cogs 2521. 首遇lancer

2521. 首遇lancer

★☆   输入文件: lancer.in   输出文件: lancer.out    简单对比
时间限制:1 s   内存限制:256 MB


【题目背景】

第五次圣杯之战。kito乱入。

【题目描述】

    一个宁静的夜晚,kito在学校的楼顶乘凉。

   “多么美好的星空啊,可惜只有在学校才能看到。”kito发表感慨。

    天上闪过一道星光,划过天际,kito正以为看到了少有的流星,谁知一声巨响降落在楼顶。

    “哟,年轻人。”烟雾散去,是lancer

    lancer?天哪,你找我干什么,虽然我乱入了,但是我还没有servant。”kito立马认怂。

    “没事,今天不是来打架的,”lancer帅气的一笑,kito不禁看呆。

    saber还没出现,还没到我的戏份,所以闲的无聊,”lancer说,“于是就去破解教主的密码箱,但是密码太恶心了,像我这种帅气的英灵自然是不会的啦。听说你最近刚复习完数论,我来请教一下一个正整数的因数个数”。

    “枚举一下不就好了。”

    “但是它是求和啊,要求n的所有因数的的因数个数之和。”

    “……”

    “由于教主讨厌大于等于109+7的数,所以你只需要把答案对109+7取模后的值告诉我。如果你答对了,我就和你一起分享密码箱里的宝物,同时陪你一天哦~。”

   一听lancer会陪他一天,kito非常的激动,但是kito实在是太弱了,所以他只能拜托你,为了kito的幸福生活,希望你能把答案告诉他。

【输入格式】

   输入一共一行,有一个整数,为n

【输出格式】

   共一行,为 i=1 N [Nmod i==0]F[i]109+7取模的值,F[i]表示i的因数个数。

【输入样例1

   1

【输出样例1

   1

【输入样例2

10

【输出样例2

9

【数据范围】

   30%的数据满足n<=5000

   70%的数据满足n<=100000

   90%的数据满足n<=10000000
   100%
的数据满足n<=1000000000

【来源】

   Hzoi 2016


这种数学题, 一般一眼看不出答案, 那就手动模拟几个数, 再找一找规律, 一般答案就出来啦;

我们先举个例子: 把18分解:


eg: 分解 18;
primes    2, 3, 5, 7 ,,,,,
e[]           :1,  2, 0, 0  ,,,,,  


  因子          因子数 
   1  :0, 0;     1*1       (0, 0)指的是2^0 *3^0==1 下同
   3  :0, 1;     1*2
   9  :0, 2;     1*3
   2  :1, 0;     2*1
   6  :1, 1;     2*2
   18 :1, 2;    2*3

解释一下: 18的因子总共有(1, 3, 9, 2, 6, 18)这么几个;

1的因子数为1 (1*1);

3的因子数为2 (1*2);

9的因子数为3 (1*3);

慢慢地就会发现答案  ans=(0+1, 1+1...e[2]+1)*(0+1, 1+1...e[3]+1);

再由个体推广到一般   ans=ans*((1+e[i]+1)/2 * (e[i]+1) (i=0, 1, 2。。。。);  (等差数列求和公式首项1,加上末项e[i]+1, 除以2, 再乘项数e[i]+1)

完毕;

#include<iostream>
#include<cstdio>
#include<cmath>
using namespace std;

#define LL long long 

const int maxn=31623;
const int INF=0x3f3f3f3f;

LL e[maxn], ans=1;
int n, cnt;

void fj(int n) {
	for(int i=2; i<=n; i++) {
		while(n%i==0) {
			n/=i;
			e[cnt]++;
		}
		cnt++;
	}
}

int main() {
	freopen("lancer.in","r",stdin);
    freopen("lancer.out","w",stdout);
	scanf("%d", &n);
	fj(n);
	for(int i=0; i<cnt; i++) ans=ans*(e[i]+2)*(e[i]+1)/2;       //因数据太水, 此处不取模也没事;
	cout<<ans;
	return 0;
}



