这里写目录标题
- 快速排序
- 归并排序
- 二分
- 高精度[暂放]
- 前缀和与差分
- 双指针算法
- 位运算
- 离散化
- 合并区间
- 单链表
- 双链表
- 栈
- 队列
- 单调栈
- 单调队列
- KMP
- Trie树
- 并查集
- 堆[暂放]
- 一般哈希
- 字符串哈希[字符串利器]
- STL
- 树与图的存储
- 树与图的遍历
- 拓扑排序
- 最短路总结:
- 朴素dijkstra算法
- 堆优化版dijkstra
- Bellman-Ford算法
- ~~Bellman-Ford判负环~~
- spfa 算法(队列优化的Bellman-Ford算法)
- spfa判负环
- floyd算法
- 最小生成树总结:
- 朴素版prim算法
- Kruskal算法
- 二分图总结:
- 染色法判别二分图
- 匈牙利算法
- 试除法判定质数
- 试除法分解质因数
- 朴素筛法求素/质数
- 线性筛法求素/质数(推荐)
- 试除法求所有约数
- 约数个数、约数之和
- 欧几里得算法
- 求欧拉函数
- 筛法求欧拉函数
- 快速幂
- 扩展欧几里得算法
- 高斯消元
- 递推法求组合数
- 通过预处理逆元的方式求组合数
- Lucas定理
- 分解质因数法求组合数
- 卡特兰数
快速排序
快速排序思路:
1.确定分界点,一般取mid=a[i+j>>1];
2.调整区间,即左边<=mid,右边>=mid
3.递归两边qs(a,l,j),qs(a,j+1,r);
时间复杂度: NlogN
void QuickSort(int a[],int l,int r)
{
if(l>=r)return ;
int i=l-1,j=r+1,mid=a[(i+j)/2];
while(i<j)
{
do i++;while(a[i]<mid);//找到大于等于mid的a[i]
do j--;while(a[j]>mid);//找到小于等于mid的a[j]
if(i<j)swap(a[i],a[j]);
}
QuickSort(a,l,j),QuickSort(a,j+1,r);
}
快速排序应用:第k个数
寻找第k小(大)的数,以第k小为例,划分区间:[L,J][J+1,R]
。leftCount=J - L + 1,若左区间的个数 leftCount>= k ,即第k个数在左侧;否则就在右侧,k变为 k - leftCount。
1.快速排序的思想
2.递归结束条件:if(l>=r)return a[l];
3.左右递归:k<=sl递归左,k>sl递归右
时间复杂度: N
int QuickSort(int a[],int l,int r,int k)
{
if(l>=r)return a[l];
int i=l-1,j=r+1,mid=a[(i+j)/2];
while(i<j)
{
do i++;while(a[i]<mid);
do j--;while(a[j]>mid);
if(i<j)swap(a[i],a[j]);
}
int leftCount = j-l+1;
if(leftCount>=k) return QuickSort(a,l,j,k);//左区间个数>=k,在左区间
else return QuickSort(a,j+1,r,k-leftCount);//左区间个数<k,在右区间
}
归并排序
归并排序思路:
1.递归的终止情况
2.递归处理子问题 MergeSort(a,l,mid),MergeSort(a,mid+1,r)
3.合并子问题
时间复杂度: NlogN
注:temp[]数组复制到a[]数组是必须的,回到上一层调用函数时,需要让a[]数组对应的位置有序。
void MergeSort(int a[],int l,int r)
{
if(l>=r)return ;//递归终止
int mid = (l+r)/2;
MergeSort(a,l,mid),MergeSort(a,mid+1,r);//递归子问题
//合并子问题
int i=l,j=mid+1,k=0,temp[N];
while(i<=mid&&j<=r)
{
if(a[i]<=a[j])temp[k++]=a[i++];
else temp[k++]=a[j++];
}
while(i<=mid)temp[k++]=a[i++];
while(j<=r)temp[k++]=a[j++];
for(i=l,k=0;i<=r;i++,k++)a[i]=temp[k];
}
归并排序应用:逆序对的数量
1.将逆序对分成三类:A两个元素都在左边;B两个元素都在右边;C两个元素一个在左一个在右;
2.这个时候我们注意到一个很重要的性质,左右半边的元素在各自任意调换顺序,是不影响第三步计数的,因此我们可以数完就给它排序。这么做的好处在于,如果序列是有序的,会让第三步计数很容易。
时间复杂度: NlogN
long long MergeSort(int a[],int l,int r)
{
if(l>=r)return 0;//递归终止返回0
int mid = l+r>>1;
long long res = MergeSort(a,l,mid)+MergeSort(a,mid+1,r);//都在左+都在右
int i=l,j=mid+1,k=0;
int temp[N];
while(i<=mid&&j<=r)
{
if(a[i]<=a[j])temp[k++]=a[i++];
//一个在左、一个在右 前数字>后数字
else
{
temp[k++]=a[j++];
res = res + mid-i+1;//左部分a[i]已经>a[j],所以a[i]之后的都是大于a[j]
}
}
while(i<=mid)temp[k++]=a[i++];
while(j<=r)temp[k++]=a[j++];
for(i=l,k=0;i<=r;i++,k++)a[i]=temp[k];
return res;
}
二分
整数二分
前提:只要数组能够满足某一条件而被分成两边就可以二分。
注意:男左(+1)女右(+0)
(1)mid = l + r >> 1,寻找的是第一个大于等于x的数【右区间最左边的点】
(2)mid = l + r + 1 >> 1,寻找的是第一个小于等于x的数【左区间最右边的点】
时间复杂度:logN
bool check(int x) {/* ... */} // 检查x是否满足某种性质
// 区间[l, r]被划分成[l, mid]和[mid + 1, r]时使用:【右区间最左边的点】
int bsearch_1(int l, int r)
{
while (l < r)
{
int mid = l + r >> 1;
if (checkRight(mid)) r = mid;//checkRight(mid)右边性质
else l = mid + 1;
}
return l;
}
// 区间[l, r]被划分成[l, mid - 1]和[mid, r]时使用:【左区间最右边的点】
int bsearch_2(int l, int r)
{
while (l < r)
{
int mid = l + r + 1 >> 1;
if (checkLeft(mid)) l = mid;//checkLeft(mid)左边性质
else r = mid - 1;
}
return l;
}
浮点数二分
注意事项:一定要是double类型,不能是float类型,否则会超时
bool check(double x) {/* ... */} // 检查x是否满足某种性质
double bsearch_3(double l, double r)
{
const double eps = 1e-6; // eps 表示精度,取决于题目对精度的要求
//题目要求保留两位小数,则eps取1e-4(比题目多两位)
while (r - l > eps)
{
double mid = (l + r) / 2;
if (check(mid)) r = mid;
else l = mid;
}
return l;
}
高精度[暂放]
高精度加法
// C = A + B, A >= 0, B >= 0
vector<int> add(vector<int> &A, vector<int> &B)
{
if (A.size() < B.size()) return add(B, A);
vector<int> C;
int t = 0;
for (int i = 0; i < A.size(); i ++ )
{
t += A[i];
if (i < B.size()) t += B[i];
C.push_back(t % 10);
t /= 10;
}
if (t) C.push_back(t);
return C;
}
高精度减法
// C = A - B, 满足A >= B, A >= 0, B >= 0
vector<int> sub(vector<int> &A, vector<int> &B)
{
vector<int> C;
for (int i = 0, t = 0; i < A.size(); i ++ )
{
t = A[i] - t;
if (i < B.size()) t -= B[i];
C.push_back((t + 10) % 10);
