#莫比乌斯反演#BZOJ 2671 洛谷 4466 和与积 Calc

题目

求有多少对 ( a , b ) (a,b) (a,b)满足 1 ≤ a &lt; b ≤ n 1\leq a&lt;b\leq n 1a<bn a + b ∣ a b a+b|ab a+bab


分析

g c d ( a , b ) = 1 gcd(a,b)=1 gcd(a,b)=1,那么 a + b ∤ a b a+b∤ab a+bab
g c d ( a , b ) ≠ 1 gcd(a,b)\neq 1 gcd(a,b)̸=1,设 d = g c d ( a , b ) , i = d a , j = d b d=gcd(a,b),i=da,j=db d=gcd(a,b),i=da,j=db
∴ ( i + j ) ∣ i j d \therefore (i+j)|ijd (i+j)ijd
∵ \because g c d ( a , b ) = 1 gcd(a,b)=1 gcd(a,b)=1,那么 a + b ∤ a b a+b∤ab a+bab
∴ ( i + j ) ∣ d \therefore (i+j)|d (i+j)d
也就是求有多少个三元组 ( i , j , d ) (i,j,d) (i,j,d),满足 i d , j d ≤ n , g c d ( i , j ) = 1 , ( i + j ) ∣ d id,jd\leq n,gcd(i,j)=1,(i+j)|d id,jdn,gcd(i,j)=1,(i+j)d
那么 = ∑ i = 1 n ∑ j = 1 i − 1 ⌊ ⌊ n i ⌋ i + j ⌋ [ g c d ( i , j ) = 1 ] =\sum_{i=1}^{n}\sum_{j=1}^{i-1}\lfloor\frac{\lfloor\frac{n}{i}\rfloor}{i+j}\rfloor[gcd(i,j)=1] =i=1nj=1i1i+jin[gcd(i,j)=1]
= ∑ i = 1 n ∑ j = 1 i − 1 ⌊ n i ( i + j ) ⌋ [ g c d ( i , j ) = 1 ] =\sum_{i=1}^{n}\sum_{j=1}^{i-1}\lfloor\frac{n}{i(i+j)}\rfloor[gcd(i,j)=1] =i=1nj=1i1i(i+j)n[gcd(i,j)=1]
∑ k ∣ n μ ( k ) = [ n = 1 ] \sum_{k|n}\mu(k)=[n=1] knμ(k)=[n=1]
也就是 = ∑ i = 1 n ∑ j = 1 i − 1 ⌊ n i ( i + j ) ⌋ ∑ k ∣ i , k ∣ j μ ( k ) =\sum_{i=1}^{n}\sum_{j=1}^{i-1}\lfloor\frac{n}{i(i+j)}\rfloor\sum_{k|i,k|j}\mu(k) =i=1nj=1i1i(i+j)nki,kjμ(k)
枚举 k k k可得
= ∑ k = 1 n μ ( k ) ∑ i = 1 ⌊ n k ⌋ ∑ j = 1 i − 1 ⌊ n i k ( i k + j k ) ⌋ =\sum_{k=1}^{n}\mu(k)\sum_{i=1}^{\lfloor\frac{n}{k}\rfloor}\sum_{j=1}^{i-1}\lfloor\frac{n}{ik(ik+jk)}\rfloor =k=1nμ(k)i=1knj=1i1ik(ik+jk)n
= ∑ k = 1 n μ ( k ) ∑ i = 1 ⌊ n k ⌋ ∑ j = 1 i − 1 ⌊ ⌊ n i k 2 ⌋ i + j ⌋ =\sum_{k=1}^{n}\mu(k)\sum_{i=1}^{\lfloor\frac{n}{k}\rfloor}\sum_{j=1}^{i-1}\lfloor\frac{\lfloor\frac{n}{ik^2}\rfloor}{i+j}\rfloor =k=1nμ(k)i=1knj=1i1i+jik2n
Wait,这样不会更慢吗?可以发现 i , j , k i,j,k i,j,k的取值只能在 n \sqrt n n 范围内,所以
= ∑ k = 1 n μ ( k ) ∑ i = 1 ⌊ n k ⌋ ∑ j = 1 i − 1 ⌊ ⌊ n i k 2 ⌋ i + j ⌋ =\sum_{k=1}^{\sqrt n}\mu(k)\sum_{i=1}^{\lfloor\frac{\sqrt n}{k}\rfloor}\sum_{j=1}^{i-1}\lfloor\frac{\lfloor\frac{n}{ik^2}\rfloor}{i+j}\rfloor =k=1n μ(k)i=1kn j=1i1i+jik2n
洛谷dalao证明时间复杂度是 O ( n log ⁡ n ) O(\sqrt n \log n) O(n logn),可谓是非常高级了


代码

#include <cstdio>
#include <cmath>
#define rr register
#define min(a,b) ((a)<(b)?(a):(b))
using namespace std;
typedef unsigned uit;
const uit N=47001;
uit prime[N>>3],cnt,n;
int mu[N]; bool v[N];
inline long long answ(uit x,uit y){
    rr long long ans=0; rr uit t=x<<1;
    for(rr uit l=x+1,r;l<t;l=r+1){
        if(!(y/l)) return ans;
        r=min(y/(y/l),t-1);
        ans+=(r-l+1)*(y/l);
    }
    return ans;
}
signed main(){
    scanf("%u",&n);
    rr uit m=sqrt(n); rr long long ans=0;
    for (rr uit i=1;i<=m;++i){
        if (i>1){
            if (!v[i]) prime[++cnt]=i,mu[i]=-1;
            for (rr uit j=1;j<=cnt&&prime[j]*i<=m;++j){
                v[i*prime[j]]=1;
                if (i%prime[j]) mu[i*prime[j]]=-mu[i];
                    else break;
            }
        }else mu[i]=1;
        if (!mu[i]) continue;
        for (rr uit j=1;j*i<=m;++j)
            ans+=answ(j,n/(i*i*j))*mu[i];
    }
    printf("%lld",ans);
    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