HDU-1005 Number Sequence(矩阵快速幂或模拟)

算是一道矩阵基础题吧,总之是对我很有启发性的一个矩阵题,之后类似的题估计都可以有这个思路,当然,这题也可以模拟出来。

    Number Sequence HDU-1005 


A number sequence is defined as follows: 

f(1) = 1, f(2) = 1, f(n) = (A * f(n - 1) + B * f(n - 2)) mod 7. 

Given A, B, and n, you are to calculate the value of f(n). 
Input
The input consists of multiple test cases. Each test case contains 3 integers A, B and n on a single line (1 <= A, B <= 1000, 1 <= n <= 100,000,000). Three zeros signal the end of input and this test case is not to be processed. 
Output
For each test case, print the value of f(n) on a single line. 
Sample Input
1 1 3
1 2 10
0 0 0
Sample Output
2
5


题意是:给出一个递推公式,求第n个数。

思路:遇到这种题,直接想的能否找到一个直接求解的递推公式,很遗憾没找到,所以去考虑矩 阵快速幂。

因为矩阵相乘是满足结合律的,所以上面的式子是可以得到正确结果的。

AC代码1

#include <iostream>
#include <cstdio>
using namespace std;
typedef long long LL;
int n, a, b;
struct node{
	int a, b, c, d;
};
node multi(node x, node y){
	node res;
	res.a = (x.a*y.a + x.b*y.c)%7;
	res.b = (x.a*y.b + x.b*y.d)%7;
	res.c = (x.c*y.a + x.d*y.c)%7;
	res.d = (x.c*y.b + x.d*y.d)%7;
	return res;
}
int quickm(int n){
	node base, ans;
	base.a = a, base.b = b, base.c = 1, base.d = 0;
	ans.a = ans.d = 1, ans.b = ans.c = 0;;
	while(n){
		if(n&1){
			ans = multi(ans, base);
		}
		base = multi(base, base);
		n >>= 1;
	}
	return (ans.a+ans.b)%7;
}
int main(){
	ios::sync_with_stdio(0);
	while(cin >> a >> b >> n){
		if(a == 0 && b == 0 && n == 0) break;
		if(n == 1 || n == 2){
			cout << 1 << endl;
			continue;
		}
		cout << quickm(n-2) << endl;
	}
	return 0;
}
当然,这题也可以通过模拟出来的。

对于公式 f[n] = A * f[n-1] + B * f[n-2];后者只有7 * 7 = 49 种可能,为什么这么说,因为对于f[n-1]

或者 f[n-2] 的取值只有 0,1,2,3,4,5,6 这7个数,A,B又是固定的,所以就只有49种可能值了。由该关系

式得知每一项只与前两项发生关系,所以当连续的两项在前面出现过循环节出现了,注意循环节并不一

定会是开始的 1,1 。 又因为一组测试数据中f[n]只有49中可能的答案,最坏的情况是所有的情况都遇到

了,那么那也会在50次运算中产生循环节。找到循环节后,就可以轻松解决了。

AC代码2

#include <iostream>
#include <cstdio>
using namespace std;
int jk[55];
int main(){
	ios::sync_with_stdio(0);
	int i, j, x, y, z, a, b, n;
	while(cin >> a >> b >> n){
		if(a == 0 && b == 0 && n == 0) break;
		if(n == 1 || n == 2){
			cout << 1 << endl;
			continue;
		}
		jk[1] = jk[2] = 1;
		for(i = 3; i <= n; ++i){
			jk[i] = (a*jk[i-1]+b*jk[i-2]) % 7;
			for(j = 2; j < i; ++j){
				if(jk[j-1] == jk[i-1] && jk[j] == jk[i]){
					x = j-1, y = i-2;
					break;
				}
			}
			if(i != j) break;
		}
		if(i > n) cout << jk[n] << endl;
		else{
			z = y-x+1;
			i = y;
			while(i+z < n) i += z;
			cout << jk[x+n-i-1] << endl;
		}
	}
	return 0;
}



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