同余及其性质(Congruence)

【数论】同余(一):同余的基本概念与性质 数论,同余部分,基本概念与性质 阅读详情

同余(Congruence Modulo)是数论中的一种等价关系。给定一个正整数 m m m ,如果用 m m m去除任意两个正整数 a a a与 b b b所得到的余数相同,我们就称 a , b a,b a,b对模 m m m同余,记为 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m),否则称 a , b a,b a,b对模 m m m不同余,记为 a ≢ b  (mod  m ) a\not\equiv b\text{ (mod } m) a≡b (mod m),其中 m m m称作模。

  • 性质1(反身性): a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m)
  • 性质2(对称性):若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m),那么 b ≡ a  (mod  m ) b\equiv a\text{ (mod } m) b≡a (mod m)
  • 性质3(传递性):若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m),那么 b ≡ c  (mod  m ) → a ≡ c  (mod  m ) b\equiv c\text{ (mod } m) \rightarrow a\equiv c\text{ (mod } m) b≡c (mod m)→a≡c (mod m)
  • 性质4(可加减性):若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m), c ≡ d  (mod  m ) c\equiv d\text{ (mod } m) c≡d (mod m),那么 a ± c ≡ b ± d  (mod  m ) a\pm c \equiv b \pm d\text{ (mod } m) a±c≡b±d (mod m)

证明:设 a = V a b + K a ∗ m ,   b = V a b + K b ∗ m ,   c = V c d + K c ∗ m ,   d = V c d + K d ∗ m a = V_{ab} + K_a*m,\ b= V_{ab} + K_b*m,\ c = V_{cd} + K_c*m,\ d = V_{cd} + K_d*m a=Vab​+Ka​∗m, b=Vab​+Kb​∗m, c=Vcd​+Kc​∗m, d=Vcd​+Kd​∗m,则 ( a ± c ) % m = ( A ± C ) (a \pm c)\%m=(A\pm C) (a±c)%m=(A±C), ( b ± d ) % m = ( A ± C ) (b\pm d)\% m=(A\pm C) (b±d)%m=(A±C),即 a ± c ≡ b ± d  (mod  m ) a\pm c\equiv b\pm d\text{ (mod } m) a±c≡b±d (mod m)

  • 性质5(可乘性):若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m), c ≡ d  (mod  m ) c\equiv d\text{ (mod } m) c≡d (mod m),那么 a c ≡ b d  (mod  m ) ac\equiv bd\text{ (mod } m) ac≡bd (mod m)

证明:设 a = V a b + K a ∗ m ,   b = V a b + K b ∗ m ,   c = V c d + K c ∗ m ,   d = V c d + K d ∗ m a = V_{ab} + K_a*m,\ b= V_{ab} + K_b*m,\ c = V_{cd} + K_c*m,\ d = V_{cd} + K_d*m a=Vab​+Ka​∗m, b=Vab​+Kb​∗m, c=Vcd​+Kc​∗m, d=Vcd​+Kd​∗m,则 a c = ( V a b + K a ∗ m ) ( V c d + K c ∗ m ) ac=(V_{ab} + K_a*m)(V_{cd} + K_c*m) ac=(Vab​+Ka​∗m)(Vcd​+Kc​∗m), a c = ( V a b + K b ∗ m ) ( V c d + K d ∗ m ) ac=(V_{ab} + K_b*m)(V_{cd} + K_d*m) ac=(Vab​+Kb​∗m)(Vcd​+Kd​∗m),所以 a c % m = V a b V c d % m ac\%m=V_{ab}V_{cd}\% m ac%m=Vab​Vcd​%m, b d % m = V a b V c d % m bd\%m=V_{ab}V_{cd}\% m bd%m=Vab​Vcd​%m,即 a c ≡ b d  (mod  m ) ac\equiv bd\text{ (mod } m) ac≡bd (mod m)

