小小的模线性方程(组)

1).poj1006.生理周期

已知四个数 p, e, i, d,求一个数 a,满足 a % 23 = p,a % 28 = e,a % 33 = i,输出 a - d。特别地,a 不能超过 21252

因为 23,28,33 两两互质,所以这道题就是中国剩余定理。

#include <cstdio>

using namespace std;

typedef long long LL;

LL p, e, i, lcm, d;
int tot = 0;

void doit()
{
	++ tot;
	lcm = 21252;
	LL t = (5544 * p + 14421 * e + 1288 * i - d + lcm) % lcm;
	if (t == 0) t = 21252;
	printf("Case %d: the next triple peak occurs in %lld days.\n", tot, t);
}

int main()
{
	while (scanf("%lld%lld%lld%lld", &p, &e, &i, &d) != EOF){
		if (p == -1 && e == -1 && i == -1 && d == -1) break;
		doit();
	}
	return 0;
}

2).poj2891.Strange Way to Express Integers

x = ri (mod ai),求x 的最小非负整数值。

中国剩余定理?不能用啦!因为没有保证 ai 互质。换一种方法?

假设我们已经求出了前若干个方程的一个解 T,之前的方程中所有ai的最小公倍数为 lcm可以发现 T+k*lcm为常数)也是前若干个方程的解。加入当前方程后,问题转化为:找到一个 k,使 (T + k * lcm) mod ai = ri,也就是lcm * k ≡ ri - T (modai)。这又是一个一次线性同余方程的问题了。因此用 exgcd 解 N 次线性同余方程,就可以求出这个线性同余方程组的解。
#include <cstdio>

using namespace std;

typedef long long LL;

int n;
LL a1, a2, r1, r2, x, y, d;

void init()
{
	scanf("%I64d%I64d", &a1, &r1);
}

void ex_gcd(LL a, LL b, LL &d, LL &x, LL &y)
{
	if (!b){
		x = 1; y = 0; d = a;
		return;
	} else {
		ex_gcd(b, a % b, d, x, y);
		int t = x;
		x = y; y = t - a / b * x;
	}
}

void doit()
{
	bool flag = 1;
	for (int i = 2; i <= n; i ++){
		scanf("%I64d%I64d", &a2, &r2);
		LL a = a1, b = a2, c = r2 - r1;
		ex_gcd(a, b, d, x, y);
		
		if (c % d) flag = 0;
		
		LL t = b / d;
		x = (((x * c / d) % t) + t) % t;
		r1 = a1 * x + r1;
		a1 = a1 * a2 / d;
	}
	if(!flag) r1 = -1;
	printf("%I64d\n", r1);
}

int main()
{
	while(scanf("%d", &n) != EOF){
		init();
		doit();
	}
	return 0;
}



基于数据驱动的 Koopman 算子的递归神经网络型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化型,克服了传统非线性系统建复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建范式,重点关注数据预处理、型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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