if (t < 0) t = 1;
else t = 0;
}
while (C.size() > 1 && C.back() == 0) C.pop_back();
return C;
}
高精度乘低精度
// C = A * b, A >= 0, b >= 0
vector<int> mul(vector<int> &A, int b)
{
vector<int> C;
int t = 0;
for (int i = 0; i < A.size() || t; i ++ )
{
if (i < A.size()) t += A[i] * b;
C.push_back(t % 10);
t /= 10;
}
while (C.size() > 1 && C.back() == 0) C.pop_back();
return C;
}
高精度除以低精度
// A / b = C ... r, A >= 0, b > 0
vector<int> div(vector<int> &A, int b, int &r)
{
vector<int> C;
r = 0;
for (int i = A.size() - 1; i >= 0; i -- )
{
r = r * 10 + A[i];
C.push_back(r / b);
r %= b;
}
reverse(C.begin(), C.end());
while (C.size() > 1 && C.back() == 0) C.pop_back();
return C;
}
前缀和与差分
前缀和:求区间和、求区域和
一维前缀和:数组下标[1]开始
S[i] = a[1] + a[2] + ... a[i]
S[i] = S[i - 1] + a[i] //求前i个数的和
a[l] + ... + a[r] = S[r] - S[l - 1] //求[l, r]的和
二维前缀和:数组下标[1,1]开始
S[i, j]含义:第i行j列格子左上部分所有元素的和([1,1]到[i,j]之间的和)
S[i, j] = S[i-1, j] + S[i, j-1] - S[i-1, j-1] + a[i, j]//第i行j列格子左上所有元素的和
以(x1, y1)为左上角,(x2, y2)为右下角的子矩阵的和为:
S[x2, y2] - S[x1 - 1, y2] - S[x2, y1 - 1] + S[x1 - 1, y1 - 1]
差分:使区间元素都加C、使区域元素都加C
一维差分:数组下标[1]开始
思路:1.求差分数组:dif[i]=a[i]-a[i-1] ;
2.改变差分数组:dif[l]=dif[l]+c ; dif[r+1]=dif[r+1]-c ;
3.求原数组:a[i]=a[i-1]+dif[i];
给区间[l, r]中的每个数加上c:
dif[l] += c,
dif[r + 1] -= c
二维差分:数组下标[1,1]开始
思路:1.求差分数组:func(i,j,i,j,a[i][j]);
2.改变差分数组:func(x1,y1,x2,y2,c);
3.求原数组:a[i][j] = a[i - 1][j] + a[i][j - 1] - a[i - 1][j - 1] + dif[i][j];
给以(x1, y1)为左上角,(x2, y2)为右下角的子矩阵中的所有元素加上c:
dif[x1, y1] += c,
dif[x2 + 1, y1] -= c,
dif[x1, y2 + 1] -= c,
dif[x2 + 1, y2 + 1] += c
双指针算法
时间复杂度:O(N)
for (int i = 0, j = 0; i < n; i ++ )
{
while (j < i && check(i, j)) j ++ ;
// 具体问题的逻辑
}
常见问题分类:
(1) 对于一个序列,用两个指针维护一段区间(快指针i,慢指针j)
(2) 对于两个序列,维护某种次序,比如归并排序中合并两个有序序列的操作(两个指针,要么同方向移 动,要么相反方向,要看题目)
位运算
求n的第k位数字: n >> k & 1
例:4=100 最右边是第0位,k要从0开始
返回n的最后一位1:lowbit(n) = n & -n
例:10=1010 lowbit(10)=2=10
离散化
思路:将大下标映射成小下标
数值 [3, 6, 1, 4, 9]
大下标 [1, 10, 100, 1500, 9999]
小下标 [1, 2, 3, 4, 5]
alls存放大下标,然后alls排序+去重,当使用到大下标时,使用二分返回小下标的值。即alls[1]->a[1],alls[10]->a[2],alls[100]->a[3]…
vector<int> alls; // 存储所有待离散化的值
sort(alls.begin(), alls.end()); // 将所有值排序
alls.erase(unique(alls.begin(), alls.end()), alls.end()); // 去掉重复元素
// 二分求出x对应的离散化的值
int find(int x) // 找到第一个大于等于x的位置
{
int l = 0, r = alls.size() - 1;
while (l < r)
{
int mid = l + r >> 1;
if (alls[mid] >= x) r = mid;
else l = mid + 1;
}
return r + 1; // 映射到1, 2, ...n
}
合并区间
思路:先按左端点排序,再维护一个区间A,与后面一个个区间B进行三种情况的比较,更新st,ed值。
区间A:[5,10] | st=5,ed=10 | |
---|---|---|
情况1:区间B:[6,9] | st=5,ed=max(9,10)=10 | 更新ed |
情况2:区间B:[6,11] | st=5,ed=max(10,11)=11 | 更新ed |
情况3:区间B:[12,13] | 区间A加入res, 更新st=12,ed=13 | 更新st,ed |
合并情况1+情况2 ==> ed =max(ed,segs[i].second);
情况3 ==>区间A加入res,st=segs[i].first,ed=segs[i].second;
// 将所有存在交集的区间合并
void merge(vector<PII> &segs)
{
sort(segs.begin(),segs.end());
vector<PII> res;
int st=segs[0].first,ed=segs[0].second;//第一个区间
for (int i = 1; i < segs.size(); i ++ )//处理中间[2...n-1]区间
{
if(ed<segs[i].first)
{
res.push_back({st,ed});
st=segs[i].first,ed=segs[i].second;
}
else
{
ed=max(ed,segs[i].second);
}
}
res.push_back({st,ed});//处理最后一个区间
segs=res;
}
单链表
[注意:]第一次插入、第二次插入、第三次插入分别对应idx=0,idx=1,idx=2
// head存储链表头,e[]存储节点的值,ne[]存储节点的next指针,idx表示当前用到了哪个节点
int head, e[N], ne[N], idx;
// 初始化
void init()
{
head=-1;
idx=0;
}
// 在链表头插入一个数x
void add_head(int x)
{
e[idx]=x;
ne[idx] = head;
head = idx;
idx++;
}
//idx=k的点之后插入一个数x
void add(int k,int x)
{
e[idx]=x;
ne[idx] = ne[k];
ne[k]=idx;
idx++;
}
// 将头结点删除,需要保证头结点存在
void remove_head()
{
head=ne[head];
}
//删除idx=k的点
void remove(int k)
{
ne[k]=ne[ne[k]];
}
双链表
[注意:]第一次插入、第二次插入、第三次插入分别对应idx=2,idx=3,idx=4
// e[]表示节点的值,l[]表示节点的左指针,r[]表示节点的右指针,idx表示当前用到了哪个节点
int l[N],r[N],e[N],idx;
// 初始化
void init()
{
r[0]=1,l[1]=0,idx=2;//0是左端点,1是右端点
}
//idx=k的结点后插入
void add(int k,int x)
{
e[idx]=x;
l[idx]=k;
r[idx]=r[k];
l[r[k]]=idx;
r[k]=idx;
idx++;
}
//删除idx=k的结点
void remove(int k)
{
l[r[k]]=l[k];
r[l[k]]=r[k];
}
栈
// tt表示栈顶
int stk[N], tt = 0;
// 向栈顶插入一个数,从stk[1]开始
stk[ ++ tt] = x;
// 从栈顶弹出一个数
tt -- ;
// 栈顶的值
stk[tt];
