HDU 3208 Integer’s Power 指数和、容斥

题意:

输入l,r,求出[l, r]区间内,表示成指数形式的指数和。

要求a^b,a尽量小,b尽量大。例如,16应该表示成2^4,而不是4^2。

思路:

参考自:http://blog.csdn.net/acdreamers/article/details/10977785

这算是容斥吧?初学的我也不大懂。


如果我们可以知道每个指数所表示的个数,那么问题就可以解决了。

感觉像动态规划,于是数组名就那样了。dp[i]:指数为i的个数。

1.对于每个i(由于2^60>1e18,因此 i 最大为60 即可)进行初始化:dp[i] = 

2.可以看到dp[2]里面包含了指数表示为4,6,8……的个数,因此现在就是要把这些能够表示成更高次方的容斥出去(具体做法看代码)。

*这题卡pow的精度,因此要注意,我直接采用参考题解里的方法解决。

pow的精度不会误差误会超过1,因此测试x-1,x,x+1。

code:

#include <cstring>
#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <cmath>
using namespace std;

typedef long long LL;
const double eps = 1e-9;
const double INF = (double)1e18+300;

LL a[65];
LL mul(LL tt, LL i)
{
	LL ret = 1, a = tt;
	while(i)
	{
		if(i&1)
		{
			double tmp = INF/ret;
			if(a>tmp) return -1;
			ret *= a;
		}
		i >>= 1;
		if(a>(1e9)&&i>0) return -1;
		a = a*a;
	}
	return ret;
}
		
LL check(LL tt, LL t, int i)
{
	//tt
	LL tmp = mul(tt, i);
	if(tmp == t) return tt;
	//tt-1;
	if(tmp > t || tmp == -1) return tt-1;
	//tt+1;
	else if(tmp < t)
	{
		tmp = mul(tt+1, i);
		if(tmp != -1 && tmp <= t) return tt+1;
	}
	return tt;
}
	
LL calc(LL t)
{
	if(t < 2) return 0;
	memset(a, 0, sizeof(a));
	int cnt = 1;
	a[1] = t-1;
	for(int i = 2;i <= 60; i++)
	{
		LL tt = (LL)(pow((double)t, 1.0/i)+eps);
		tt = check(tt, t, i);
		if(tt-1 == 0) break;
		a[i] = tt-1;
		cnt = i;
	}
	for(int i = cnt;i > 1; i--)
		for(int j = 1;j < i; j++)
			if(i%j==0) a[j]-=a[i];

	LL ret = 0;
	for(int i = cnt;i >= 1; i--)
		ret += a[i]*i;
	return ret;
}

int main()
{
	ios::sync_with_stdio(false);
	LL l, h;
	while(cin>>l>>h&&l)
		cout<<calc(h)-calc(l-1)<<endl;
	return 0;
}


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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