SPOJ VLATTICE - Visible Lattice Points(莫比乌斯反演)

本文探讨了一道升级版的三维可见格点问题,详细解释了如何通过计算gcd(i,j,k)==1来找出从(0,0,0)角可见的所有格点。介绍了使用Mobius函数优化计算过程的方法,并提供了完整的AC代码实现。
部署运行你感兴趣的模型镜像

传送门1

传送门2

description

Consider a NNN lattice. One corner is at (0,0,0) and the opposite one is at (N,N,N). How many lattice points are visible from corner at (0,0,0) ? A point X is visible from point Y iff no other lattice point lies on the segment joining X and Y.

Input :

The first line contains the number of test cases T. The next T lines contain an interger N

Output :

Output T lines, one corresponding to each test case.

Sample Input :

3
1
2
5

Sample Output :

7
19
175

Constraints :

T <= 50
1 <= N <= 1000000

这道题算POJ3090 Visible Lattice Points的升级版。因为这道题是三维的,而POJ的那个是二维的。

而对于这个题我们需要计算gcd(i,j,k)==1就行了,原理和上面那道题是一样的,具体推公式就不去推了,可以点击上方的那个链接看看

而这个题我们首先要考虑的是三个坐标轴上的点,所以ans初始化为3,而我们计算的gcd(i,j,k)==1是对于空间中的,而不包含三个坐标轴平面

所以我们还需要加三个坐标轴平面的点的个数

AC代码如下:
#include<bits/stdc++.h>
using namespace std;
const int maxn=1e6+10;
int miu[maxn];
int vis[maxn];
void mobius(){
	for(int i=1;i<=maxn;i++)miu[i]=1;
	for(int i=2;i<maxn;i++){
		if(!vis[i]){
			miu[i]=-1;
			for(int j=i+i;j<maxn;j+=i){
				vis[j]=1;
				if((j/i)%i==0)miu[j]=0;
				else miu[j]=-miu[j];
			}
		}
	}
	for(int i=1;i<=maxn;i++){
		miu[i]+=miu[i-1];
	}
}
int main()
{
	mobius();
	int t;
	cin>>t;
	for(int i=1;i<=t;i++)
	{
		long long n,r=0,ans=3;
		cin>>n;
		for(int j=1;j<=n;j=r+1){
			r=n/(n/j);
			ans+=(miu[r]-miu[j-1])*((n/j)*(n/j)*(n/j)+3*(n/j)*(n/j));
		}
		cout<<ans<<endl;
	}
	return 0;
}

您可能感兴趣的与本文相关的镜像

ComfyUI

ComfyUI

AI应用
ComfyUI

ComfyUI是一款易于上手的工作流设计工具,具有以下特点:基于工作流节点设计,可视化工作流搭建,快速切换工作流,对显存占用小,速度快,支持多种插件,如ADetailer、Controlnet和AnimateDIFF等

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性与稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度与鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造与预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化与故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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