POJ 3233 Matrix Power Series (矩阵快速幂 + 二分思想)

本文介绍了一种利用矩阵快速幂高效计算多项式求和的方法。通过对矩阵进行特定的组合和快速幂运算,可以在log级别的时间复杂度内完成计算。适用于解决数据范围大的问题。

题目连接

题意:求 A + A2 + A3 + … + Ak

数据范围:(n (n ≤ 30), k (k ≤ 109) and m (mod< 104)

根据矩阵的分配结合率可以把上式如下处理:

假设k=6,A^1+A^2+A^3+A^4+A^5+A^6 =  A^1+A^2+A^3 + A^3*(A^1+A^2+A^3) = (E + A^3)*(A^1+A^2+A^3);

而,A^1+A^2+A^3 = (A^1+E)*A^1 + A^3;

所以 A^1+A^2+A^3+A^4+A^5+A^6 = (A^3+E ) * [ (A^1+E)*A^1 + A^3 ]

可以看到,每次k除2,最多只会有logk个形如 (A^i + E)这样的式子相乘,然后如果k不能整除2的话,就把最后一个拿出来单独加,整个复杂度是logk的,求A^k次是n^3*logk,总复杂度n^3*logk*logk。

【代码】

/* ***********************************************
Author        :angon

************************************************ */
#include <stdio.h>
#include <string.h>
#include <iostream>
#include <algorithm>
#include <stack>
#include <vector>
#include <queue>
#include <set>
#include <map>
#include <string>
#include <math.h>
#include <stdlib.h>
#include <time.h>
using namespace std;
#define showtime fprintf(stderr,"time = %.15f\n",clock() / (double)CLOCKS_PER_SEC)
#define lld %I64d
#define REP(i,k,n) for(int i=k;i<n;i++)
#define REPP(i,k,n) for(int i=k;i<=n;i++)
#define scan(d) scanf("%d",&d)
#define scanl(d) scanf("%I64d",&d)
#define scann(n,m) scanf("%d%d",&n,&m)
#define scannl(n,m) scanf("%I64d%I64d",&n,&m)
#define mst(a,k)  memset(a,k,sizeof(a))
#define LL long long
#define N 30
inline int read(){int s=0;char ch=getchar();for(; ch<'0'||ch>'9'; ch=getchar());for(; ch>='0'&&ch<='9'; ch=getchar())s=s*10+ch-'0';return s;}

int n,k,mod;

struct Matrix
{
    int v[N][N];
};
Matrix operator * (Matrix A, Matrix B)
{
    Matrix ans;
    for (int i = 0; i < n; i++)
    {
        for (int j = 0; j < n; j++)
        {
            ans.v[i][j] = 0;
            for (int k = 0; k < n; k ++)
            {
                ans.v[i][j] += (A.v[i][k] * B.v[k][j]) % mod;
            }
            ans.v[i][j] %= mod;
        }
    }
    return ans;
}

Matrix matrix_pow(Matrix C, int p)
{
    Matrix ans;
    for(int i = 0; i < n; ++i)
        for(int j = 0; j < n; ++j)
            ans.v[i][j] = (i == j);
    while (p)
    {
        if (p & 1)
            ans = ans * C;
        C = C * C;
        p >>= 1;
    }
    return ans;
}
Matrix operator + (Matrix a, Matrix b)
{
    Matrix c;
    memset(c.v, 0, sizeof(c.v));
    for(int i=0;i<n;i++)
        for(int j=0;j<n;j++)
                c.v[i][j] = (a.v[i][j] + b.v[i][j]) % mod;
    return c;
}
void output( Matrix a)
{
    REP(i,0,n)
        REP(j,0,n)
            printf("%d%c",a.v[i][j],j<n-1?' ':'\n');
}
Matrix E,A;
Matrix dfs(int r)
{
    if(r==1) return A;
    if( r%2==0 )
    {
        return (matrix_pow(A,r/2) + E ) * dfs(r/2);
    }
    else
    {
        return (matrix_pow(A,r/2) + E) * dfs(r/2) + matrix_pow(A,r);
    }
}

int main()
{
    while(~scanf("%d%d%d",&n,&k,&mod))
    {
        Matrix ans;
        for(int i = 0; i < n; ++i)
            for(int j = 0; j < n; ++j)
                E.v[i][j] = (i==j);
        REP(i,0,n) REP(j,0,n) scan(A.v[i][j]);
        ans = dfs(k);
        output(ans);
    }
}