  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 支持向量机非线性回归通用MATLAB程序解析 #### 一、概述 本文将详细介绍一个基于MATLAB的支持向量机(SVM)非线性回归的通用程序。该程序采用支持向量机方法来实现数据的非线性回归,并通过不同的核函数设置来适应不同类型的数据分布。此外,该程序还提供了数据预处理的方法,使得用户能够更加方便地应用此程序解决实际问题。 #### 二、核心功能与原理 ##### 1. 支持向量机(SVM) 支持向量机是一种监督学习模型,主要用于分类和回归分析。对于非线性回归任务,SVM通过引入核技巧(kernel trick)将原始低维空间中的非线性问题转换为高维空间中的线性问题,从而实现有效的非线性建模。 ##### 2. 核函数 核函数的选择直接影响到模型的性能。本程序内置了三种常用的核函数: - **线性核函数**:`K(x, y) = x'y` - **多项式核函数**:`K(x, y) = (x'y + 1)^d` - **径向基函数(RBF)**:`K(x, y) = exp(-γ|x - y|^2)` 其中RBF核函数被广泛应用于非线性问题中,因为它可以处理非常复杂的非线性关系。本程序默认使用的是RBF核函数,参数`D`用于控制高斯核函数的宽度。 ##### 3. 数据预处理 虽然程序本身没有直接涉及数据预处理的过程,但在实际应用中,对数据进行适当的预处理是非常重要的。常见的预处理步骤包括归一化、缺失值处理等。 ##### 4. 模型参数 - **Epsilon**: ε-insensitive loss function的ε值,控制回归带宽。 - **C**: 松弛变量的惩罚系数,控制模型复杂度与过拟合的风险之间的平衡。 #### 三、程序实现细节 ##### 1. 函数输入与输出 - **输入**: - `X`: 输入特征矩阵,维度为(n, l),其中n是特征数量,l是样本数量。 - `Y`: 目标值向量,长度为l。 - `Epsilon`: 回归带宽。 - `C`: 松弛变量的惩罚系数。 - `D`: RBF核函数的参数。 - **输出**: - `Alpha1`: 正的拉格朗日乘子向量。 - `Alpha2`: 负的拉格朗日乘子向量。 - `Alpha`: 拉格朗日乘子向量。 - `Flag`: 标记向量,表示每个样本的类型。 - `B`: 偏置项。 ##### 2. 核心代码解析 程序首先计算所有样本间的核矩阵`K`,然后构建二次规划问题并求解得到拉格朗日乘子向量。根据拉格朗日乘子的值确定支持向量,并计算偏置项`B`。 - **核矩阵计算**:采用RBF核函数,通过`exp(-(sum((xi-xj).^2)/D))`计算任意两个样本之间的相似度。 - **二次规划**:构建目标函数和约束条件,使用`quadprog`函数求解最小化问题。 - **支持向量识别**:根据拉格朗日乘子的大小判断每个样本是否为支持向量,并据此计算偏置项`B`。 #### 四、程序扩展与优化 - **多核函数支持**:可以通过增加更多的核函数选项,提高程序的灵活性。 - **自动调参**:实现参数自动选择的功能,例如通过交叉验证选择最优的`Epsilon`和`C`值。 - **并行计算**:利用MATLAB的并行计算工具箱加速计算过程,特别是当样本量很大时。 #### 五、应用场景 该程序适用于需要进行非线性回归预测的场景,如经济预测、天气预报等领域。通过调整核函数和参数,可以有效应对各种类型的非线性问题。 ### 总结 本程序提供了一个支持向量机非线性回归的完整实现框架,通过灵活的核函数设置和参数调整,能够有效地处理非线性问题。对于需要进行回归预测的应用场景,这是一个非常实用且强大的工具。
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