【题解】LuoGu3750:[六省联考2017]分手是祝愿

博客是一道期望DP题解。先从n到1枚举求所需最小步数sum,若sum<=k,答案为sum;若sum>k则用DP。令dp[i]表示还需按i次到(i - 1)次的期望步数,得出转移方程,答案统计后最终结果要乘n! 。

原题传送门
这是一道期望DP
首先根据题意,我们需要求出所需最小步数,这是可以求的
方法:从n到1枚举,如果灯开着,就关掉,顺便把因数都反转一下状态(xor),这是正确的,感性理解一下喽
设最小步数已经求出来了,记为 s u m sum sum

接下来就是根据题意讨论:

  • s u m &lt; = k , a n s = s u m sum&lt;=k,ans=sum sum<=kans=sum
  • s u m &gt; k , 用 到 D P sum&gt;k,用到DP sum>k,DP
    d p [ i ] 表 示 还 需 要 按 i 次 到 需 要 按 ( i − 1 ) 次 的 期 望 步 数 dp[i]表示还需要按i次到需要按(i-1)次的期望步数 dp[i]i(i1)
    可得方程: d p [ i ] = i n ∗ 1 + ( 1 − i n ) ∗ ( d p [ i + 1 ] + d p [ i ] + 1 ) dp[i]=\frac{i}{n}*1+(1-\frac{i}{n})*(dp[i+1]+dp[i]+1) dp[i]=ni1+(1ni)(dp[i+1]+dp[i]+1)
    意义:有 i n \frac{i}{n} ni的概率按对,步数为1;有 ( 1 − i n ) (1-\frac{i}{n}) (1ni)的概率按错,导致变成还需按 ( i + 1 ) (i+1) (i+1)次,步数为 d p [ i + 1 ] + d p [ i ] + 1 dp[i+1]+dp[i]+1 dp[i+1]+dp[i]+1
    化简得真·转移方程: d p [ i ] = n + ( n − i ) ∗ d p [ i + 1 ] i , 除 以 i 则 是 用 逆 元 解 决 dp[i]=\frac{n+(n-i)*dp[i+1]}{i},除以i则是用逆元解决 dp[i]=in+(ni)dp[i+1]i
    答案统计则是如此: a n s = k + ∑ i = k + 1 s u m d p [ i ] ans=k+\sum_{i=k+1}^{sum}dp[i] ans=k+i=k+1sumdp[i]

最终不能忘了 ∗ n ! *n! n!
Code:

#include <bits/stdc++.h>
#define maxn 100010
#define LL long long
#define qy 100003
using namespace std;
int n, k, a[maxn], inv[maxn], dp[maxn], sum, ans;
vector <int> s[maxn];

inline int read(){
    int s = 0, w = 1;
    char c = getchar();
    for (; !isdigit(c); c = getchar()) if (c == '-') w = -1;
    for (; isdigit(c); c = getchar()) s = (s << 1) + (s << 3) + (c ^ 48);
    return s * w;
}

int ksm(int n, int k){
    if (!k) return 1;
    int sum = ksm(n, k >> 1);
    sum = 1LL * sum * sum % qy;
    if (k & 1) sum = 1LL * sum * n % qy;
    return sum;
}

int main(){
    n = read(), k = read();
    for (int i = 1; i <= n; ++i) a[i] = read();
    for (int i = 1; i <= n; ++i) inv[i] = ksm(i, qy - 2);
    for (int i = 1; i <= n; ++i)
        for (int j = i; j <= n; j += i) s[j].push_back(i);
    for (int i = n; i; --i)
        if (a[i]){
            ++sum;
            for (int j = 0; j < s[i].size(); ++j) a[s[i][j]] ^= 1;
        }
    if (sum <= k) ans = sum % qy; else{
        dp[n] = 1;
        for (int i = n - 1; i > k; --i)
            dp[i] = 1LL * inv[i] * (n + 1LL * (n - i) * dp[i + 1] % qy) % qy;
        for (int i = sum; i > k; --i) (ans += dp[i]) %= qy;
        (ans += k) %= qy;
    }
    for (int i = 1; i <= n; ++i) ans = 1LL * ans * i % qy;
    printf("%d\n", ans);
    return 0;
}

终于肝完了,睡觉去了~~

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。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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