洛谷 P4936 Agent1

题目背景

2018年11月17日,中国香港将会迎来一场XM大战,是世界各地的ENLIGHTENEDRESISTANCE开战的地点,某地 的ENLIGHTENED总部也想派Agent去参加这次的XM大战,与世界其他地方的ENLIGHTENED并肩作战。

题目描述

某地的ENLIGHTENED总部总部有NN个Agent,每个Agent的能力值互不相同,现在ENLIGHTENED行动指挥想要派出A,BA,B两队Agent去参加XM大战。但是参加大战的两个队伍要满足两个要求:

  1. AA队中能力最大的Agent的能力值要小于BB队能力最弱的Agent的能力值。
  2. A,BA,B两队都要有人参战。

并不一定所有的Agent都要去参加XM大战的,心急的ENLIGHTENED行动指挥想知道有多少种安排Agent参加大战的方案。由于答案可能很大,所以只需要你求出答案模(10^9+7)(109+7)的值就可以了。

输入格式

输入仅一行,为一个整数NN。

输出格式

输出答案模(10^9+7)(109+7)的值。

输入输出样例

输入 #1复制
3
输出 #1复制
5
输入 #2复制
6
输出 #2复制
129

说明/提示

对于20\%20%的数据 N \leq 10N10

对于40\%40%的数据 N \leq 10^3N103

对于60\%60%的数据 N \leq 10^5N105

对于100\%100%的数据 N \leq 10^9N109

 

思路:据我观察这是一个高考数学原题的加强版(雾)。

具体是怎么做呢。。。首先我们注意到元素大小各不相同,那我们不妨采用离散化的思想,将这n个元素直接赋值为1~n,然后对于A,B这两个集合的选择方案,我们这里有一个非常巧妙的做法,那就是先从序列中选择一些元素,将其都放入一个集合中并对其进行从小到大定序,显然,当我们选择了k个元素时,这k个元素中间的“空隙”有k-1个,我们不妨再采用隔板法的思想,在空隙中放置1块隔板,显然,这块隔板将原集合一分为二,又令左边的部分为A,右边的部分为B,这样一定满足A中最大的小于B中最小的。这样对于每一个k,划分的方案数为,而总方案数就是对于每一个k<=n求和,也就是,我们观察数据发现,如果单独枚举k从1~n,不论是组合数逆元还是卢卡斯定理对于40%的数据都是妥妥的过不去,那么接下来,我们就要动用我们的数学知识去整理这个式子,消去组合数(

首先:注意到

对于,利用二项式定理的基本结论,不难发现就是缺了个Cn0也就是缺1,故等于

对于直接求不是很好求,但是如果我们认真听数学老师讲课的话(雾),我们就会发现这道题竟然可以用求导来解(

不妨设,对等式三边同时求导,得

用赋值法,得:

综合各式,最终答案就是,用快速幂求即可。

代码:

#include<iostream> 
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;
#define ll long long
ll mod = 1e9 + 7;
ll ksm(ll x, ll y)
{
    ll ret = 1, base = x;
    while(y)
    {
        if(y & 1) ret *= base, ret %= mod;
        base *= base, base %= mod;
        y >>= 1;
    }
    return ret;
}
int main()
{
    ll n;
    scanf("%lld", &n);
    ll ans;
    if(n == 1) ans = 0LL;
    else if(n == 2) ans = 1LL;
    else ans = (n - 2) * ksm(2, n - 1) + 1;
    printf("%lld\n", ans % mod);
    return 0;
}

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

转载于:https://www.cnblogs.com/loi-frank/p/11380494.html

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