「POI2007」ZAP-Queries「莫比乌斯反演」

博客围绕莫比乌斯反演相关题目展开,包含T组询问求解问题。题解中假设a≤b,采用整除分块的方法来解决题目。

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

题目传送门

题意

T组询问求,

i=1aj=1b[gcd(i,j)=d] ∑ i = 1 a ∑ j = 1 b [ g c d ( i , j ) = d ]
T,a,b,d5×104 T , a , b , d ≤ 5 × 10 4

题解

不妨设 ab a ≤ b .

i=1aj=1b[gcd(i,j)=d] ∑ i = 1 a ∑ j = 1 b [ g c d ( i , j ) = d ]

=i=1adj=1bd[gcd(i,j)=1] = ∑ i = 1 ⌊ a d ⌋ ∑ j = 1 ⌊ b d ⌋ [ g c d ( i ′ , j ′ ) = 1 ]

=i=1adj=1bde(gcd(i,j)) = ∑ i = 1 ⌊ a d ⌋ ∑ j = 1 ⌊ b d ⌋ e ( g c d ( i , j ) )

=i=1adj=1bdk|gcd(i,j)e(gcd(i,j)) = ∑ i = 1 ⌊ a d ⌋ ∑ j = 1 ⌊ b d ⌋ ∑ k | g c d ( i , j ) e ( g c d ( i , j ) )

=i=1adj=1bdk|i,k|jμ(k) = ∑ i = 1 ⌊ a d ⌋ ∑ j = 1 ⌊ b d ⌋ ∑ k | i , k | j μ ( k )

=k=1adμ(k)adkbdk = ∑ k = 1 ⌊ a d ⌋ μ ( k ) ⌊ a d k ⌋ ⌊ b d k ⌋

然后整除分块做一下就行.

#include <iostream>
#include <cstdio>
using namespace std;

typedef long long LL;

const int MAXN = 50010;

bool tag[MAXN];
int pr[MAXN], tot, mu[MAXN];
LL mus[MAXN];

void init(int n) {
    tag[1] = true;
    mus[1] = mu[1] = 1;
    for(int i = 2; i <= n; i ++) {
        if(!tag[i]) {
            pr[++ tot] = i;
            mu[i] = -1;
        }
        for(int j = 1; j <= tot && i * pr[j] <= n; j ++) {
            tag[i * pr[j]] = true;
            if(i % pr[j] == 0) {
                mu[i * pr[j]] = 0;
                break ;
            }
            mu[i * pr[j]] = - mu[i];
        }
        mus[i] = mus[i - 1] + mu[i];
    }
}

LL calc(int a, int b, int d) {
    if(a > b) a ^= b ^= a ^= b;
    a /= d; b /= d;
    LL ans = 0;
    for(int i = 1, j; i <= a; i = j + 1) {
        j = min(a / (a / i), b / (b / i));
        ans += (mus[j] - mus[i - 1]) * (a / i) * (b / i);
    }
    return ans;
}

int main() {
    init(50000);
    int n, a, b, d;
    for(scanf("%d", &n); n --; ) {
        scanf("%d%d%d", &a, &b, &d);
        printf("%lld\n", calc(a, b, d));
    }
    return 0;
}
内容概要:本文介绍了基于SMA-BP黏菌优化算法优化反向传播神经网络(BP)进行多变量回归预测的项目实例。项目旨在通过SMA优化BP神经网络的权重和阈值,解决BP神经网络易陷入局部最优、收敛速度慢及参数调优困难等问题。SMA算法模拟黏菌寻找食物的行为,具备优秀的全局搜索能力,能有效提高模型的预测准确性和训练效率。项目涵盖了数据预处理、模型设计、算法实现、性能验证等环节,适用于多变量非线性数据的建模和预测。; 适合人群:具备一定机器学习基础,特别是对神经网络和优化算法有一定了解的研发人员、数据科学家和研究人员。; 使用场景及目标:① 提升多变量回归模型的预测准确性,特别是在工业过程控制、金融风险管理等领域;② 加速神经网络训练过程,减少迭代次数和训练时间;③ 提高模型的稳定性和泛化能力,确保模型在不同数据集上均能保持良好表现;④ 推动智能优化算法与深度学习的融合创新,促进多领域复杂数据分析能力的提升。; 其他说明:项目采用Python实现,包含详细的代码示例和注释,便于理解和二次开发。模型架构由数据预处理模块、基于SMA优化的BP神经网络训练模块以及模型预测与评估模块组成,各模块接口清晰,便于扩展和维护。此外,项目还提供了多种评价指标和可视化分析方法,确保实验结果科学可信。
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