想不通之H - Rng HDU - 6574

本文探讨了通过随机生成两个区间并计算它们交集的概率问题。给出了一种算法,该算法利用数学公式和快速幂运算来高效求解。输入为一个整数n,输出为两区间交集概率的特定形式。

Rng

Time Limit: 2000/1000 MS (Java/Others)    Memory Limit: 262144/262144 K (Java/Others)
Total Submission(s): 227    Accepted Submission(s): 144


 

Problem Description

Avin is studying how to synthesize data. Given an integer n, he constructs an interval using the following method: he first generates a integer r between 1 and n (both inclusive) uniform-randomly, and then generates another integer l between 1 and r (both inclusive) uniform-randomly. The interval [l, r] is then constructed. Avin has constructed two intervals using the method above. He asks you what the probability that two intervals intersect is. You should print p* q(−1)(MOD 1, 000, 000, 007), while pq denoting the probability.

 

 

Input

Just one line contains the number n (1 ≤ n ≤ 1, 000, 000).

 

 

Output

Print the answer.

 

 

Sample Input


 

1 2

 

 

Sample Output


 

1 750000006

 

 

#include <cstdio>
#include <cstring>
#include <iostream>
#define LL long long

using namespace std;

const LL mod=1e9+7;
int n;

LL ksm(LL a,LL b)
{
	LL ans=1;
	while(b)
	{
		if(b&1) ans=(ans*a)%mod;
		a=(a*a)%mod;
		b=b>>1;	
	}
	return ans;
}

int main(int argc, char const *argv[])
{
	while(scanf("%d",&n)!=EOF)
	{
		LL qwe=(n+1)*ksm(2*n,mod-2)%mod;
		printf("%lld\n",qwe );
	}
	return 0;
}

 

### Extended Kalman Filter (EKF) 和随机数生成器(RNG)算法实现细节 #### EKF理论基础 扩展卡尔曼滤波(Extended Kalman Filter, EKF)是一种用于非线性系统的状态估计方法。对于非线性的动态系统模型,通过泰勒级数展开并取一阶近似来处理非线性函数,在每次迭代过程中更新预测的状态向量及其协方差矩阵[^1]。 #### 随机数生成器的作用 在许多应用场合下,比如蒙特卡洛模拟或是为了测试目的而引入噪声时,会需要用到高质量的伪随机数序列作为输入源。这些随机数值可以用来表示过程中的不确定性因素或者是观测数据中存在的测量误差等特性[^2]。 #### 实现要点 当涉及到具体的编程实践时,通常需要考虑以下几个方面: - **初始化参数**:定义初始条件以及先验概率分布;设定系统模型的相关系数。 - **时间更新阶段(Predict Step)** 对于给定的时间步长t,基于上一步得到的最佳估计值$\hat{x}_{k|k}$计算当前时刻下的预测均值$\bar{\mu}_k=F_k\cdot \hat{x}_{k−1|k−1}+\vec{b}_k$和预测协方差P̄_k=F_k⋅Pk−1F^T_k+Q_k其中F代表状态转移矩阵,Q为过程噪音强度矩阵[\(^3\)]. - **测量更新阶段(Measurement Update or Correct Step)** 利用最新的传感器读数z_k修正之前的猜测结果。这一步骤涉及到了雅克比矩阵H_k的求解,它是描述观测映射f(x)=y关于未知变量x的一阶导数形式。接着按照如下公式调整最终输出: $\hat{x}_{k|k}= \bar{\mu}_k + K_k(z_k-h(\bar{\mu}_k))$ $K_k=\frac{\partial h}{\partial x}|_{\bar{\mu}_k}\times P̄_k\times (\frac{\partial h}{\partial x}|_{\bar{\mu}_k}\times P̄_k+R)^{-1}$ 这里的$h()$即为观测方程,而$则对应着观测量本身的不确定度水平。 - **加入随机扰动项** 在某些情况下可能还需要额外添加一些服从特定统计规律的小幅度波动成分到上述各个步骤当中去,以此更好地反映实际情况中不可避免存在的各种干扰影响。此时就可以借助合适的PRNG(primitive root modulo n generator)或者Mersenne Twister这样的高效能算法来完成这项工作了。 ```python import numpy as np def ekf_predict(F, Q, mu_prev, Sigma_prev): """执行一次EKFPredict操作""" mu_bar = F @ mu_prev Sigma_bar = F @ Sigma_prev @ F.T + Q return mu_bar, Sigma_bar def ekf_update(H_jacobian_func, R, z_measured, mu_pred, Sigma_pred): """执行一次EKFUpdate操作""" H = H_jacobian_func(mu_pred) S = H @ Sigma_pred @ H.T + R K = Sigma_pred @ H.T @ np.linalg.inv(S) residual = z_measured - H @ mu_pred mu_updated = mu_pred + K @ residual Sigma_updated = (np.eye(len(K)) - K @ H) @ Sigma_pred return mu_updated, Sigma_updated ```
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