2
5 1 2 3 380
Scoring
• 对于 30% 的数据,n ≤ 103。 • 对于 60% 的数据,n ≤ 105。 • 对于 100% 的数据,1 ≤ n ≤ 107,0 ≤ a, b, c ≤ 100。


按照题目要求算出D序列,再桶排序求出E序列,最后算出答案
但是序列每项与answer每次循环都要模,要不然会太大爆掉。


原本90分代码:

#include<iostream>
#include<cstdio>
#include<cmath>
using namespace std;
unsigned long long n,a,b,c,j,d[10000001],mx,ans;
bool e[11111112];
int main(){
	//freopen("password.in","r",stdin);
	//freopen("password.out","w",stdout);	
	scanf("%lld%lld%lld%lld",&n,&a,&b,&c);
	for(int i=1;i<=n;i++){
		long long x=(a*i*i)%11111111;
		d[i]=(x+b*i+c)%11111111;
		mx=max(mx,d[i]);
		e[d[i]]=1;
	}
	for(int i=1;i<=mx;i++){//忘了余数可以为0,从1开始是错的
		if(e[i]==1){
			j++;
			ans=(ans+j*i)%11111111; 
		}
	}cout<<ans;
	//fclose(stdin);fclose(stdout);
}

因为余数可以为0,所以i应该从0开始。


满分代码:

#include<iostream>
#include<cstdio>
#include<cmath>
using namespace std;
unsigned long long n,a,b,c,j,d[10000001],mx,ans;
bool e[11111112];//桶排数组用布尔节省空间
int main(){
	//freopen("password.in","r",stdin);
	//freopen("password.out","w",stdout);	
	scanf("%lld%lld%lld%lld",&n,&a,&b,&c);
	for(int i=1;i<=n;i++){
		long long x=(a*i*i)%11111111;
		d[i]=(x+b*i+c)%11111111;
		mx=max(mx,d[i]);
		e[d[i]]=1;
	}
	for(int i=0;i<=mx;i++){//忘了余数可以为0,从1开始是错的
		if(e[i]==1){
			j++;
			ans=(ans+j*i)%11111111; 
		}
	}cout<<ans;
	//fclose(stdin);fclose(stdout);
}
主要内容:本文详细介绍了一种QRBiLSTM(分位数回归双向长短期记忆网络)的时间序列区间预测方法。首先介绍了项目背景以及模型的优势,比如能够有效利用双向的信息,并对未来的趋势上限和下限做出估计。接着从数据生成出发讲述了具体的代码操作过程:数据预处理,搭建模型,进行训练,并最终可视化预测结果与计算分位数回归的边界线。提供的示例代码可以完全运行并且包含了数据生成环节,便于新手快速上手,深入学习。此外还指出了模型未来发展的方向,例如加入额外的输入特性和改善超参数配置等途径提高模型的表现。文中强调了时间序列的标准化和平稳检验,在样本划分阶段需要按时间序列顺序进行划分,并在训练阶段采取合适的手段预防过度拟合发生。 适合人群:对于希望学习和应用双向长短时记忆网络解决时序数据预测的初学者和具有一定基础的研究人员。尤其适用于有金融数据分析需求、需要做多一步或多步预测任务的从业者。 使用场景及目标:应用于金融市场波动预报、天气状况变化预测或是物流管理等多个领域内的决策支持。主要目的在于不仅能够提供精确的数值预计还能描绘出相应的区间概率图以增强结论置信程度。 补充说明:本教程通过一个由正弦信号加白噪构造而成的简单实例来指导大家理解和执行QRBiLSTM流程的所有关键步骤,这既方便于初学者跟踪学习,又有利于专业人士作为现有系统的补充参考工具。
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