// 判断栈是否为空,如果 tt > 0,则表示不空
if (tt > 0)
{
}
stack, 栈
size()
empty()
push() 向栈顶插入一个元素
top() 返回栈顶元素
pop() 弹出栈顶元素
队列
1.普通队列:
// hh 表示队头,tt表示队尾
int q[N], hh = 0, tt = -1;
// 向队尾插入一个数
q[ ++ tt] = x;
// 从队头弹出一个数
hh ++ ;
// 队头的值
q[hh];
// 判断队列是否为空,如果 hh <= tt,则表示不为空
if (hh <= tt)
{
}
queue, 队列
size()
empty()
push() 向队尾插入一个元素
front() 返回队头元素
back() 返回队尾元素
pop() 弹出队头元素
2.循环队列
// hh 表示队头,tt表示队尾的后一个位置
int q[N], hh = 0, tt = 0;
// 向队尾插入一个数
q[tt ++ ] = x;
if (tt == N) tt = 0;
// 从队头弹出一个数
hh ++ ;
if (hh == N) hh = 0;
// 队头的值
q[hh];
// 判断队列是否为空,如果hh != tt,则表示不为空
if (hh != tt)
{
}
单调栈
常见模型:找出每个数左边离它最近的比它大/小的数
stack<int> st;
for(int i=1;i<=n;i++)
{
//出栈:栈顶一定不会作为答案输出
while(!st.empty()&&check(st.top(),i))st.pop();
//入栈
st.push(i);
//a[st.top()]就是答案
}
int st[N],tt=0;
for(int i=1;i<=n;i++)
{
while(tt&&check(st[tt],i))tt--;
st[++tt]=i;
//a[st[tt]]就是答案
}
//找出数左边离它最近的比它小的数
bool check(int top_i,int i)
{
return a[top_i]>=a[i] ? true : false ;
}
单调队列
常见模型:找出滑动窗口中的最大值/最小值
deque<int> q;
for(int i=0;i<n;i++)
{
//弹出队头:队头滑出窗口
if(!q.empty()&&check_out(q.front(),i)) q.pop_front();
//弹出队尾:队尾一定不会作为答案输出
while(!q.empty()&&check(q.back(),i)) q.pop_back();
//入队尾
q.push_back(i);
//a[q.front()]就是答案
}
int hh = 0, tt = -1;
for (int i = 0; i < n; i ++ )
{
while (hh <= tt && check_out(q[hh],i)) hh ++ ;
while (hh <= tt && check(q[tt], i)) tt -- ;
q[ ++ tt] = i;
//a[q[tt]]就是答案
}
//找出滑动窗口中的最小值
bool check(int back_i,int i)
{
return a[back_i]>a[i] ? true : false ;
}
KMP
// s[]是长文本,p[]是模式串,n是s的长度,m是p的长度,字符串s、p下标1开始
//求模式串的Next数组:
for (int i = 2, j = 0; i <= m; i ++ )
{
while (j && p[i] != p[j + 1]) j = ne[j];
if (p[i] == p[j + 1]) j ++ ;
ne[i] = j;
}
// 匹配
for (int i = 1, j = 0; i <= n; i ++ )
{
while (j && s[i] != p[j + 1]) j = ne[j];
if (s[i] == p[j + 1]) j ++ ;
if (j == m)
{
j = ne[j];
// 匹配成功后的逻辑
}
}
Trie树
Trie树又称字典树、单词查找树。是一种能够高效存储和查找字符串集合的数据结构。
Son[p][u]
的含义:
1.p的含义:父节点编号p
2.u的含义:子节点存储字母u
3.son[p][u]
的含义:子节点存储字母u的节点编号
应用:Trie字符串统计、最大异或对
int son[N][26], cnt[N], idx=0;
// 0号点既是根节点,又是空节点
// son[][]存储树中每个节点的子节点
// cnt[]存储以每个节点结尾的单词数量
// 插入一个字符串
void insert(char *str)
{
int p = 0;
for (int i = 0; str[i]; i ++ )
{
int u = str[i] - 'a';
if (!son[p][u]) son[p][u] = ++ idx;//没路就创建
p = son[p][u];//有路就走
}
cnt[p] ++ ;
}
// 查询字符串出现的次数
int query(char *str)
{
int p = 0;
for (int i = 0; str[i]; i ++ )
{
int u = str[i] - 'a';
if (!son[p][u]) return 0;//没路就结束
p = son[p][u];//有路就走
}
return cnt[p];
}
并查集
(1)朴素并查集:
int p[N]; //存储每个点的祖宗节点
// 返回x的祖宗节点
int find(int x)
{
if (p[x] != x) p[x] = find(p[x]);
return p[x];
}
// 初始化,假定节点编号是1~n
for (int i = 1; i <= n; i ++ ) p[i] = i;
// 合并a和b所在的两个集合:pa为pb的子节点
p[find(a)] = find(b);
(2)维护size的并查集:
int p[N], size[N];
//p[]存储每个点的祖宗节点, size[]只有祖宗节点的有意义,表示祖宗节点所在集合中的点的数量
// 返回x的祖宗节点
int find(int x)
{
if (p[x] != x) p[x] = find(p[x]);
return p[x];
}
// 初始化,假定节点编号是1~n
for (int i = 1; i <= n; i ++ )
{
p[i] = i;
size[i] = 1;
}
// 合并a和b所在的两个集合:siz[find(a)]是a所在集合的个数
size[find(b)] += size[find(a)];
p[find(a)] = find(b);
(3)维护到祖宗节点距离的并查集:
int p[N], d[N];
//p[]存储每个点的祖宗节点, d[x]存储x到p[x]的距离
// 返回x的祖宗节点
int find(int x)
{
if (p[x] != x)
{
int u = find(p[x]);
d[x] += d[p[x]];
p[x] = u;
}
return p[x];
}
// 初始化,假定节点编号是1~n
for (int i = 1; i <= n; i ++ )
{
p[i] = i;
d[i] = 0;
}
// 合并a和b所在的两个集合:
p[find(a)] = find(b);
// 根据具体问题,初始化a集合根节点==find(a)的偏移量
d[find(a)] = distance;
堆[暂放]
// h[N]存储堆中的值, h[1]是堆顶,x的左儿子是2x, 右儿子是2x + 1
// ph[k]存储第k个插入的点在堆中的位置
// hp[k]存储堆中下标是k的点是第几个插入的
int h[N], ph[N], hp[N], size;
// 交换两个点,及其映射关系
void heap_swap(int a, int b)
{
swap(ph[hp[a]],ph[hp[b]]);
swap(hp[a], hp[b]);
swap(h[a], h[b]);
}
void down(int u)
{
int t = u;
if (u * 2 <= size && h[u * 2] < h[t]) t = u * 2;
if (u * 2 + 1 <= size && h[u * 2 + 1] < h[t]) t = u * 2 + 1;
if (u != t)
{
heap_swap(u, t);
down(t);
}
}
void up(int u)
{
while (u / 2 && h[u] < h[u / 2])
{
heap_swap(u, u / 2);
u >>= 1;
}
}
// O(n)建堆
for (int i = n / 2; i; i -- ) down(i);
一般哈希
(1) 拉链法
int h[N], e[N], ne[N], idx;//N:大于数据范围的第一个质数
memset(h, -1, sizeof h);
// 向哈希表中插入一个数
void insert(int x)
{
int k = (x % N + N) % N;
e[idx] = x;
