poj 2115 拓展欧几里德

这个题很头疼啊,昨晚做的时候没有写出来,板子忘了,也不会推,数学是真的菜。

这个题进行分析

容易得到A + nC = B(mod 2^k)

也就是 nC = B - A(mod2^k)

就是求解模线性方程。

我们将模线性方程变形
x*C + y*2^k = B - A(mod2^k)
也就是求这个不定方程的x 最小正整数解
考虑对a*x + b*y = gcd(a,b);
如果我们用辗转相除求gcd(a,b)是这样的:

void Exgcd(ll a,ll b,ll& d,ll& x,ll& y){
    if(!b){
        d = a;x = 1;y = 0;
    }else{
        Exgcd(b,a%b,d,y,x);
        y -= x*(a/b);
    }
}
当循环到b = 0时,gcd就等于a,并且有1*a + 0*b = a。所以此时x = 1,y = 0

接着每一层和上一层的x和y都要交换,且y -= x*(a/b)。

如此我们求出了一a*x + b*y = gcd(a,b)的特解。但是本题求得是最小正整数解

我们知道假设一个特解是x0,y0。则通解是x0+k*b/gcd(a,b),y0-k*a/gcd(a,b)。(假设x0*a + y0*b = x1*a + y1*b,(x0-x1)a = (y1-y0)*b,两边同除gcd(a,b),(x0-x1)a /d= (y1-y0)*b/d。由于a/d与b/d互质,所以x0-x1一定是b/d整数倍,由此得x1 = x0+k*b/gcd(a,b))

由通解可知,每一个解的间距为b/gcd(a,b),则最小整数解一定在(0,b/gcd(a,b))内,则我们让x = (x0%b/gcd(a,b)+b/gcd(a,b))%b/gcd(a,b),就可以让它落到(0,b/gcd(a,b))内。

明白了上面的式子,这个题大概就懂了 下面附上代码,注意大小 2 的32次方,所以用long long 还有对于 1 << k 是不对的应该为 1LL << k 注意这些就差不多了

#include <iostream>
#include <cstdio>
#include <cstring>
#include <cstdlib>
#include <queue>
#include <algorithm>
using namespace std;
typedef long long LL;
LL a,b,c,k;
int flag;
LL gcd(LL a1,LL b1)
{
    if(b1 == 0)
        return a1;
    else
        return gcd(b1,a1 % b1);
}
void exgcd(LL a,LL b,LL &d,LL &x,LL &y)
{
    if(!b)
    {
        d = a;
        x = 1;
        y = 0;
    }
    else
    {
        exgcd(b,a%b,d,y,x);
        y -= x * (a / b);
    }
}
int main()
{
    freopen("in.txt","r",stdin);
    while(cin>>a>>b>>c>>k,a+b+c+k)
    {

        LL tmp = 1LL << k;
        LL t = (b + tmp - a) % tmp;
        LL g = gcd(c,tmp);

        if(t % g)
        {
            cout<<"FOREVER"<<endl;
            continue;
        }

        LL x, y,d;
        exgcd(c,-tmp,d,x,y);

        x = x * (t / d);
        LL t1 = tmp / d;
        if(t1 < 0)
            t1 = - t1;
        x = (x % t1 + t1) % t1;

    }
    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