开门游戏,51nod1372,数竞+简单的莫比乌斯反演

本文介绍了一种求解从1到n!的整数与n!的最大公约数之和的方法。该算法利用了数学上的卷积性质,并通过质因数分解和快速幂运算等手段进行优化。

正题

首先要解出F(n)F(n)F(n),这东西也是问老Win才会的,不过会了也没什么用。
然后剩下的就是个求111n!n!n!n!n!n!的gcd之和。∑i=1mgcd(i,m)∑d∣md∑i=1md[gcd(i,md)=1]∑d∣md∑g=1mdμ(g)mdg∑T∣m(id∗μ)(T)mT(φ∗id)(m) \\ \sum_{i=1}^mgcd(i,m) \\ \sum_{d|m} d\sum_{i=1}^{\frac{m}{d}} [gcd(i,\frac{m}{d})=1] \\ \sum_{d|m} d\sum_{g=1}^{\frac{m}{d}}\mu(g) \frac{m}{dg} \\ \sum_{T|m} (id*\mu)(T) \frac{m}{T} \\ (\varphi * id)(m) i=1mgcd(i,m)dmdi=1dm[gcd(i,dm)=1]dmdg=1dmμ(g)dgmTm(idμ)(T)Tm(φid)(m)
这个(φ∗id)(\varphi * id)(φid)是两个积性函数的卷积,显然也是个积性函数。而且(φ∗id)(pk)(\varphi * id)(p^k)(φid)(pk)很好求,然后把质因子个数筛出来就可以了。

#include<bits/stdc++.h>
using namespace std;

const int N=100010;
int T,n;
bool vis[N];
int p[N];
const int mod=1000000007;

int ksm(int x,int t){
	int tot=1;
	while(t){
		if(t&1) tot=1ll*tot*x%mod;
		x=1ll*x*x%mod;
		t/=2;
	}
	return tot;
}

int main(){
	scanf("%d",&T);
	n=100005;
	for(int i=2;i<=n;i++){
		if(!vis[i]) p[++p[0]]=i;
		for(int j=1;j<=p[0] && 1ll*i*p[j]<=n;j++){
			vis[i*p[j]]=true;
			if(i%p[j]==0) break;
		}
	}
	for(int op=1;op<=T;op++){
		scanf("%d",&n);
		int ans=1;
		for(int i=1;p[i]<=n;i++) {
			int tot=0,tmp=n/p[i];
			while(tmp) tot+=tmp,tmp/=p[i];
			if(p[i]==2) tot--;
			ans=1ll*ans*(1ll*(tot+1)*ksm(p[i],tot)%mod+mod-1ll*tot*ksm(p[i],tot-1)%mod)%mod;
		}
		printf("Case #%d: %d\n",op,ans);
	}
}
基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究(Matlab代码实现)内容概要:本文围绕“基于数据驱动的 Koopman 算子的递归神经网络模型线性化,用于纳米定位系统的预测控制研究”展开,提出了一种结合数据驱动方法与Koopman算子理论的递归神经网络(RNN)模型线性化方法,旨在提升纳米定位系统的预测控制精度与动态响应能力。研究通过构建数据驱动的线性化模型,克服了传统非线性系统建模复杂、计算开销大的问题,并在Matlab平台上实现了完整的算法仿真与验证,展示了该方法在高精度定位控制中的有效性与实用性。; 适合人群:具备一定自动化、控制理论或机器学习背景的科研人员与工程技术人员,尤其是从事精密定位、智能控制、非线性系统建模与预测控制相关领域的研究生与研究人员。; 使用场景及目标:①应用于纳米级精密定位系统(如原子力显微镜、半导体制造设备)中的高性能预测控制;②为复杂非线性系统的数据驱动建模与线性化提供新思路;③结合深度学习与经典控制理论,推动智能控制算法的实际落地。; 阅读建议:建议读者结合Matlab代码实现部分,深入理解Koopman算子与RNN结合的建模范式,重点关注数据预处理、模型训练与控制系统集成等关键环节,并可通过替换实际系统数据进行迁移验证,以掌握该方法的核心思想与工程应用技巧。
基于粒子群算法优化Kmeans聚类的居民用电行为分析研究(Matlb代码实现)内容概要:本文围绕基于粒子群算法(PSO)优化Kmeans聚类的居民用电行为分析展开研究,提出了一种结合智能优化算法与传统聚类方法的技术路径。通过使用粒子群算法优化Kmeans聚类的初始聚类中心,有效克服了传统Kmeans算法易陷入局部最优、对初始值敏感的问题,提升了聚类的稳定性和准确性。研究利用Matlab实现了该算法,并应用于居民用电数据的行为模式识别与分类,有助于精细化电力需求管理、用户画像构建及个性化用电服务设计。文档还提及相关应用场景如负荷预测、电力系统优化等,并提供了配套代码资源。; 适合人群:具备一定Matlab编程基础,从事电力系统、智能优化算法、数据分析等相关领域的研究人员或工程技术人员,尤其适合研究生及科研人员。; 使用场景及目标:①用于居民用电行为的高效聚类分析,挖掘典型用电模式;②提升Kmeans聚类算法的性能,避免局部最优问题;③为电力公司开展需求响应、负荷预测和用户分群管理提供技术支持;④作为智能优化算法与机器学习结合应用的教学与科研案例。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,深入理解PSO优化Kmeans的核心机制,关注参数设置对聚类效果的影响,并尝试将其应用于其他相似的数据聚类问题中,以加深理解和拓展应用能力。
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