ne[idx] = h[k];
h[k] = idx ++ ;
}
// 在哈希表中查询某个数是否存在
bool find(int x)
{
int k = (x % N + N) % N;
for (int i = h[k]; i != -1; i = ne[i])
if (e[i] == x)
return true;
return false;
}
(2) 开放寻址法
int h[N];//N:大于数据范围2~3倍的第一个质数
memset(h, 0x3f, sizeof h);
// 如果x在哈希表中,返回x的下标;如果x不在哈希表中,返回x应该插入的位置
int find(int x)
{
int t = (x % N + N) % N;
//const int null = 0x3f3f3f3f;
while (h[t] != null && h[t] != x)
{
t ++ ;
if (t == N) t = 0;
}
return t;
}
字符串哈希[字符串利器]
核心思想:将字符串看成P进制数,P的经验值是131或13331,取这两个值的冲突概率低
小技巧:取模的数用2^64,这样直接用unsigned long long存储,溢出的结果就是取模的结果
typedef unsigned long long ULL;
ULL h[N], p[N]; // h[k]存储字符串前k个字母的哈希值, p[k]存储 P^k mod 2^64
// 初始化 字符串下标1开始
p[0] = 1;
for (int i = 1; i <= n; i ++ )
{
h[i] = h[i - 1] * P + str[i];
p[i] = p[i - 1] * P;
}
// 计算子串 str[l ~ r] 的哈希值
ULL get(int l, int r)
{
return h[r] - h[l - 1] * p[r - l + 1];
}
STL
vector, 变长数组,倍增的思想
size() 返回元素个数
empty() 返回是否为空
clear() 清空
front()/back()
push_back()/pop_back()
begin()/end()
[]
支持比较运算,按字典序
pair<int, int>
first, 第一个元素
second, 第二个元素
支持比较运算,以first为第一关键字,以second为第二关键字(字典序)
string,字符串
size()/length() 返回字符串长度
empty()
clear()
substr(起始下标,(子串长度)) 返回子串
c_str() 返回字符串所在字符数组的起始地址
queue, 队列
size()
empty()
push() 向队尾插入一个元素
front() 返回队头元素
back() 返回队尾元素
pop() 弹出队头元素
priority_queue, 优先队列,默认是大根堆
size()
empty()
push() 插入一个元素
top() 返回堆顶元素
pop() 弹出堆顶元素
定义成小根堆的方式:priority_queue<int, vector<int>, greater<int>> q;
stack, 栈
size()
empty()
push() 向栈顶插入一个元素
top() 返回栈顶元素
pop() 弹出栈顶元素
deque, 双端队列
size()
empty()
clear()
front()/back()
push_back()/pop_back()
push_front()/pop_front()
begin()/end()
[]
set, map, multiset, multimap, 基于平衡二叉树(红黑树),动态维护有序序列
size()
empty()
clear()
begin()/end()
++, -- 返回前驱和后继,时间复杂度 O(logn)
set/multiset
insert() 插入一个数
find() 查找一个数
count() 返回某一个数的个数
erase()
(1) 输入是一个数x,删除所有x O(k + logn)
(2) 输入一个迭代器,删除这个迭代器
lower_bound()/upper_bound()
lower_bound(x) 返回大于等于x的最小的数的迭代器
upper_bound(x) 返回大于x的最小的数的迭代器
map/multimap
insert() 插入的数是一个pair
erase() 输入的参数是pair或者迭代器
find()
[] 注意multimap不支持此操作。 时间复杂度是 O(logn)
lower_bound()/upper_bound()
unordered_set, unordered_map, unordered_multiset, unordered_multimap, 哈希表
和上面类似,增删改查的时间复杂度是 O(1)
不支持 lower_bound()/upper_bound(), 迭代器的++,--
bitset, 圧位
bitset<10000> s;
~, &, |, ^
>>, <<
==, !=
[]
count() 返回有多少个1
any() 判断是否至少有一个1
none() 判断是否全为0
set() 把所有位置成1
set(k, v) 将第k位变成v
reset() 把所有位变成0
flip() 等价于~
flip(k) 把第k位取反
树与图的存储
树是一种特殊的图,与图的存储方式相同。
对于无向图中的边ab,存储两条有向边a->b, b->a。
因此我们可以只考虑有向图的存储。
(1) 邻接矩阵-稠密图(m=n):g[a][b]
存储边a->b
(2) 邻接表-稀疏图(m=$n^2\$):
// N个顶点、M条边
int h[N], e[M], ne[M], w[M], idx;
// 添加一条边a->b
void add(int a, int b)
{
e[idx] = b, ne[idx] = h[a], h[a] = idx ++ ;
}
// 添加一条边a->b,权重c
void add(int a, int b, int c)
{
e[idx] = b, ne[idx] = h[a], w[idx] = c, h[a] = idx ++ ;
}
// 初始化
idx = 0;
memset(h, -1, sizeof h);//只有0、-1、0x3f、true、false能准确赋值
树与图的遍历
时间复杂度 O(n+m), n表示点数,m表示边数
(1) 深度优先遍历
应用:
int dfs(int u)
{
st[u] = true; // st[u] 表示点u已经被遍历过
for (int i = h[u]; i != -1; i = ne[i])
{
int j = e[i];
if (!st[j]) dfs(j);
}
}
(2) 宽度优先遍历
846.图中点的层次:给的是add(a,b)边关系=>遍历邻接表
844.走迷宫:给得是地图=>遍历地图
邻接表:
queue<int> q;
st[1] = true; // 表示1号点已经被遍历过
q.push(1);
while (q.size())
{
int t = q.front();
q.pop();
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (!st[j])
{
st[j] = true; // 表示点j已经被遍历过
q.push(j);
//具体逻辑
}
}
}
地图:
queue<pair<int,int>>q;
st[0][0]=true;
q.push({0,0});
while(!q.empty())
{
auto t=q.front();
q.pop();
for(int i=0;i<4;i++)
{
int x=t.first+dx[i];
int y=t.second+dy[i];
if(!st[x][y]&& XXX )
{
st[x][y]=true;
q.push({x,y});
//具体逻辑
}
}
}
拓扑排序
时间复杂度 O(n+m), n 表示点数,m表示边数
应用:拓扑序列、判定有向图是否有环
bool topsort()
{
// d[i] 存储点i的入度
queue<int> q;
for(int i = 1;i <= n; i ++)
if(!d[i])
q.push(i);
while (!q.empty())
{
int t = q.front();
q.pop();
//将队列队头元素加入top[],初始化cnt=0
top[cnt++]=t;
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (-- d[j] == 0)
q.push(j);
}
}
// 如果所有点都入队了,说明存在拓扑序列;否则不存在拓扑序列。
return cnt == n ;
}
最短路总结:
优先使用spfa,不行,就堆优化dijkstra算法
(1)邻接矩阵存储需要处理自环、重边(仅朴素dijkstra算法、floyd算法):
//1.初始化
for(int i = 1; i <= n; i++)
for(int j = 1; j <= n; j++)
if(i == j) d[i][j] = 0;
