【BZOJ2154】—Crash的数字表格(莫比乌斯反演+整除分块)

传送门

题意:求 ∑ i = 1 n ∑ j = 1 m l c m ( i , j ) , n , m ≤ 1 e 7 \sum_{i=1}^{n}\sum_{j=1}^{m}lcm(i,j),n,m\le1e7 i=1nj=1mlcm(i,j),n,m1e7


S o l u t i o n Solution Solution

考虑到 l c m lcm lcm无法处理,我们先变成 g c d gcd gcd的形式

a n s = ∑ i = 1 n ∑ j = 1 m i ∗ j g c d ( i , j ) ans=\sum_{i=1}^{n}\sum_{j=1}^{m}\frac {i*j}{gcd(i,j)} ans=i=1nj=1mgcd(i,j)ij

考虑枚举 g c d gcd gcd

a n s = ∑ d = 1 m i n ( n , m ) ∑ i = 1 n ∑ j = 1 m [ g c d ( i , j ) = d ] i j d ans=\sum_{d=1}^{min(n,m)}\sum_{i=1}^{n}\sum_{j=1}^{m}[gcd(i,j)=d]\frac {ij}d ans=d=1min(n,m)i=1nj=1m[gcd(i,j)=d]dij = ∑ d = 1 m i n ( n , m ) ∑ d ∣ i n ∑ d ∣ j m [ g c d ( i , j ) = d ] i j d =\sum_{d=1}^{min(n,m)}\sum_{d|i}^{n}\sum_{d|j}^{m}[gcd(i,j)=d]\frac {ij}d =d=1min(n,m)dindjm[gcd(i,j)=d]dij

i ′ = d i , j ′ = d j i'=\frac d i,j'=\frac d j i=id,j=jd(即从枚举 d d d的倍数变成枚举是 d d d的几倍)
则(为了方便仍用 i , j i,j i,j表示 i ′ , j ′ i',j' i,j)

a n s = ∑ d = 1 m i n ( n , m ) ∑ i = 1 n d ∑ j = 1 m d [ g c d ( d i , d j ) = d ] i d ∗ j d d ans=\sum_{d=1}^{min(n,m)}\sum_{i=1}^{\frac n d}\sum_{j=1}^{\frac m d}[gcd(di,dj)=d] \frac{id*jd}{d} ans=d=1min(n,m)i=1dnj=1dm[gcd(di,dj)=d]didjd = ∑ d = 1 m i n ( n , m ) d ∑ i = 1 n d ∑ j = 1 m d [ g c d ( i , j ) = 1 ] i j =\sum_{d=1}^{min(n,m)}d\sum_{i=1}^{\frac n d}\sum_{j=1}^{\frac m d}[gcd(i,j)=1]ij =d=1min(n,m)di=1dnj=1dm[gcd(i,j)=1]ij

考虑有个莫比乌斯函数的简单结论 ∑ d ∣ n μ ( d ) = [ n = = 1 ] \sum_{d|n}\mu(d)=[n==1] dnμ(d)=[n==1]

考虑的式子中有个 [ g c d ( i , j ) = 1 ] [gcd(i,j)=1] [gcd(i,j)=1]
则:

a n s = ∑ d = 1 m i n ( n , m ) d ∑ i = 1 n d ∑ j = 1 m d ∑ T ∣ g c d ( i , j ) μ ( T ) i j ans=\sum_{d=1}^{min(n,m)}d\sum_{i=1}^{\frac n d}\sum_{j=1}^{\frac m d}\sum_{T|gcd(i,j)}\mu(T)ij ans=d=1min(n,m)di=1dnj=1dmTgcd(i,j)μ(T)ij

考虑把 T T T提到前面来:

a n s = ∑ d = 1 m i n ( n , m ) d ∑ T = 1 m i n ( n d , m d ) μ ( T ) ∑ i = 1 n d ∑ j = 1 m d i j [ T ∣ g c d ( i , j ) ] ans=\sum_{d=1}^{min(n,m)}d\sum_{T=1}^{min(\frac n d,\frac m d)}\mu(T)\sum_{i=1}^{\frac n d}\sum_{j=1}^{\frac m d}ij[T|gcd(i,j)] ans=d=1min(n,m)dT=1min(dn,dm)μ(T)i=1dnj=1dmij[Tgcd(i,j)]

