CDOJ1544 [“玲珑杯” 线上赛Round #17 B] 当咸鱼也要按照基本法(容斥原理 凑系数)

本文解决了一个特定的算法问题(CDOJ1544),通过使用容斥原理来统计在一定范围内,满足特定条件的数的数量。该问题涉及到数学中的组合计数与算法优化。

(CDOJ1544 [“玲珑杯” 线上赛Round #17 B] 当咸鱼也要按照基本法

原题地址
http://acm.uestc.edu.cn/#/problem/show/1544
http://www.ifrog.cc/acm/problem/1138

题意:
zhu有N条咸鱼(标号从1到N),每条咸鱼都有一个咸鱼值Ki,初始时所有Ki都是0.
zhu有M个咸数,对于每个咸数x,他都会让所有满足标号是x倍数的咸鱼的咸鱼值异或上1.
zhu现在想知道经过了这M个咸数的筛选之后,最终有多少条的咸鱼的咸鱼值是1?

数据范围
1≤T≤1000,1≤N≤1e9,1≤M≤15,1≤咸数≤2∗1e5

题解:
原题意即:
给定m 个数a1…am, 统计[1,n] 的整数中, 满足a1…am 中有奇数个数整除它的数的个数。
N很大,而M才15,要从M下手,
易得到至少整除集合s的数的个数,考虑容斥。
当然这要求有奇数个数整除它,容斥系数似乎不大好确定。

根据要求得到关于容斥系数的式子:

i=0k(ki)fi=k mod 2

f(i) 可以 m2 推。(当然打表或者手推可以发现是 fi=[i0](2)i1
然后 2m 枚举子集乘上相应的容斥系数,直接容斥即可。

(longlong不开WA一天)

代码:

#include<cstdio>
#include<iostream>
#include<algorithm>
#include<cstring>
#define LL long long
using namespace std;
const int N=20;
int T,m,f[N],C[N][N],a[N];
int cnt[100005],lg[100005];
LL n,lcm[100005],ans=0;
LL gcd(LL x,LL y) {return y==0?x:gcd(y,x%y);}
int main()
{
    scanf("%d",&T);
    for(int i=0;i<=16;i++) lg[1<<i]=i;
    for(int i=0;i<=16;i++) for(int j=0;j<=i;j++) if(j==0||i==j) C[i][j]=1;else C[i][j]=C[i-1][j-1]+C[i-1][j];
    f[1]=1;
    for(int i=2;i<=16;i++)
    {
        int s=0; for(int j=1;j<i;j++) s+=C[i][j]*f[j];
        f[i]=i%2-s;
    }
    while(T--)
    {
        scanf("%lld%d",&n,&m);
        for(int i=1;i<=m;i++) scanf("%d",&a[i]);
        int top=1<<m; ans=0;
        for(int s=1;s<top;s++)
        {
            int x=(s&(-s)); int ss=s^x;
            if(!ss) {cnt[s]=1; lcm[s]=1LL*a[lg[x]+1];}
            else if(lcm[ss]==-1) {lcm[s]=-1; cnt[s]=cnt[ss]+1; continue;}
            else {cnt[s]=cnt[ss]+1; lcm[s]=1LL*lcm[ss]*(1LL*a[lg[x]+1]/gcd(lcm[ss],1LL*a[lg[x]+1]));}
            ans+=1LL*f[cnt[s]]*1LL*(1LL*n/lcm[s]);
            if(lcm[s]>n) lcm[s]=-1;
        }
        printf("%lld\n",ans);
    }
    return 0;
}

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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