else d[i][j] = INF;
2.//数据输入时处理自环、重边
if(a==b)g[a][b]=0;//自环
else g[a][b]=min(g[a][b],w);//重边
(2)邻接表、结构体存储不需要处理自环、重边
朴素Dijkstra算法:
- 适用范围:所有边正权、稠密图、m=n^2
- 时间复杂度:O(n)
- 如何存储:邻接矩阵+处理自环和重边
思路:
集合S:当前已经确定最短距离得点
1.dist[1]=0,dist[i]=正无穷 其中i!=1
2.循环for(1~n)次
2.1 t <- 没有确定最短路径的节点[不在集合S中的点]中距离源点最近的点;
2.2 将 t 加入集合 S
2.3 更新 dist;
堆优化Dijkstra:
- 适用范围:所有边正权、稀疏图、m=n
- 时间复杂度:O(m log(n) )
- 如何存储:邻接表
优化点:堆优化版的dijkstra是对朴素版dijkstra优化,在朴素版dijkstra中时间复杂度最高的2.1步骤寻找距离最短点O(n^2)可以使用最小堆优化。
1.dist[1]=0,dist[i]=正无穷 其中i!=1
2. 将一号点放入堆中,不断循环,直到堆空
2.1 弹出堆顶,即最短距离。
2.2 判断堆顶元素是否在集合S中,在,continue,不在,进行2.3
2.3 用该点更新临界点的距离,若更新成功就加入到堆中。
Bellman-ford算法:
(1)负权求最短路:最多经过 k 条边的最短距离**(可以存在负环)**
- 适用范围:负权、最多经过 k 条边、可以负环
- 时间复杂度:O(nm)
- 如何存储:邻接表
优化点:从dijkstra算法的由点找边变为Bellman算法的直接遍历边来更新值,其用来处理限制边数的相关问题,整体过程如下:
1.限制要走的边数
2.备份上一轮更新后的距离
2.遍历所有边,并且用走的边来更新距离,但是要注意的是更新距离的时候要使用备份距离数据
(2)判负环(不推荐使用)
- 适用范围:判负环
- 时间复杂度:O(nm)
- 如何存储:邻接表
spfa算法:
(1)负权求最短路
- 适用范围:负权、不可以负环
- 时间复杂度:平均情况O(m) 最坏情况O(nm)
- 如何存储:邻接表
优化点:bellman算法是遍历所有边,无论该边之前的距离是否发生改变,spfa算法就根据这一点进行优化,只有前面的边的最短距离发生变化,其后面跟着的边最短距离才可能发生变化,用queue存dist变小的点。
spfa算法的st数组不再像dijkstra算法用于标记该点的最短距离是否已经确定,而是标记该点的距离是否发生了变化,发生了变化就要入队用其更新后面点的最短距离。
(2)判负环(推荐使用)
- 适用范围:判负环
- 时间复杂度:O(nm)
- 如何存储:邻接表
floyd算法:
- 适用范围:多源最短路问题、可以负权、不能负环
- 时间复杂度:O(n^3)
- 如何存储:邻接矩阵+处理自环和重边
朴素dijkstra算法
适用:稠密图m=$n^2\ , 邻接矩阵 [ 需要处理自环、重边 ] 时间复杂度 O ( ,邻接矩阵[需要处理自环、重边] 时间复杂度 O( ,邻接矩阵[需要处理自环、重边]时间复杂度O(n2\$+m)=O($n2\ + + +n2\$)=O($n2\$), n 表示点数,m表示边数
int g[N][N]; // 存储每条边
int dist[N]; // 存储1号点到每个点的最短距离
bool st[N]; // 存储每个点的最短路是否已经确定
// 求1号点到n号点的最短路,如果不存在则返回-1
int dijkstra()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
for (int i = 1; i <= n ; i ++ )
{
int t = -1; // 在还未确定最短路的点中,寻找距离最小的点
for (int j = 1; j <= n; j ++ )
if (!st[j] && (t == -1 || dist[t] > dist[j]))
t = j;
// 用t更新其他点的距离
for (int j = 1; j <= n; j ++ )
dist[j] = min(dist[j], dist[t] + g[t][j]);
st[t] = true;
}
if (dist[n] == 0x3f3f3f3f) return -1;
return dist[n];
}
堆优化版dijkstra
适用:稀疏图m=n,邻接表
时间复杂度 O(mlogn), n表示点数,m 表示边数
typedef pair<int, int> PII;
int n; // 点的数量
int h[N], w[N], e[N], ne[N], idx; // 邻接表存储所有边
int dist[N]; // 存储所有点到1号点的距离
bool st[N]; // 存储每个点的最短距离是否已确定
// 求1号点到n号点的最短距离,如果不存在,则返回-1
int dijkstra()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
priority_queue<PII, vector<PII>, greater<PII>> heap;
heap.push({0, 1});// first存储距离,second存储节点编号
while (heap.size())
{
auto t = heap.top();
heap.pop();
int ver = t.second, distance = t.first;
//优先队列中会存在冗余信息,一个点更新(存入)两次dist
if (st[ver]) continue;
st[ver] = true;
for (int i = h[ver]; i != -1; i = ne[i])
{
int j = e[i];
if (dist[j] > distance + w[i])
{
dist[j] = distance + w[i];
heap.push({dist[j], j});
}
}
}
if (dist[n] == 0x3f3f3f3f) return -1;
return dist[n];
}
Bellman-Ford算法
适用:最多经过 k 条边的最短距离**(可以存在负环)**
时间复杂度 O(nm), n表示点数,m 表示边数
//最多经过 k 条边的最短距离
int n, m; // n表示点数,m表示边数
int dist[N],backup[N]; // dist[x]存储1到x的最短路距离
struct Edge // 边,a表示出点,b表示入点,w表示边的权重
{
int a, b, w;
}edges[M];
// 求1到n的最短路距离,如果无法从1走到n,则返回0x3f3f3f3f。
int bellman_ford()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
for(int i=1;i<=k;i++)
{
memcpy(backup,dist,sizeof dist);
for(int j=1;j<=m;j++)
{
int a=edg[j].a,b=edg[j].b,w=edg[j].w;
if(dist[b]>backup[a]+w)
{
dist[b] = backup[a]+w;
}
}
}
if (dist[n] > 0x3f3f3f3f / 2) return 0x3f3f3f3f;
return dist[n];
}
Bellman-Ford判负环
适用:判断负环(不推荐使用Bellman-ford判负环、推荐spfa)
时间复杂度 O(nm), n表示点数,m 表示边数
int dist[N],backup[N];
struct
{
int a,b,w;
}edg[N];
int bellman_ford()
{
memset(dist,0x3f,sizeof dist);
dist[1]=0;
bool flag;
// 如果第n次迭代仍然会松弛三角不等式,就说明存在一条长度是n+1的最短路径,由抽屉原理,路径中至少存在两个相同的点,说明图中存在负权回路。
for(int i=1;i<=n;i++)
{
flag = false;
memcpy(backup,dist,sizeof dist);
for(int j=1;j<=m;j++)
{
int a=edg[j].a,b=edg[j].b,w=edg[j].w;
if(dist[b]>backup[a]+w)
{
dist[b]=backup[a]+w;
flag = true;
}
}
}
if(flag)return 1;//有负环
else return 0;//无负环
}
spfa 算法(队列优化的Bellman-Ford算法)
适用:存在负权边求最短距离**(不能存在负环)**
时间复杂度 平均情况O(m) 最坏情况O(nm) , n表示点数,m 表示边数
int n; // 总点数
int h[N], w[M], e[M], ne[M], idx; // 邻接表存储所有边
int dist[N]; // 存储每个点到1号点的最短距离
bool st[N]; // 存储每个点是否在队列中