  • 性质6:若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m),那么 k a ≡ k b  (mod  m ) ka\equiv kb\text{ (mod } m) ka≡kb (mod m)
  • 性质7:若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m), g c d ( c , m ) = 1 gcd(c, m) = 1 gcd(c,m)=1,那么 a c ≡ b c  (mod  m ) \frac{a}{c} \equiv \frac{b}{c}\text{ (mod } m) ca​≡cb​ (mod m)
  • 性质8:若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m),则 k a ≡ k b  (mod  k m ) ka\equiv kb\text{ (mod } km) ka≡kb (mod km)
  • 性质9:若 a ≡ b  (mod  m ) a\equiv b\text{ (mod } m) a≡b (mod m), c c c为 a , b , m a,b,m a,b,m的公因数,则 a c ≡ b c  (mod  m c ) \frac{a}{c}\equiv \frac{b}{c}\text{ (mod } \frac{m}{c}) ca​≡cb​ (mod cm​)
  • 性质10:若 a ≡ b  (mod  m i ) , i = 1 , 2 , ⋯   , k a\equiv b\text{ (mod } m_i), i = 1, 2, \cdots, k a≡b (mod mi​),i=1,2,⋯,k,则 a ≡ b  (mod lcm( m 1 , m 2 , ⋯   , m k ) ) a \equiv b \text{ (mod lcm(} m_1, m_2, \cdots, m_k)) a≡b (mod lcm(m1​,m2​,⋯,mk​))
  • 性质11:若 a ≡ b  (mod  m ) , c ∣ m , c > 0 a\equiv b\text{ (mod } m), c|m,c>0 a≡b (mod m),c∣m,c>0,则 a ≡ b  (mod  c ) a\equiv b \text{ (mod } c) a≡b (mod c)
  • 性质12:若 a ≡ b  (mod  m ) a \equiv b \text{ (mod } m) a≡b (mod m),则 gcd ⁡ ( a , m ) = gcd ⁡ ( g , m ) \gcd(a ,m) = \gcd(g, m) gcd(a,m)=gcd(g,m)

参考文献:

  1. 同余类
  2. 同余及其性质
初等数论 课堂笔记 第三章 --同余及其一些有趣的应用 吴正尧老师 初等数论 第三周 关于同余的笔记 阅读详情

相关推荐

26、计数序列的组合数学与数论中的同余性质

本文深入探讨了计数序列中贝尔数、富比尼数、调和数和超调和数的同余性质及非整数性质。重点分析了贝尔数的托卡尔同余、富比尼数的格罗斯同余及其推广形式,并研究了库雷帕猜想与错位排列数、贝尔数之间的关系。此外,利用p-进赋值和p-进绝对值的方法,证明了调和数和超调和数的非整数性质。这些理论不仅丰富了组合数学和数论的研究内容,还为密码学、计算机科学和组合优化问题提供了潜在的应用价值。

opencv7vision的博客 154

同余的基础性质

在开始之前,我们要先了解一些数论的基本符号(a,b)表示a,b的最大公约数,[a,b]表示a,b的最小公倍数,b|a表示a%b=0。在数论中我们定义同余:设m!=0,若m|a-b,则a-b=km。称m为模,a同余于b模m以及b是a模m的剩余。记做a≡b(modm),也称作模m的同余式。例如对于偶数我们总可以除尽2,那么用同余式就可写为a≡0(mod2),同理对于奇数我们可以写成a≡1(mod2)。...

阿狸的博客 5262

新手学习Vivado XDMA (1) - 配置详细分析

PCIe 在 Vivado XDMA 中的配置分析。

qq_18553915的博客 9706

青蛙的约会

题目描述 两只青蛙在网上相识了,它们聊得很开心,于是觉得很有必要见一面。它们很高兴地发现它们住在同一条纬度线上,于是它们约定各自朝西跳,直到碰面为止。可是它们出发之前忘记了一件很重要的事情,既没有问清楚对方的特征,也没有约定见面的具体位置。不过青蛙们都是很乐观的,它们觉得只要一直朝着某个方向跳下去,总能碰到对方的。但是除非这两只青蛙在同一时间跳到同一点上,不然是永远都不可能碰面的。为了帮助这

