hdu5728 PowMod

hdu5728 PowMod

给定 \(n,\ m,\ p\) ,令 \(k=\displaystyle\sum_{i=1}^m\varphi(i\times n)\pmod{10^9+7}\)

\(k^{k^{k^{\cdots^{k}}}}\pmod{p}\)

\(T\) 组询问, \(n\) 无平方因子

\(T\leq100,\ n,\ m,\ p\leq10^7\)

数论,计数


\(f(n,\ m)=\displaystyle\sum_{i=1}^m\varphi(i\times n)\) 。假设 \(p\)\(n\) 的一个质因子,若 \((i,\ n)=1\) ,则 \(\varphi(i\times n)=\varphi(i)\times\varphi(n)\) ,否则若 \(p\ |\ i\) ,可以将 \(i\) 看作 \(k\times p\) ,否则 \(p\not |\;i\) ,于是分类讨论

\[\begin{aligned}f(n,\ m)&=\displaystyle\sum_{i=1}^m{[p\ |\ i](\varphi(p)\times\varphi(i\times\frac{n}{p}))}+\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n\times p)\\&=\varphi(p)\times\sum_{i=1}^m{[p\not|\;i]\varphi(i\times\frac{n}{p})+p\times\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n)}\\&=\varphi(p)\times\sum_{i=1}^m{[p\not|\;i]\varphi(i\times\frac{n}{p})+(\varphi(p)+1)\times\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n)}\\&=\varphi(p)\times\sum_{i=1}^m{[p\not|\;i]\varphi(i\times\frac{n}{p})}+\varphi(p)\times\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n)+\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n)\end{aligned}\]

但前两项是可以合并的,第二项恰好将第一项补全了,于是

\[f(n,\ m)=\varphi(p)\times\sum_{i=1}^m\varphi(i\times\frac{n}{p})+\sum_{i=1}^{\frac{m}{p}}\varphi(i\times n)\]

所以 \[f(n,\ m)=\varphi(p)\times f(\frac{n}{p},\ m)+f(n,\ \frac{m}{p})\]

递归时枚举一个质因子就够了

而求 \(k^{k^{k^{\cdots^{k}}}}\pmod{p}\) 直接用欧拉定理就可以了

时间复杂度 \(O(\) 能过 \()\)

#include <bits/stdc++.h>
using namespace std;

const int maxn = 1e7 + 10, P = 1e9 + 7;
int tot, p[maxn], phi[maxn], sum[maxn];

inline int inc(int x, int y) {
  return x + y < P ? x + y : x + y - P;
}

inline int qp(int a, int k, int P) {
  int res = 1;
  for (; k; k >>= 1, a = 1ll * a * a % P) {
    if (k & 1) res = 1ll * res * a % P;
  }
  return res;
}

void sieve() {
  int N = 10000000;
  for (int i = 2; i <= N; i++) {
    if (!p[i]) p[++tot] = i, phi[i] = i - 1;
    for (int j = 1; j <= tot && i * p[j] <= N; j++) {
      p[i * p[j]] = 1;
      if (i % p[j] == 0) {
        phi[i * p[j]] = phi[i] * p[j]; break;
      }
      phi[i * p[j]] = phi[i] * (p[j] - 1);
    }
  }
  phi[1] = 1;
  for (int i = 1; i <= N; i++) {
    sum[i] = inc(sum[i - 1], phi[i]);
  }
}

int dfs(int a, int P) {
  int t = phi[P];
  return t == 1 ? 0 : qp(a, dfs(a, t) % t + t, P);
}

int calc(int n, int m) {
  if (!m) return 0;
  if (n == 1) return sum[m];
  int tmp = sqrt(n);
  for (int i = 2; i <= tmp; i++) {
    if (n % i == 0) {
      return (calc(n, m / i) + 1ll * phi[i] * calc(n / i, m)) % P;
    }
  }
  return (calc(n, m / n) + 1ll * phi[n] * sum[m]) % P;
}

int main() {
  sieve();
  int n, m, p;
  while (~scanf("%d %d %d", &n, &m, &p)) {
    printf("%d\n", dfs(calc(n, m), p));
  }
  return 0;
}

转载于:https://www.cnblogs.com/Juanzhang/p/11044555.html

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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