考虑令 i ′ = i ∗ T , j ′ = j ∗ T i'=i*T,j'=j*T i=iT,j=jT
则(同样为了方便直接用 i , j i,j i,j表示了)

a n s = ∑ d = 1 m i n ( n , m ) d ∑ T = 1 m i n ( n d , m d ) μ ( T ) ∑ i = 1 n d T ∑ j = 1 m d T i j T 2 ans=\sum_{d=1}^{min(n,m)}d\sum_{T=1}^{min(\frac n d,\frac m d)}\mu(T)\sum_{i=1}^{\frac {n}{dT}}\sum_{j=1}^{\frac{m}{dT}}ijT^2 ans=d=1min(n,m)dT=1min(dn,dm)μ(T)i=1dTnj=1dTmijT2
= ∑ d = 1 m i n ( n , m ) d ∑ T = 1 m i n ( n d , m d ) μ ( T ) T 2 ∑ i = 1 n d T ∑ j = 1 m d T i j =\sum_{d=1}^{min(n,m)}d\sum_{T=1}^{min(\frac n d,\frac m d)}\mu(T)T^2\sum_{i=1}^{\frac {n}{dT}}\sum_{j=1}^{\frac{m}{dT}}ij =d=1min(n,m)dT=1min(dn,dm)μ(T)T2i=1dTnj=1dTmij

我们发现 ∑ i = 1 n d T ∑ j = 1 m d T i j \sum_{i=1}^{\frac {n}{dT}}\sum_{j=1}^{\frac{m}{dT}}ij i=1dTnj=1dTmij这一团是可以 O ( 1 ) O(1) O(1)求的
∑ i = 1 n ∑ j = 1 m i j = n ∗ ( n + 1 ) / 2 ∗ m ∗ ( m + 1 ) / 2 \sum_{i=1}^{n}\sum_{j=1}^{m}ij=n*(n+1)/2*m*(m+1)/2 i=1nj=1mij=n(n+1)/2m(m+1)/2

μ ( T ) T 2 \mu(T)T^2 μ(T)T2可以线性筛 μ \mu μ时求出

就可以先整除分块一下 d d d,得到 n d , m d \frac n d,\frac m d dn,dm的值后在里面套一个整除分块求

∑ T = 1 m i n ( n d , m d ) μ ( T ) T 2 ∑ i = 1 n d T ∑ j = 1 m d T i j \sum_{T=1}^{min(\frac n d,\frac m d)}\mu(T)T^2\sum_{i=1}^{\frac {n}{dT}}\sum_{j=1}^{\frac{m}{dT}}ij T=1min(dn,dm)μ(T)T2i=1dTnj=1dTmij这一团

总复杂度 O ( n ∗ n ) = O ( n ) O(\sqrt n *\sqrt n)=O(n) O(n n )=O(n)

#include<bits/stdc++.h>
using namespace std;
#define int long long
inline int read(){
	char ch=getchar();
	int res=0,f=1;
	while(!isdigit(ch)){if(ch=='-')f=-f;ch=getchar();}
	while(isdigit(ch))res=(res<<3)+(res<<1)+(ch^48),ch=getchar();
	return res*f;
}
const int N=10000005;
const int mod=20101009;
int mu[N],pr[N],vis[N],sum[N],tot,ans;
inline void init(){
	mu[1]=1;
	for(int i=2;i<N;i++){
		if(!vis[i])pr[++tot]=i,mu[i]=-1;
		for(int j=1;j<=tot&&i*pr[j]<N;j++){
			vis[pr[j]*i]=1;
			if(i%pr[j]==0)break;
			mu[i*pr[j]]=-mu[i];
		}
	}
	for(int i=1;i<N;i++){
		sum[i]=(sum[i-1]+(i*i)*mu[i])%mod;
	}
	//for(int i=20;i<=30;i++)cout<<sum[i]<<'\n';
}
inline int t(int n,int m){
	return (((n*(n+1)/2)%mod)*((m*(m+1)/2)%mod)%mod);
}
inline int calc(int n,int m){
	int p=min(n,m),res=0;
	for(int i=1,nxt;i<=p;i=nxt+1){
		nxt=min(n/(n/i),m/(m/i));
		res=(res+((sum[nxt]-sum[i-1]+mod)%mod)*t(n/i,m/i)%mod)%mod;
	}
	return res;
}
signed main(){
	init();
	int n=read(),m=read();
	int p=min(n,m);
	for(int i=1,nxt;i<=p;i=nxt+1){
		nxt=min(n/(n/i),m/(m/i));
		ans=(ans+(((nxt-i+1)*(nxt+i)/2)%mod)*calc(n/i,m/i)%mod)%mod;
	}
	cout<<ans<<'\n';
}
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
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