// 求1号点到n号点的最短路距离,如果从1号点无法走到n号点则返回-1
int spfa()
{
memset(dist, 0x3f, sizeof dist);
dist[1] = 0;
queue<int> q;//存储dist变小的节点
q.push(1);
st[1] = true;
while (q.size())
{
auto t = q.front();
q.pop();
st[t] = false;
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
//dist变小、加入queue
if (dist[j] > dist[t] + w[i])
{
dist[j] = dist[t] + w[i];
if (!st[j]) // 如果队列中已存在j,则不需要将j重复插入
{
q.push(j);
st[j] = true;
}
}
}
}
if (dist[n] == 0x3f3f3f3f) return -1;//不存在
return dist[n];///存在
}
spfa判负环
时间复杂度 O(nm) , n表示点数,m 表示边数
int n; // 总点数
int h[N], w[N], e[N], ne[N], idx; // 邻接表存储所有边
int dist[N], cnt[N]; // dist[x]存储1号点到x的最短距离,cnt[x]存储1到x的最短路中经过的点数
bool st[N]; // 存储每个点是否在队列中
// 如果存在负环,则返回true,否则返回false。
bool spfa()
{
// 不需要初始化dist数组
// 原理:如果某条最短路径上有n个点(除了自己),那么加上自己之后一共有n+1个点,由抽屉原理一定有两个点相同,所以存在环。
queue<int> q;
for (int i = 1; i <= n; i ++ )
{
q.push(i);
st[i] = true;
}
while (q.size())
{
auto t = q.front();
q.pop();
st[t] = false;
for (int i = h[t]; i != -1; i = ne[i])
{
int j = e[i];
if (dist[j] > dist[t] + w[i])
{
dist[j] = dist[t] + w[i];
cnt[j] = cnt[t] + 1;
//如果从1号点到x的最短路中包含至少n个点(不包括自己),则说明存在环
if (cnt[j] >= n) return true;
if (!st[j])
{
q.push(j);
st[j] = true;
}
}
}
}
return false;
}
floyd算法
适用:多源最短路、可以负权、邻接矩阵[需要处理自环、重边]
时间复杂度 O($n^3\$) , n表示点数
初始化:
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= n; j ++ )
if (i == j) d[i][j] = 0;//处理自环
else d[i][j] = INF;//INF = 0x3f3f3f3f;
// 算法结束后,d[a][b]表示a到b的最短距离
void floyd()
{
for (int k = 1; k <= n; k ++ )
for (int i = 1; i <= n; i ++ )
for (int j = 1; j <= n; j ++ )
d[i][j] = min(d[i][j], d[i][k] + d[k][j]);
}
//不存在最短路
d[x][y] >= INF/2
最小生成树总结:
(1)朴素版prim算法思想:从某个点出发,并将这个点纳入集合,每次找到离集合最近的点,纳入集合,并且更新未纳入集
合的点到集合的距离
S:当前已经在联通块中的所有点的集合
1. dist[i] = inf
2. for n 次
t<-S外离S最近的点
st[t] = true
利用t更新S外点到S的距离
n次迭代之后所有点都已加入到S中
联系:Dijkstra算法是更新到起始点的距离,Prim是更新到集合S的距离
(2)Kruskal思想:排序,每次取未纳入集合并且最小的边,将其纳入集合中,直到所有点都纳入到集合中
将所有边按照权重从小到大排序 O(mlogm)
枚举每条边(a, b, 权重c) O(m)
if a, b 两点不在一个集合
1.将a、b点合并一个集合(相当于ab的边用了)
2.cnt记录边数
朴素版prim算法
适用:无向图、稠密图、m=n^2、邻接矩阵[需要处理自环、重边]
时间复杂度 O($n^2+m\
)
=
O
(
)= O(
)=O(n2+n2\
)
=
O
(
) =O(
)=O(n^2\$) , n表示点数,m 表示边数
int n; // n表示点数
int g[N][N]; // 邻接矩阵,存储所有边
int dist[N]; // 存储其他点到当前最小生成树的距离
bool st[N]; // 存储每个点是否已经在生成树中
// 如果图不连通,则返回INF(值是0x3f3f3f3f), 否则返回最小生成树的树边权重之和
int prim()
{
memset(dist, 0x3f, sizeof dist);
int res = 0;
for (int i = 0; i < n; i ++ )
{
int t = -1;
for (int j = 1; j <= n; j ++ )
if (!st[j] && (t == -1 || dist[t] > dist[j]))
t = j;
if (i && dist[t] == INF) return INF;
if (i) res += dist[t];
st[t] = true;
for (int j = 1; j <= n; j ++ ) dist[j] = min(dist[j], g[t][j]);
}
return res;
}
Kruskal算法
适用:无向图、稀疏图、m=n、结构体
时间复杂度O(m logm) , m 表示边数
int n, m; // n是点数,m是边数
int p[N]; // 并查集的父节点数组
struct Edge // 存储边
{
int a, b, w;
bool operator< (const Edge &W)const
{
return w < W.w;
}
}edges[M];
int find(int x) // 并查集核心操作
{
if (p[x] != x) p[x] = find(p[x]);
return p[x];
}
int kruskal()
{
sort(edges, edges + m);
for (int i = 1; i <= n; i ++ ) p[i] = i; // 初始化并查集
int res = 0, cnt = 0;
for (int i = 0; i < m; i ++ )
{
int a = edges[i].a, b = edges[i].b, w = edges[i].w;
a = find(a), b = find(b);
if (a != b) // 如果两个连通块不连通,则将这两个连通块合并
{
p[a] = b;
res += w;
cnt ++ ;
}
}
if (cnt < n - 1) return INF;//不连通
return res;//连通
}
二分图总结:
(1)染色法判断二分图
二分图可以是连通图、非连通图;
思路:
1.开始对任意一未染色的顶点染色。
2.判断其相邻的顶点中,
2.1 若未染色,则将其染上和相邻顶点不同的颜色,递归dfs(j,!c)判断。
2.2 若已经染色,且颜色和相邻顶点的颜色相同则说明不是二分图,若颜色不同则继续判断。
注意:无向图、邻接表、存在重边和自环。
自环则不是二分图,算法自动判断。
(2)匈牙利算法
思路:
男c匹配女a,若女a已经有男b,则让男b另找女
1.男b找不到-->那就单身; (女a,男c)(男b,空)
2.男b找到了-->那就匹配; (女a,男c)(男b,女)
注意:无向图==>存一条有向边
遍历n1集合的点,则存n1->n2的边
重点:st[]的作用:
首先我们 find(x) 遍历属于h[x]的单链表相当于遍历他所有喜欢的女生
而如果某个女生j没有被他预定过的话
就标记这个女生j被他预定,即st[j]=true
这时如果女j还没有匹配过,即match[j]==0的时候,那这个预定就成真了,得到match[j]=x;
而如果女j之前就被男k匹配过了,那我们就find(k),也就是
find(match[j])(因为原本match[j]==k)
然后在find(k)的过程中,因为st[j]=true,这时候男k就不能再选则女j了,因为女j已经被预定了,
所以男k就只能在他喜欢的女生里面选择其他人来匹配。 当然,如果find(k)返回false的话,
那就 if(match[j]==0 || find(match[j]))都不成立,那男j就一边玩去吧
染色法判别二分图
适用:判别是否是二分图 、邻接表
时间复杂度 O(n+m), n表示点数,m 表示边数
int n; // n表示点数
