Minimum Sum LCM UVA - 10791 gcd+lcm+唯一分解定理

本文探讨了一种算法,用于解决给定整数n时,寻找所有互质数对的最大公约数为n且和最小的问题。通过唯一分解定理和优化处理,文章提供了一段C++代码实现,详细解释了如何高效地找到这些数并计算它们的和。

这里的题目意思是 2个或2个以上的数组成的最大共因数是n并且使得这几个数的和最小  例如有两数 a b  不互质  即 gcd(a,b)!=1

假设他们的最小公倍数 lcm(a,b)=n  即  a/gcd(a,b)*b  而a/gcd(a,b) 和n的最小公倍数也为n   反而和更小了  所以 应该取互质的数

这里就要用到唯一分解定理了 其中有一些细节处理见代码

#include<bits/stdc++.h>
using namespace std;
typedef  long long ll;
const ll maxn=1<<31;
int solve(long long & n, int d) {
  int x = 1;
  while(n % d == 0) { n /= d; x *= d; }
  return x;
}

int main(){
	//memset(vis,0,sizeof(vis));
 int kase=1;
long long n;
 while(cin>>n&&n){
	 long long ans=0;
  if(n==1)printf("Case %d: %d\n",kase++,2);
  else {
	  int temp=0;
	  int m=sqrt(n+0.5);
	  for(int i=2;i<=m;i++){
		  if(n%i==0){
			  temp++;
            ans+=solve(n,i);
		  }
	  }
	  if(n!=1||temp==0){//如果n剩余值为素数并且大于 sqrt(n) 则还要除以这个素数才能等于1 或者一直就没有素因子小于sqrt(n)的 
		  temp++;
		  ans+=n;
	  }
	  if(temp==1)ans++;//如果 只有一个素因子就是他本身 还要加上1*n==n 1+n=ans这样得出ans
  

	  printf("Case %d: %lld\n",kase++,ans);
  }
 }
}

 

### K-Means++ 算法在 YOLO 物体检测框架中的应用 #### 使用 K-Means++ 初始化锚框尺寸 为了提高YOLO模型的检测效果,特别是在处理不同尺度和比例的目标时,K-Means++被用来优化初始锚框的选择。传统上,YOLO使用固定的先验框大小来进行边界框预测,这可能导致某些特定形状或大小的对象检测不佳。 采用K-Means++算法能够基于训练集的真实标注框分布自适应地确定一组最优的基础锚框尺寸[^1]。具体来说,在预处理阶段,所有地面实况边框会被收集起来作为输入样本集合S={b_1,b_2,...,b_n},其中n表示总共有多少个真实框。对于每一个真实框bi=(wi,hi),w代表宽度,h代表高度。接着按照如下方式执行: - **初始化**: 随机选取一个中心点c_1∈S; - **迭代更新**: - 对于剩余未选作簇心的数据点bj(j≠i),计算距离d(bj,c_k)=1−IoU(bj,c_k); - 找到使得上述表达式的期望最小化的下一个簇心ci; - 更新已分配给各簇的心的距离平方和J=&sum;_(∀p∈P)(min⁡(∥p-c_i∥²)); - 当达到最大迭代次数或者J的变化小于设定阈值时停止循环; 最后得到的一组质心即为所求的最佳锚框参数配置。这种方法确保了生成的锚框更贴近实际数据集中目标物体的比例特性,从而提高了模型的学习效率以及最终的检测准确性[^3]。 ```python import numpy as np def iou(box, clusters): """ 计算单个box与clusters之间的交并比(IOU) 参数: box (array): 形状为[2],分别对应宽高 clusters (array): Numpy数组,形状为[num_clusters, 2] 返回: array: IOUs between the box and each cluster center. """ x = np.minimum(clusters[:, 0], box[0]) y = np.minimum(clusters[:, 1], box[1]) intersection = x * y box_area = box[0] * box[1] cluster_area = clusters[:, 0] * clusters[:, 1] union = box_area + cluster_area - intersection return intersection / union def avg_iou(boxes, clusters): """Calculate average Intersection Over Union across all boxes.""" return np.mean([np.max(iou(boxes[i], clusters)) for i in range(boxes.shape[0])]) def kmeans_plusplus(boxes, num_clusters, dist=np.median): """Run KMeans++ clustering to find optimal anchor sizes""" indices = list(range(len(boxes))) np.random.shuffle(indices) centroids = [boxes[indices.pop()]] while len(centroids)<num_clusters: D2 = process_distances(boxes, centroids) probs = D2/D2.sum() cumprobs = probs.cumsum() r = np.random.rand() for j,p in enumerate(cumprobs): if r<p: i=j break centroids.append(boxes[indices.pop(i)]) return np.array(centroids) def process_distances(points, centers): distances = [] for p in points: min_dist = float('inf') for c in centers: d = 1.-iou(p,c)[0] if d<min_dist: min_dist=d distances.append(min_dist) return np.array(distances)**2 ```
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