BZOJ 2005 //2005: [Noi2010]能量采集

BZOJ 2005   //2005: [Noi2010]能量采集   //在线测评地址https://www.lydsy.com/JudgeOnline/problem.php?id=2005

更多题解,详见https://blog.csdn.net/mrcrack/article/details/90228694BZOJ刷题记录

//2005: [Noi2010]能量采集
//在线测评地址https://www.lydsy.com/JudgeOnline/problem.php?id=2005
//数据范围1 ≤ n, m ≤ 100,000,采用O(n^2)肯定超时
//不过,还是准备采用朴素算法,试试看题意是否理解正确
//试试,输入5 4输出36的例子
//以下为朴素算法
//确定共线,y1/x1=y2/x2,即y1*x2=y2*x1
//测试了样例,通过,但程序问题很多,1是算法的时间复杂度为O(n^4)
//2是y1*x2=y2*x1过程中,(10^5)^2=10^10 int要溢出,计算需采用long long
//以下为样例通过的朴素代码,提供给读者。2019-6-29 11:02
//可以考虑能AC该题的算法了,因为题意已经弄明白了。
//想到了x,y互质,通过n,m算出同一斜率上点的个数,再用等差数列,算出该线上的能量损失。
//做的过程中,出了点问题,如下
//x轴 想多了,仔细看题,这个讨论不存在
    /*sum+=(1+2*(n-1)+1)*n/2;
    printf("%lld\n",sum);*/
    //y轴 想多了,仔细看题,这个讨论不存在
    /*sum+=(1+2*(m-1)+1)*m/2;
    printf("%lld\n",sum);*/
//修改,样例通过,目前,算法的时间复杂度为O(n*m*(logn+logm))
//以下为O(n*m*(logn+logm))的算法。2019-6-29 16:44
//再怎么改进,目前,没什么好办法,看看其他人是怎么做的吧
//翻看解答,发现基本思路正确,但用的是 莫比乌斯反演 曾经 学过, 但没有独立用过
//可参看此文https://blog.csdn.net/mrcrack/article/details/86929213中4.「bzoj2301」[HAOI2011]Problem b的题解部分进行理解 莫比乌斯反演
//https://wenku.baidu.com/view/fbec9c63ba1aa8114431d9ac.html解释
//f(8)=F(8)-F(4)
//f(8)=1*F(8)+(-1)^1*F(4)+0*F(2)+0*F(1)
//即f(8)=1*F(8/1)+(-1)^1*F(8/2)+0*F(8/4)+0*F(8/8)
//1*F(8/1) u(1)=1,u(2)=1,u(4)=0 因d=2^2,u(8)=0 因d=2^3
//此文代码思路不错http://hzwer.com/3482.html摘抄如下
//wulala:可以证明点(x,y)与(0,0)所连线段上不包含原点有的点为gcd(x,y)
//于是问题就变成了求gcd(x,y)(1 <= x <= n,1 <= y <= m)的和;
//可以设f[i]表示gcd为i的点对数有多少
//首先公因数里面有i的点对数显然是(n / i) * ( m / i)
//然后再减去f[i的倍数]就得到了f[i]
//然后ans就很好求了
//上述处理手法,即为 容斥原理。2019-7-3 07:52
//变 杂乱无章的数 为分组数,及最大公约数的值相同,为一组。大大提高效率
//样例通过,提交AC。2019-7-3 9:30
#include <stdio.h>
#include <string.h>
#define LL long long
#define maxn 100100
LL n,m,t,f[maxn],ans=0;
int main(){
    int i,j,t;
    memset(f,0,sizeof(f));
    scanf("%lld%lld",&n,&m);
    if(n>m)t=n,n=m,m=t;//目标n<=m
    for(i=n;i>=1;i--){
        f[i]=(n/i)*(m/i);//统计约数为i的(x,y)的个数
        for(j=2*i;j<=n;j+=i)f[i]-=f[j];//容斥原理,f[i]最终统计最大公约数为i的(x,y)的个数
        ans+=f[i]*(2*i-1);
    }
    printf("%lld\n",ans);
    return 0;
}