int h[N], e[M], ne[M], idx; // 邻接表存储图
int color[N]; // 表示每个点的颜色,-1表示未染色,0表示白色,1表示黑色
// 颜色过程:u表示当前节点,c表示当前点的颜色
bool dfs(int u, int c)
{
color[u] = c;
for (int i = h[u]; i != -1; i = ne[i])
{
int j = e[i];
if (color[j] == -1)//未染色
{
if (!dfs(j, !c))//把j染成相反颜色!c,false则失败
return false;
}
else //已染色
{
if (color[j] == c) //u、j颜色相同,失败
return false;
}
}
return true;
}
//返回true,是二分图;false,不是二分图
bool check()
{
memset(color, -1, sizeof color);
bool flag = true;
for (int i = 1; i <= n; i ++ )
if (color[i] == -1)//未染色
if (!dfs(i, 0))//染色失败(0/1都可以)
{
flag = false;
break;
}
return flag;
}
匈牙利算法
适用:求二分图的最大匹配数(最多能有几对情侣)、邻接表
时间复杂度 O(nm), n表示点数,m 表示边数
int n1, n2; // n1表示第一个集合中的点数,n2表示第二个集合中的点数
int h[N], e[M], ne[M], idx;
// 邻接表存储所有边,匈牙利算法中只会用到从第一个集合指向第二个集合的边,所以这里只用存一个方向的边; 遍历n1集合的点,则存n1->n2的边
int match[N]; // 存储第二个集合中的每个点当前匹配的第一个集合中的点是哪个
bool st[N]; // 表示第二个集合中的每个点是否已经被遍历过
bool find(int x)
{
for (int i = h[x]; i != -1; i = ne[i])
{
int j = e[i];
if (!st[j])//女j还没有考虑过
{
st[j] = true;//
//女j没有匹配||可以帮女j找到下家
if (match[j] == 0 || find(match[j]))
{
match[j] = x;
return true;
}
}
}
return false;
}
// 求最大匹配数,依次枚举第一个集合中的每个点能否匹配第二个集合中的点
int res = 0;
for (int i = 1; i <= n1; i ++ )
{
memset(st, false, sizeof st);
if (find(i)) res ++ ;
}
试除法判定质数
时间复杂度:O( n \sqrt{n} n)
bool is_prime(int x)
{
if (x < 2) return false;
for (int i = 2; i <= x / i; i ++ )
if (x % i == 0)
return false;
return true;
}
试除法分解质因数
适用:将一个数分解成多个质数相乘。
时间复杂度:O(
n
\sqrt{n}
n)
void divide(int x)
{
for (int i = 2; i <= x / i; i ++ )
if (x % i == 0)//此时i是质数
{
int s = 0;
while (x % i == 0) x /= i, s ++ ;
cout << i << ' ' << s << endl;
}
// x中最多包含一个大于sqrt(x) 的质因数
if (x > 1) cout << x << ' ' << 1 << endl;
cout << endl;
}
//i为质数的原因:
//若i为合数,则可以分解成多个质数相乘,并且仅有一个最大质因数>=sqrt(i)
//i = p1*p2*p3...pi...pn
// 2 <= pi < i
//所以x在进行while时已将x=x/pi,所以i一定是质数
朴素筛法求素/质数
适用:将1~n范围所有质数存入primes数组
又称诶氏筛法,时间复杂度:O(n loglogn )
int primes[N], cnt; // primes[]存储所有素数
bool st[N]; // st[x]存储x是否被筛掉
void get_primes(int n)
{
for (int i = 2; i <= n; i ++ )
{
if (!st[i])//i是质数
{
primes[cnt ++ ] = i;
for (int j = i + i; j <= n; j += i)
st[j] = true;
}
}
}
线性筛法求素/质数(推荐)
适用:将1~n范围所有质数存入primes数组,在n=1e6两者一样、n=1e7时线性筛快一倍
时间复杂度:O(n)
int primes[N], cnt; // primes[]存储所有素数
bool st[N]; // st[x]存储x是否被筛掉
void get_primes(int n)
{
for (int i = 2; i <= n; i ++ )
{
if (!st[i]) primes[cnt ++ ] = i;//质数
for (int j = 0; primes[j] <= n / i; j ++ )
{
st[primes[j] * i] = true;
if (i % primes[j] == 0) break;
}
}
}
试除法求所有约数
vector<int> get_divisors(int x)
{
vector<int> res;
for (int i = 1; i <= x / i; i ++ )
if (x % i == 0)//约数
{
res.push_back(i);
//egg:36,当i=6时,只加入一次36/i
if (i != x / i) res.push_back(x / i);
}
sort(res.begin(), res.end());
return res;
}
约数个数、约数之和
如果 N = p1^c1 * p2^c2 * ... *pk^ck
约数个数: (c1 + 1) * (c2 + 1) * ... * (ck + 1)
约数之和: (p1^0 + p1^1 + ... + p1^c1) * ... * (pk^0 + pk^1 + ... + pk^ck)
unordered_map<int,int> primes;//int 质数;int 指数
//分解质因数
void divide(int n)
{
for (int i = 2; i <= n / i; i ++ )
{
if(n%i==0)//i是质数
{
while (n % i == 0)
{
n /= i;
primes[i] ++ ;
}
}
}
// x中最多包含一个大于sqrt(x) 的质因数
if (n > 1) primes[n] ++ ;
}
//for(auto p:primes) p.first p.second
欧几里得算法
最大公约数,0和任何自然数a的最大公约数是a
int gcd(int a, int b)
{
return b ? gcd(b, a % b) : a;
}
求欧拉函数
适用:1∼N 中与 N 互质的数的个数被称为欧拉函数,记为 ϕ(N)。
欧拉定理:对任意两个正整数 a , n,若两者互质,则:
a
ϕ
(
n
)
≡
1
(
m
o
d
n
)
a^{\phi (n)}\equiv 1\pmod n
aϕ(n)≡1(modn);<===>
ϕ
(
n
)
\phi (n)
ϕ(n)%n = 1
时间复杂度:O(
n
\sqrt{n}
n)
int phi(int x)
{
int res = x;
for (int i = 2; i <= x / i; i ++ )
if (x % i == 0)
{
res = res / i * (i - 1);
while (x % i == 0) x /= i;
}
if (x > 1) res = res / x * (x - 1);
return res;
}
筛法求欧拉函数
适用:求 1∼n 中每个数的欧拉函数
时间复杂度:O(n)
int primes[N], cnt; // primes[]存储所有素数
int euler[N]; // 存储每个数的欧拉函数
bool st[N]; // st[x]存储x是否被筛掉
void get_eulers(int n)
{
euler[1] = 1;
for (int i = 2; i <= n; i ++ )
{
if (!st[i])
{
primes[cnt ++ ] = i;
euler[i] = i - 1;
}
for (int j = 0; primes[j] <= n / i; j ++ )
{
int t = primes[j] * i;
st[t] = true;
if (i % primes[j] == 0)
{
euler[t] = euler[i] * primes[j];
break;
}
euler[t] = euler[i] * (primes[j] - 1);