Donald—Hu的博客 528

麒麟信安3.3-6C电网版虚拟机安装避坑指南:从ISO下载到SSH配置全流程

本文提供麒麟信安3.3-6C电网版虚拟机的详细安装与配置指南。针对电力行业仿真测试需求,重点解析从ISO镜像获取、虚拟机环境准备、安装过程中的三大“雷区”(如多管理员密码逻辑、分区方案、网络配置)到首次启动后的网络、SSH及root策略配置的全流程避坑要点,帮助技术人员高效、安全地完成部署。

rainy的博客 853

CNN卷积神经网络手写数字识别实例及代码详解

本文的代码来自githup的Deep Learning的toolbox,是用Matlab实现的。感谢该toolbox的作者付出和分享。 我在应该该代码进行训练时,出现一些报错,如expand函数应用不对,flipall函数未定义等问题,对这些问题进行了修正,完成网络训练和验证。 本文mnist_uint8.mat的获取可以参照我的另一篇博客:MNIST数据库处理--matlab生成mnist_

VivienFu的专栏 6万+

同余及其性质

把数论里的一些零散的知识总结一下……【同余】a模b,即a除以b的余数,记做”a mod b”或”a%b”。 同余,用符号≡表示,若a%m=b%m则称a与b关于m同余,记做”a≡b (mod m)” 本文中,a与b的最大公约数记为(a,b),最小公倍数记为[a,b],a能整除b记为a|b【同余的几个性质】性质1:a≡a(mod m),(反身性) 性质2:若a≡b(mod m),那么b≡a(mod

linkfqy 5467

FFTW多核优化避坑指南:从交叉编译到ELF2板载OpenMP部署全流程

本文详细介绍了在ELF2开发板(RK3588平台)上为FFTW库配置OpenMP多核并行的完整流程与避坑指南。内容涵盖从交叉编译、库依赖处理到板载部署的实战步骤,并深入分析了RK3588的big.LITTLE架构对线程调优的影响,帮助开发者在嵌入式环境中高效利用多核性能。

2a4s6d8f0g的博客 269

同余运算及其基本性质

    100除以7的余数是2,意思就是说把100个东西七个七个分成一组的话最后还剩2个。余数有一个严格的定义:假如被除数是a,除数是b(假设它们均为正整数),那么我们总能够找到一个小于b的自然数r和一个整数m,使得a=bm+r。这个r就是a除以b的余数,m被称作商。我们经常用mod来表示取余,a除以b余r就写成a mod b = r。    如果两个数a和b之差能被m整除,那么我们

matrix67的专栏 2038

【UE5+Quest3】手部模型替换---3-0

这次手部模型替换遇到了一些小问题,不过好在是bug一个个都处理掉了,我会分开几个章节去整理。详细的视频教程可以参考油管大佬的视频手部素材放到文章末尾,自行下载使用。(仅用作学习研究,不可用于商用)

qbbmnnnnnn的博客 944

PDF批量加水印 与 去除水印实践

我们可以给PDF加图片水印或文字水印,要去除图片水印,一般只需要删除最后一个图片对象即可。要去除文字水印,需要保证主体内容和文字水印在/Contents中位于不同的对象内,这样我们只需要删除文字水印对应的对象即可删除水印。而对于主体内容和文字水印已经混合在一个对象时,本文的提供的方法则无能为力,需要进一步深入分析PDF细节。

小小明-代码实体的专栏 2756

Congruence relation 同余关系

https://en.wikipedia.org/wiki/Congruence_relation https://zh.wikipedia.org/wiki/%E5%90%8C%E9%A4%98%E9%97%9C%E4%BF%82 在数学特别是抽象代数中,同余关系或简称同余是相容于某个代数运算的等价关系。 目录 1 模算术 2 线性代...

