数论分块/整除分块

P1403 [AHOI2005] 约数研究 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn)

思路:板子.

第一次写,太死板了,写了个n*sqrt(n)的,TLE了
实际上题目问的问题可以转换为在[1,n]中,每个约数出现了多少次
每个约数出现的次数为n/x
这样直接套板子就是o(sqrt(n))的.
 1  2  3  4  5  6,7  8,9,10  [11,21]---约数
21 10  7  5  4   3     2        1   ---约数个数
不能太死板了
P1403 [AHOI2005] 约数研究
https://www.luogu.com.cn/problem/P1403
void solve(){               o(sqrt(n))
    int n; cin>>n;
    int ans=0;
    int r=0;
    for(int l=1;l<=n;l=r+1){
        r=n/(n/l);
        ans+=(r-l+1)*(n/l);
    }
    cout<<ans;
}

P2424 约数和 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn)

思路:用1到Y的贡献减去1到X-1的贡献,即是X到Y的贡献.

要清楚 L是什么 和 X/L是什么
ps:本题题目为"约数和"
P2424 "约数和"
https://www.luogu.com.cn/problem/P2424
void solve(){
    int x,y; cin>>x>>y;
    int r=0,ans=0;
    for(int l=1;l<=x-1;l=r+1){          [1,x-1]的贡献
        r=(x-1)/((x-1)/l);
        ans-=(r-l+1)*(l+r)/2*((x-1)/l);   等差数列*个数
    }
    r=0;
    for(int l=1;l<=y;l=r+1){          [1,y]的贡献
        r=y/(y/l);
        ans+=(r-l+1)*(l+r)/2*(y/l);   等差数列*个数
    }
    cout<<ans;
}

P2261 [CQOI2007] 余数求和 - 洛谷 | 计算机科学教育新生态 (luogu.com.cn)

思路:

G(n,k)=∑(k%i) (i=[1,n])
化简k%i可得:ans=n*k-∑(k/i)*i   (i=[1,n])
那么∑(k/i)*i的贡献可以用数论分块求得
G(n,k)=∑(k%i) (i=[1,n])
化简k%i可得:ans=n*k-∑(k/i)*i   (i=[1,n])
那么∑(k/i)*i的贡献可以用数论分块求得
P2261 [CQOI2007] 余数求和
https://www.luogu.com.cn/problem/P2261
void solve(){
    int n,k; cin>>n>>k;
    int r=0,ans=n*k;
    for(int l=1;l<=n;l=r+1){
        if(l>k) break;   细节1:不能除以0
        r=min(n,k/(k/l));  细节2:r不能超过n,因为题目求的是l=[1,n]
        ans-=(r-l+1)*(l+r)/2*(k/l);  等差数列*(k/l)
    }
    cout<<ans;
}

K-取模_2022年中国高校计算机大赛-团队程序设计天梯赛(GPLT)上海理工大学校内选拔赛(重现赛)@IR101 (nowcoder.com)

思路:这题题意跟上一题一样,但是数据范围更大,到了1e12.就算一直取模也会爆long long,得用__int128才行.

用__int128才能ac.因为算贡献的时候已经超过long long类型的范围了.
∑(n%i) (i=[1,n])
化简得:ans=n*n-∑(n/i)*i   (i=[1,n])
取模
https://ac.nowcoder.com/acm/contest/74679/K
void solve(){
    const int mod=998244353;
    int m; cin>>m;
    __int128 n=m;
    __int128 r=0,res=n*n;
    for(int l=1;l<=n;l=r+1){
        r=n/(n/l);
        res-=(r-l+1)*(l+r)/2*(n/l)%mod,res+=mod,res%=mod;
    }
    int ans=res%mod;
    cout<<ans;
}

使用优化算法,以优化VMD算法的惩罚因子惩罚因子 (α) 和分解层数 (K)。 1、将量子粒子群优化(QPSO)算法与变分模态分解(VMD)算法结合 VMD算法背景: VMD算法是一种自适应信号分解算法,主要用于分解信号为不同频率带宽的模态。 VMD的关键参数包括: 惩罚因子 α:控制带宽的限制。 分解层数 K:决定分解出的模态数。 QPSO算法背景: 量子粒子群优化(QPSO)是一种基于粒子群优化(PSO)的一种改进算法,通过量子行为模型增强全局搜索能力。 QPSO通过粒子的量子行为使其在搜索空间中不受位置限制,从而提高算法的收敛速度与全局优化能力。 任务: 使用QPSO优化VMD中的惩罚因子 α 和分解层数 K,以获得信号分解的最佳效果。 计划: 定义适应度函数:适应度函数根据VMD分解的效果来定义,通常使用重构信号的误差(例如均方误差、交叉熵等)来衡量分解的质量。 初始化QPSO粒子:定义粒子的位置和速度,表示 α 和 K 两个参数。初始化时需要在一个合理的范围内为每个粒子分配初始位置。 执行VMD分解:对每一组 α 和 K 参数,运行VMD算法分解信号。 更新QPSO粒子:使用QPSO算法更新粒子的状态,根据适应度函数调整粒子的搜索方向和位置。 迭代求解:重复QPSO的粒子更新步骤,直到满足终止条件(如适应度函数达到设定阈值,或最大迭代次数)。 输出优化结果:最终,QPSO算法会返回一个优化的 α 和 K,从而使VMD分解效果最佳。 2、将极光粒子(PLO)算法与变分模态分解(VMD)算法结合 PLO的优点与适用性 强大的全局搜索能力:PLO通过模拟极光粒子的运动,能够更高效地探索复杂的多峰优化问题,避免陷入局部最优。 鲁棒性强:PLO在面对高维、多模态问题时有较好的适应性,因此适合海上风电时间序列这种非线性、多噪声的数据。 应用场景:PLO适合用于优化VMD参数(α 和 K),并将其用于风电时间序列的预测任务。 进一步优化的建议 a. 实现更细致的PLO更新策略,优化极光粒子的运动模型。 b. 将PLO优化后的VMD应用于真实的海上风电数据,结合LSTM或XGBoost等模型进行风电功率预测。
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