}
}
}
快速幂
求 m^k mod p,时间复杂度 O(logk)。
int qmi(int m, int k, int p)
{
int res = 1 % p, t = m;
while (k)
{
if (k&1) res = res * t % p;
t = t * t % p;
k >>= 1;
}
return res;
}
扩展欧几里得算法
// 求出一组x, y,使得ax + by = gcd(a, b)
int exgcd(int a, int b, int &x, int &y)
{
if (!b)
{
x = 1; y = 0;
return a;
}
int d = exgcd(b, a % b, y, x);
y -= (a/b) * x;
return d;
}
高斯消元
适用:包含n个方程,n个未知数的多元线性方程组 ,增广矩阵a[n][n+1]
时间复杂度:O(
n
3
n^3
n3)
// a[N][N]是增广矩阵
int gauss()
{
int c, r;
for (c = 0, r = 0; c < n; c ++ )
{
int t = r;
for (int i = r; i < n; i ++ ) // 找到绝对值最大的行
if (fabs(a[i][c]) > fabs(a[t][c]))
t = i;
if (fabs(a[t][c]) < eps) continue;
for (int i = c; i <= n; i ++ ) swap(a[t][i], a[r][i]); // 将绝对值最大的行换到最顶端
for (int i = n; i >= c; i -- ) a[r][i] /= a[r][c]; // 将当前行的首位变成1
for (int i = r + 1; i < n; i ++ ) // 用当前行将下面所有的列消成0
if (fabs(a[i][c]) > eps)
for (int j = n; j >= c; j -- )
a[i][j] -= a[r][j] * a[i][c];
r ++ ;
}
if (r < n)
{
for (int i = r; i < n; i ++ )
if (fabs(a[i][n]) > eps)
return 2; // 无解
return 1; // 有无穷多组解
}
for (int i = n - 1; i >= 0; i -- )
for (int j = i + 1; j < n; j ++ )
a[i][n] -= a[i][j] * a[j][n];
return 0; // 有唯一解
}
if (t == 0)
for (int i = 0; i < n; i ++ ) printf("%.2lf\n", a[i][n]);
else if (t == 1) puts("Infinite group solutions");
else puts("No solution");
递推法求组合数
C
a
b
C^b_a
Cab=
C
a
−
1
b
−
1
C^{b-1}_{a−1}
Ca−1b−1+
C
a
−
1
b
C^b_{a−1}
Ca−1b
时间复杂度:O(
n
2
n^2
n2)
数据范围:1≤b≤a≤2000
// c[a][b] 表示从a个苹果中选b个的方案数
for (int i = 0; i < N; i ++ )
for (int j = 0; j <= i; j ++ )
if (!j) c[i][j] = 1;
else c[i][j] = (c[i - 1][j] + c[i - 1][j - 1]) % mod;
通过预处理逆元的方式求组合数
时间复杂度:O(nlogn)
数据范围:1≤b≤a≤
1
0
5
10^5
105
首先预处理出所有阶乘取模的余数fact[N],以及所有阶乘取模的逆元infact[N]
关键:如果取模的数mod是质数,可以用费马小定理求逆元
int qmi(int a, int k, int p) // 快速幂模板
{
int res = 1;
while (k)
{
if (k & 1) res = (LL)res * a % p;
a = (LL)a * a % p;
k >>= 1;
}
return res;
}
// 预处理阶乘的余数和阶乘逆元的余数
fact[0] = infact[0] = 1;
for (int i = 1; i < N; i ++ )
{
fact[i] = (LL)fact[i - 1] * i % mod;
infact[i] = (LL)infact[i - 1] * qmi(i, mod - 2, mod) % mod;
}
//C(a,b)= a中选b个
C(a,b) = (LL)fact[a] * infact[b] % mod * infact[a - b] % mod
Lucas定理
时间复杂度:O(nlogn)
数据范围:1 ≤ b ≤ a ≤
1
0
18
10^{18}
1018 1 ≤ p ≤
1
0
5
10^{5}
105
若p是质数,则对于任意整数 1 <= m <= n,有:
C(n, m) = C(n % p, m % p) * C(n / p, m / p) (mod p)
int qmi(int a, int k, int p) // 快速幂模板
{
int res = 1 % p;
while (k)
{
if (k & 1) res = (LL)res * a % p;
a = (LL)a * a % p;
k >>= 1;
}
return res;
}
int C(int a, int b, int p) // 通过定理求组合数C(a, b)
{
if (a < b) return 0;
LL x = 1, y = 1; // x是分子,y是分母
for (int i = a, j = 1; j <= b; i --, j ++ )
{
x = (LL)x * i % p;
y = (LL) y * j % p;
}
return x * (LL)qmi(y, p - 2, p) % p;
}
int lucas(LL a, LL b, int p)
{
if (a < p && b < p) return C(a, b, p);
return (LL)C(a % p, b % p, p) * lucas(a / p, b / p, p) % p;
}
//C(a,b)
C(a,b) = lucas(a,b,p)
分解质因数法求组合数
数据范围:1≤b≤a≤5000
当我们需要求出组合数的真实值,而非对某个数的余数时,分解质因数的方式比较好用:
1. 筛法求出范围内的所有质数
2. 通过 C(a, b) = a! / b! / (a - b)! 这个公式求出每个质因子的次数。 n! 中p的次数是 n / p + n / p^2 + n / p^3 + ...
3. 用高精度乘法将所有质因子相乘
int primes[N], cnt; // 存储所有质数
int sum[N]; // 存储每个质数的次数
bool st[N]; // 存储每个数是否已被筛掉
void get_primes(int n) // 线性筛法求素数
{
for (int i = 2; i <= n; i ++ )
{
if (!st[i]) primes[cnt ++ ] = i;
for (int j = 0; primes[j] <= n / i; j ++ )
{
st[primes[j] * i] = true;
if (i % primes[j] == 0) break;
}
}
}
int get(int n, int p) // 求n!中的次数
{
int res = 0;
while (n)
{
res += n / p;
n /= p;
}
return res;
}
vector<int> mul(vector<int> a, int b) // 高精度乘低精度模板
{
vector<int> c;
int t = 0;
for (int i = 0; i < a.size(); i ++ )
{
t += a[i] * b;
c.push_back(t % 10);
t /= 10;
}
while (t)
{
c.push_back(t % 10);
t /= 10;
}
return c;
}
get_primes(a); // 预处理范围内的所有质数
for (int i = 0; i < cnt; i ++ ) // 求每个质因数的次数
{
int p = primes[i];
sum[i] = get(a, p) - get(b, p) - get(a - b, p);
}
vector<int> res;
res.push_back(1);
for (int i = 0; i < cnt; i ++ ) // 用高精度乘法将所有质因子相乘
for (int j = 0; j < sum[i]; j ++ )
res = mul(res, primes[i]);
卡特兰数
给定n个0和n个1,它们按照某种顺序排成长度为2n的序列,满足任意前缀中0的个数都不少于1的个数的序列的数量为: Cat(n) = C(2n, n) / (n + 1)