【无线传感器】使用 MATLAB和 XBee连续监控温度传感器无线网络研究(Matlab代码实现)内容概要:本文围绕使用MATLAB和XBee技术实现温度传感器无线网络的连续监控展开研究,介绍了如何构建无线传感网络系统,并利用MATLAB进行数据采集、处理与可视化分析。系统通过XBee模块实现传感器节点间的无线通信,实时传输温度数据至主机,MATLAB负责接收并处理数据,实现对环境温度的动态监测。文中详细阐述了硬件连接、通信协议配置、数据解析及软件编程实现过程,并提供了完整的MATLAB代码示例,便于读者复现和应用。该方案具有良好的扩展性和实用性,适用于远程环境监测场景。; 适合人群:具备一定MATLAB编程基础和无线通信基础知识的高校学生、科研人员及工程技术人员,尤其适合从事物联网、传感器网络相关项目开发的初学者与中级开发者。; 使用场景及目标:①实现基于XBee的无线温度传感网络搭建;②掌握MATLAB与无线模块的数据通信方法;③完成实时数据采集、处理与可视化;④为环境监测、工业测控等实际应用场景提供技术参考。; 阅读建议:建议读者结合文中提供的MATLAB代码与硬件连接图进行实践操作,先从简单的点对点通信入手,逐步扩展到多节点网络,同时可进一步探索数据滤波、异常检测、远程报警等功能的集成。
内容概要:本文系统讲解了边缘AI模型部署与优化的完整流程,涵盖核心挑战(算力、功耗、实时性、资源限制)与设计原则,详细对比主流边缘AI芯片平台(如ESP32-S3、RK3588、Jetson系列、Coral等)的性能参数与适用场景,并以RK3588部署YOLOv8为例,演示从PyTorch模型导出、ONNX转换、RKNN量化到Tengine推理的全流程。文章重点介绍多维度优化策略,包括模型轻量化(结构选择、输入尺寸调整)、量化(INT8/FP16)、剪枝与蒸馏、算子融合、批处理、硬件加速预处理及DVFS动态调频等,显著提升帧率并降低功耗。通过三个实战案例验证优化效果,最后提供常见问题解决方案与未来技术趋势。; 适合人群:具备一定AI模型开发经验的工程师,尤其是从事边缘计算、嵌入式AI、计算机视觉应用研发的技术人员,工作年限建议1-5年;熟悉Python、C++及深度学习框架(如PyTorch、TensorFlow)者更佳。; 使用场景及目标:①在资源受限的边缘设备上高效部署AI模型;②实现高帧率与低功耗的双重优化目标;③掌握从芯片选型、模型转换到系统级调优的全链路能力;④解决实际部署中的精度损失、内存溢出、NPU利用率低等问题。; 阅读建议:建议结合文中提供的代码实例与工具链(如RKNN Toolkit、Tengine、TensorRT)动手实践,重点关注量化校准、模型压缩与硬件协同优化环节,同时参考选型表格匹配具体应用场景,并利用功耗监测工具进行闭环调优。
以下是Java解决POJ3233矩阵幂序列问题的代码和解释: ```java import java.util.Scanner; public class Main { static int n, k, m; static int[][] A, E; public static void main(String[] args) { Scanner sc = new Scanner(System.in); n = sc.nextInt(); k = sc.nextInt(); m = sc.nextInt(); A = new int[n][n]; E = new int[n][n]; for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { A[i][j] = sc.nextInt() % m; E[i][j] = (i == j) ? 1 : 0; } } int[][] res = matrixPow(A, k); int[][] ans = matrixAdd(res, E); printMatrix(ans); } // 矩阵乘法 public static int[][] matrixMul(int[][] a, int[][] b) { int[][] c = new int[n][n]; for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { for (int k = 0; k < n; k++) { c[i][j] = (c[i][j] + a[i][k] * b[k][j]) % m; } } } return c; } // 矩阵快速幂 public static int[][] matrixPow(int[][] a, int b) { int[][] res = E; while (b > 0) { if ((b & 1) == 1) { res = matrixMul(res, a); } a = matrixMul(a, a); b >>= 1; } return res; } // 矩阵加法 public static int[][] matrixAdd(int[][] a, int[][] b) { int[][] c = new int[n][n]; for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { c[i][j] = (a[i][j] + b[i][j]) % m; } } return c; } // 输出矩阵 public static void printMatrix(int[][] a) { for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { System.out.print(a[i][j] + " "); } System.out.println(); } } } ``` 解释: 1. 首先读入输入的n、k、m和矩阵A,同时初始化单位矩阵E。 2. 然后调用matrixPow函数求出A的k次幂矩阵res。 3. 最后将res和E相加得到结果ans,并输出。 4. matrixMul函数实现矩阵乘法,matrixPow函数实现矩阵快速幂matrixAdd函数实现矩阵加法,printMatrix函数实现输出矩阵
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