//2005: [Noi2010]能量采集
//在线测评地址https://www.lydsy.com/JudgeOnline/problem.php?id=2005
//数据范围1 ≤ n, m ≤ 100,000,采用O(n^2)肯定超时
//不过,还是准备采用朴素算法,试试看题意是否理解正确
//试试,输入5 4输出36的例子
//以下为朴素算法
//确定共线,y1/x1=y2/x2,即y1*x2=y2*x1
//测试了样例,通过,但程序问题很多,1是算法的时间复杂度为O(n^4)
//2是y1*x2=y2*x1过程中,(10^5)^2=10^10 int要溢出,计算需采用long long
//以下为样例通过的朴素代码,提供给读者。2019-6-29 11:02
//可以考虑能AC该题的算法了,因为题意已经弄明白了。
//想到了x,y互质,通过n,m算出同一斜率上点的个数,再用等差数列,算出该线上的能量损失。
//做的过程中,出了点问题,如下
//x轴 想多了,仔细看题,这个讨论不存在
    /*sum+=(1+2*(n-1)+1)*n/2;
    printf("%lld\n",sum);*/
    //y轴 想多了,仔细看题,这个讨论不存在
    /*sum+=(1+2*(m-1)+1)*m/2;
    printf("%lld\n",sum);*/
//修改,样例通过,目前,算法的时间复杂度为O(n*m*(logn+logm))
//以下为O(n*m*(logn+logm))的算法。2019-6-29 16:44
#include <stdio.h>
#define LL long long
LL sum=0;
int gcd(int a,int b){
    return b?gcd(b,a%b):a;
}
int min(int a,int b){
    return a<b?a:b;
}
int main(){
    int i,j,n,m,k;
    scanf("%d%d",&n,&m);
    //对角线
    k=min(n,m);
    sum+=(1+2*(k-1)+1)*k/2;
    for(i=1;i<=m;i++)//行
        for(j=i+1;j<=n;j++){//列
            if(gcd(i,j)==1){
                k=min(m/i,n/j);
                sum+=(1+2*(k-1)+1)*k/2;
            }
        }
    for(i=1;i<=n;i++)//列
        for(j=i+1;j<=m;j++){//行
            if(gcd(i,j)==1){
                k=min(n/i,m/j);
                sum+=(1+2*(k-1)+1)*k/2;
            }
        }
    printf("%lld\n",sum);
    return 0;
}

//2005: [Noi2010]能量采集
//在线测评地址https://www.lydsy.com/JudgeOnline/problem.php?id=2005
//数据范围1 ≤ n, m ≤ 100,000,采用O(n^2)肯定超时
//不过,还是准备采用朴素算法,试试看题意是否理解正确
//试试,输入5 4输出36的例子
//以下为朴素算法
//确定共线,y1/x1=y2/x2,即y1*x2=y2*x1
//测试了样例,通过,但程序问题很多,1是算法的时间复杂度为O(n^4)
//2是y1*x2=y2*x1过程中,(10^5)^2=10^10 int要溢出,计算需采用long long
//以下为样例通过的朴素代码,提供给读者。2019-6-29 11:02
//可以考虑能AC该题的算法了,因为题意已经弄明白了。
#include <stdio.h>
int main(){
    int i,j,a,b,n,m,k,sum=0;
    scanf("%d%d",&n,&m);
    for(i=1;i<=m;i++)//行
        for(j=1;j<=n;j++){//列
            k=0;
            for(a=i-1;a>=1;a--)//行
                for(b=j-1;b>=1;b--)//列
                    if(i*b==a*j)k++;
            sum+=2*k+1;
        }
    printf("%d\n",sum);
    return 0;
}

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算法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。
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。
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。
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。
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。 、资源5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。 、资源5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。
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