weixin_30379973的博客 762

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

同余 congruence of squares

转自:http://blog.youkuaiyun.com/leonharetd/article/details/12918659 数学上,两个整数除以同一个整数,若得相同余数,则二整数同余(英文:Modular arithmetic;德文:Kongruenz)。同余理论常被用于数论中。最先引用同余的概念与符号者为德国数学家高斯。 同余 同余理论是初等数论的重要组成部分,

u011563614的专栏 1022

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

Congruence relation

1

qq_66485519的博客 371

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

【数论与组合数学 2】同余、中国剩余定理

1. 令 a, b, m\mathsf{a,\ b,\ m}a, b, m 为整数,且 m≠0\mathsf{m \neq 0}m=0 。当满足 m∣(a−b)\mathsf{m \mid (a-b)}m∣(a−b) 时,称 a 与 b 模 m 同余,写作 a≡b mod m\mathsf{a \equiv b \ mod \ m}a≡b mod m例子:3≡27 mod 12\mathsf{3 \equiv 27\ mod\ 12}3≡27 mod 12, −3≡11 mod 7\mathsf{-3

weixin_50560910的博客 595

同余理论:从时钟算术到RSA加密的数学基石与应用实践

同余是数论中研究整数除以固定数后余数相等关系的核心概念,它构成了模运算的理论基础。其原理在于将无穷整数集按余数分类,形成有限的同余类,从而简化复杂整数问题的分析。这一理论具有重要的技术价值,是许多现代计算技术的数学支柱,尤其在密码学、数据校验和算法优化中不可或缺。在应用场景上,同余理论支撑了RSA公钥加密算法、循环冗余校验(CRC)等关键系统,并广泛应用于解决线性同余方程、中国剩余定理问题以及大数幂取模的快速计算。掌握同余及其性质,如费马小定理和欧拉定理,是理解计算机科学底层逻辑和进行高效工程实践的关键。

weixin_33898233的博客 489

CF1734E Rectangular Congruence 题解

CF1734E详解

hexu2010的博客 285

同余定理

数学上,同余(英语:congruence modulo,符号:≡)是数论中的一种等价关系。当两个整数除以同一个正整数,若得相同余数,则二整数同余。同余是抽象代数中的同余关系的原型。最先引用同余的概念与“≡”符号者为德国数学家高斯。定义:两个正整数a,b如果它们初一正整数m所得的余数相同,则称a,b对于模m同余。记作: a≡b(mod m)性质性质1:a≡b(mod m) => c*m=a-b ,

ROOM 2247

Codeforces 919 E Congruence Equation

题目描述 Given an integerxx. Your task is to find out how many positive integersnn(1<=n<=x1<=n<=x) satisfy wherea,b,pa,b,pare all known constants. 输入输出格式 输入格式: The only line c...

weixin_30339969的博客 115

Codeforces.919E.Congruence Equation(同余 费马小定理)

题目链接 \(Description\) 给定a,b,x,p,求[1,x]中满足n*a^n ≡b (mod p) 的n的个数。\(1<=a,b<p\), \(p<=1e6+3\), \(x<=10^{12}\). \(Solution\) 边界很大,p比较小且为质数,考虑左边这个式子有没有循环节。 由费马小定理 \(a^{p-1} ≡a^0 ≡1(mod\ p)\...

weixin_30375427的博客 89

数论第二周

同余、中国剩余定理、模逆元

liangcha_xyy的博客 540

常用的离散数学中的几个概念以及自己的几点拙见

转载自:https://blog.youkuaiyun.com/michealtx/article/details/7098675 1、等价关系(Equivalence Relation)设~是集合G上的一个二元关系,若满足以下条件: (1)自反性:对任何a∈G,有a~a (2)对称性:对任何a,b∈G,有a~b,则b~a (3)传递性:对任何a,b,c∈G,有a~b且b~c,则a~c 则称~为G中的...

PrincePengY的博客 5447
上一篇: 确定有限状态自动机(Deterministic Finite Automation)
下一篇: 前缀和(Prefix Sum)
小菜2小白
博客等级 码龄4年 4粉丝 25原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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