POJ 1845.Sumdiv

本文介绍了一种算法,用于计算A^B的所有自然数约数之和并对9901取模。通过质因数分解和分治法,实现了高效求解。代码中包含了快速幂、质数筛选等关键步骤。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

Consider two natural numbers A and B. Let S be the sum of all natural divisors of A^B. Determine S modulo 9901 (the rest of the division of S by 9901).

输入

The only line contains the two natural numbers A and B, (0 <= A,B <= 50000000)separated by blanks.

输出

The only line of the output will contain S modulo 9901.

样例输入

2 3

样例输出

15

提示

2^3 = 8. The natural divisors of 8 are: 1,2,4,8. Their sum is 15. 15 modulo 9901 is 15 (that should be output).


A^B的所有约数之和并mod9901

把A分解

根据唯一分解定理(质因数分解):任何一个大于1的正整数都能唯一分解成为有限个质数的乘积,可写作:

​ N=p1c1p2c2…pmcm

其中 c i ​ c_i​ ci都是正整数, p i ​ p_i​ pi都是质数,且满足 p 1 &lt; p 2 &lt; ⋅ ⋅ ⋅ &lt; p m ​ p_1&lt;p_2&lt;···&lt;p_m​ p1<p2<<pm

如果正整数 N N N是合数 ,则存在能整除 N N N 的数 T T T ,其中 2 ≤ T ≤ N 2 \le T \le \sqrt N 2TN

表示 A B ​ A^B​ AB

​ AB=p1B*C1p2B*C2 ···pn B*Cn

A B ​ A^B​ AB 的所有约数可以表示成集合{p1k1p2k2…pmkn},其中 0 ≤ k i ≤ B ∗ C i ( 1 ≤ i ≤ n ) ​ 0 \le k_i \le B*C_i(1 \le i \le n)​ 0kiBCi(1in)

根乘分配律,所有约数之和为:

​ (1+p1+p12+···+p1B*c1)*(1+p2+p22+···+p2B*c2)*···*(1+pn+pn2+···+pnB*cn)

不能利用等比数列求和,因为要对结果求余,而求余运算不对除法具有分配律

利用分治法求和: s u m ( p , c ) = 1 + p + p 2 + ⋅ ⋅ ⋅ + p c sum(p,c)=1+p+p_2+···+p_c sum(p,c)=1+p+p2++pc

若c为奇数:

​ sum(p,c) =(1+p+···+p(c-1)/2 )+(p(c+1)/2+···+pc)

​ =(1+p+···+p(c-1)/2 )+p(c+1)/2*(1+p+···+p(c-1)/2 )

​ =(1+p(c+1)/2)*sum(p,(c-1)/2)

若c为偶数,同理:

​ sum(p,c)=(1+pc/2)*sum(p,c/2-1)+pc

计算乘方时使用快速幂,这样这题就解完了


代码实现:

先计算sqrt(50000000) ,也就是能整除50000000的数最大不会超过多少,结果是7071.07我们只需要计算10000以内的素数即可,还有要非常注意的一点是, 整除不代表能除完 ,也就是最后可能还会剩下一个数,这个数比10000以内最大的素数大,并且也是素数,所以要注意判断分解质因数后是否为1

例:

49999999
7 1
23 1
310559 1

还想吐槽一下markdown里LaTeX的语法
p 1 ( c 1 ) p_1^(c_1) p1(c1) ???我就不能在上标里打个带下标的嘛,还专门加了个括号,也可能用法不对吧,学了学html的语法打上去了

#include <vector>
#include <iostream>
#include <algorithm>
using namespace std;
static const auto io_sync_off = []() {
    std::ios::sync_with_stdio(false);
    std::cin.tie(nullptr);
    return nullptr;
}();

using ll = long long;
using paii = pair<int, int>;

const int mod = 9901;
const int maxn = 10005;
bool is_not_prime[maxn];
int prime[maxn], tot = 0;

void getPrime() // 素数表
{
    is_not_prime[1] = 1;
    for (int i = 2; i <= maxn; ++i)
    {
        if (!is_not_prime[i])
            prime[++tot] = i;
        for (int j = 1; i <= tot; ++j)
        {
            is_not_prime[i * prime[j]] = true;
            if (i % prime[j] == 0)
                break;
        }
    }
}

ll power(ll a, ll b) // 快速幂
{
    int ans = 1;
    for (; b; b >>= 1)
    {
        if (b & 1)
            ans = ans * a % mod;
        a = a * a % mod;
    }
    return ans;
}

vector<paii> pfn;
void pf(int x) // Prime factorization分解质因数
{
    for (int i = 1; i <= tot; ++i)
    {
        int cnt = 0;
        while (x % prime[i] == 0)
        {
            x /= prime[i];
            ++cnt;
        }
        if (cnt)
            pfn.push_back(make_pair(prime[i], cnt));
        if (x == 1)
            return;
    }
    if (x != 1) // 重要!!!
        pfn.push_back(make_pair(x, 1));
}

ll sumdiv(ll p, ll c)
{
    if (c == 0) // 返回条件
        return 1;
    if (c & 1)
        return (1 + power(p, (c + 1) >> 1)) * sumdiv(p, (c - 1) >> 1) % mod;
    else
        return (1 + power(p, c >> 1)) * sumdiv(p, (c >> 1) - 1) % mod + power(p, c) % mod;
}

int main()
{
    // cout<<sqrt(50000000)<<endl;
    getPrime();
    int a, b;
    cin >> a >> b;
    pf(a);

    ll ans = 1;
    for (int i = 0; i < pfn.size(); ++i)
        ans = (ans * sumdiv(pfn[i].first, b * pfn[i].second)) % mod;
    cout << ans;
    return 0;
}
基于python实现的粒子群的VRP(车辆配送路径规划)问题建模求解+源码+项目文档+算法解析,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。 算法设计的关键在于如何向表现较好的个体学习,标准粒子群算法引入惯性因子w、自我认知因子c1、社会认知因子c2分别作为自身、当代最优解和历史最优解的权重,指导粒子速度和位置的更新,这在求解函数极值问题时比较容易实现,而在VRP问题上,速度位置的更新则难以直接采用加权的方式进行,一个常见的方法是采用基于遗传算法交叉算子的混合型粒子群算法进行求解,这里采用顺序交叉算子,对惯性因子w、自我认知因子c1、社会认知因子c2则以w/(w+c1+c2),c1/(w+c1+c2),c2/(w+c1+c2)的概率接受粒子本身、当前最优解、全局最优解交叉的父代之一(即按概率选择其中一个作为父代,不加权)。
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