HYSZB PROBLEM B(mobius反演+分块+容斥原理)

本文详细介绍了如何使用Mobius反演求解特定区间内两数最大公约数为指定值的数对个数问题,并通过分块技巧优化算法效率,避免超时。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这道题和hdu1965思路基本类似,
http://blog.youkuaiyun.com/abc13068938939/article/details/52198163
mobius反演得出的结果是(过程在上面的博文中有介绍)
1< =i< =m和1< =j< =n中gcd(i,j)=k的个数
令m~=m/k, n~=n/k。且不妨设m < = n。

f(1)=Sigma(d=1 : m) u(d)* ((m~)/d) *((n~)/d)。

m/=k,n/=k;
if(m>n) swap(n,m);
LL res=0ll;
for(int i=1;i<=m;i++)
    res+=u(i)*(m/i)*(n/i);

然后a< =i< =b和c< =j< =d中gcd(i,j)=k的个数=
solve(b/k,d/k)-solve(b/k,(c-1)/k)-solve((a-1)/k,d/k)+solve((a-1)/k,(c-1)/k)。
其中solve(n,m)表示1< =i< =m和1< =j< =n中gcd(i,j)=1的个数。
但是这是会超时的,
事实上m/i它在一小块内是不会变的,比如
m=100 i=26:33,m/i均等于3,也就是这一部分可以合着计算。
分块不熟可以看这道题bzoj1257(余数之和)

#include <iostream>
#include <stdio.h>
#include <algorithm>
#include <stdlib.h>
#include <stack>
#include <vector>
#include <string.h>
#include <queue>
#define msc(X) memset(X,-1,sizeof(X))
#define ms(X) memset(X,0,sizeof(X))
typedef long long LL;
using namespace std;
const int MAXN=50005;
int sum[MAXN+10],mu[MAXN+10];
void getMobius(void)
{
    for(int i=1;i<=MAXN;i++)
    {
        int target=(i==1?1:0);
        int delta=target-mu[i];
        mu[i]=delta;
        for(int j=i+i;j<=MAXN;j+=i)
            mu[j]+=delta;
    }
}
LL solve(int x,int y)
{
    LL res=0ll;
    for(int i=1,r;i<=x&&i<=y;i=r+1)
    {
        int dx=x/i,dy=y/i;
        r=min(x/dx,y/dy);
        res+=(LL)(sum[r]-sum[i-1])*dx*dy;
    }
    return res;
}
int main(int argc, char const *argv[])
{
    int n;
    cin>>n;
    ms(mu);
    getMobius();
    sum[0]=0;
    for(int i=1;i<=MAXN;i++)
        sum[i]=sum[i-1]+mu[i];
    while(n--){
        int a,b,c,d,k;
        scanf("%d %d %d %d %d",&a,&b,&c,&d,&k);
        a=(a+k-1)/k,c=(c+k-1)/k;//向上取整
        b/=k,d/=k;//向下取整
        LL ans=solve(b,d)-solve(a-1,d)-solve(b,c-1)+solve(a-1,c-1);
        printf("%lld\n",ans );
    }
    return 0;
}
内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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