SPOJ VLATTICE Visible Lattice Points 莫比乌兹反演入门题

本文介绍了一种算法,用于计算在三维空间中从原点能看到的整数坐标点的数量,特别关注于当这些点位于一个由参数n定义的立方体内时的情形。文章通过数学方法分析了问题,并提供了一个具体的实现方案。

题意

求在(0,0,0)到(n,n,n)这个立方体里从(0,0,0)能看到多少个点。50个case,n为1e6

思路

首先最直观的想法就是,能看到的点都是 gcd(x, y, z) = 1的点。即该点到原点的线段没有其他点。
这样还不够,因为这个式子里并不包含x,y,z 等于0的点。
讨论一下:

  1. gcd(x, y, z) = 1 的点的个数 (1 ≤ x ≤ n, 1 ≤ y ≤ n, 1 ≤ z ≤ n)
  2. 3倍的 gcd(x, y) = 1的点的个数(x坐标平面, 但不包含坐标轴的点)
  3. 3 三条坐标轴上的点,每条只能看到一个点
#include<iostream>
#include<algorithm>
#include<cstring>
using namespace std;
typedef long long ll;
const int maxn = 1e6 + 4;
const int inf = 0x3f3f3f3f;
bool check[maxn+10];
int prime[maxn+10];
int mu[maxn+10];
void Moblus(){
    memset(check,false,sizeof(check));
    mu[1] = 1;
    int tot = 0;
    for(int i = 2; i <= maxn; i++){
        if(!check[i]){
            prime[tot++] = i;
            mu[i] = -1;
        }
        for(int j = 0; j < tot; j++){
            if(i * prime[j] > maxn) break;
            check[i * prime[j]] = true;
            if( i % prime[j] == 0){
                mu[i * prime[j]] = 0;
                break;
            }
            else{
                mu[i * prime[j]] = -mu[i];
            }
        }
    }
}
ll F[maxn];
int main(){
    int n, T, kase = 1;
    cin>>T;
    Moblus();
    while(T--){
        cin>>n;
        ll f1 = 0;
        for(int i = 1; i <= n; i++){
            //F[i] = (ll)(n / i) * (ll)(n / i) * (ll)(n / i ); - 这是三维的情况
            //F[i] = (ll)(n / i) * (ll)(n / i) * (ll)3; - 这是二维的情况 
            F[i] = (ll)(n / i) * (ll)(n / i) * (ll)(n / i + 3);
            f1 += F[i] * mu[i];
        }
        //这是一维的情况 
        f1 += 3;
        cout<<f1<<endl;
    }
}
【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
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