【CF103D】Time to Raid Cowavans

本文介绍了一道CodeForces平台上的题目D的解题思路与实现代码。该题涉及序列求和问题,在限定时间内通过预处理和离线查询的方式进行高效解答。适用于算法竞赛训练。

题目

题目链接:https://codeforces.com/problemset/problem/103/D
给一个序列 aaammm 次询问,每次询问给出 t,kt, kt,k 。求 at+at+k+at+2k+⋯+at+pka_t + a_{t+k}+a_{t+2k}+\cdots+a_{t+pk}at+at+k+at+2k++at+pk 其中 t+pk≤nt+pk \leq nt+pknt+(p+1)k>nt+(p+1)k > nt+(p+1)k>n
n,m≤300000,ai≤109n,m \leq 300000,a_i \leq 10^9n,m300000,ai109

思路

一眼题吧。
考虑一个阈值 ttt,对于 k≤tk\leq tkt 的询问,O(tn)O(tn)O(tn) 预处理出来然后 O(1)O(1)O(1) 回答,对于 k>tk>tk>t 的询问,直接 O(nt)O(\frac{n}{t})O(tn) 回答。
t=n≈350t=\sqrt{n}\approx 350t=n350,时间复杂度为 O(mn)O(m\sqrt{n})O(mn)。把询问离线一下就可以做到空间复杂度 O(n)O(n)O(n)

代码

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;

const int N=301000,M=550;
int n,m,a[N];
ll sum[N],ans[N];

struct node
{
	int x,y,id;
}b[N];

bool cmp(node x,node y)
{
	return x.y<y.y;
}

int main()
{
	scanf("%d",&n);
	for (int i=1;i<=n;i++)
		scanf("%d",&a[i]);
	scanf("%d",&m);
	for (int i=1;i<=m;i++)
	{
		scanf("%d%d",&b[i].x,&b[i].y);
		b[i].id=i;
	}
	sort(b+1,b+1+m,cmp);
	for (int i=1;i<=m;i++)
		if (b[i].y<=M)
		{
			if (b[i].y!=b[i-1].y)
				for (int j=n;j>=1;j--)
					sum[j]=sum[j+b[i].y]+a[j];
			ans[b[i].id]=sum[b[i].x];
		}
		else
		{
			for (int j=b[i].x;j<=n;j+=b[i].y)
				ans[b[i].id]+=a[j];
		}
	for (int i=1;i<=m;i++)
		printf("%lld\n",ans[i]);
	return 0;
}
六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,详细介绍了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程的理论与Matlab代码实现过程。文档还涵盖了PINN物理信息神经网络在微分方程求解、主动噪声控制、天线分析、电动汽车调度、储能优化等多个工程与科研领域的应用案例,并提供了丰富的Matlab/Simulink仿真资源和技术支持方向,体现了其在多学科交叉仿真与优化中的综合性价值。; 适合人群:具备一定Matlab编程基础,从事机器人控制、自动化、智能制造、电力系统或相关工程领域研究的科研人员、研究生及工程师。; 使用场景及目标:①掌握六自由度机械臂的运动学与动力学建模方法;②学习人工神经网络在复杂非线性系统控制中的应用;③借助Matlab实现动力学方程推导与仿真验证;④拓展至路径规划、优化调度、信号处理等相关课题的研究与复现。; 阅读建议:建议按目录顺序系统学习,重点关注机械臂建模与神经网络控制部分的代码实现,结合提供的网盘资源进行实践操作,并参考文中列举的优化算法与仿真方法拓展自身研究思路。
### 快速计算模反元素 模反元素(也称为模逆元)是指在模运算中,满足 \( a \cdot d \equiv 1 \ (\text{mod} \ m) \) 的 \( d \) 值。对于给定的 \( a = 103 \) 和 \( m = 120 \),可以通过扩展欧几里得算法来求解模反元素。 扩展欧几里得算法的核心思想是找到整数 \( x \) 和 \( y \),使得 \( a \cdot x + m \cdot y = \gcd(a, m) \)。如果 \( \gcd(a, m) = 1 \),则 \( x \) 即为 \( a \) 模 \( m \) 的逆元。 以下是具体步骤: 1. 验证 \( \gcd(103, 120) = 1 \)。只有当 \( \gcd(a, m) = 1 \) 时,\( a \) 才存在模 \( m \) 的逆元[^3]。 2. 使用扩展欧几里得算法求解 \( x \) 和 \( y \),使得 \( 103 \cdot x + 120 \cdot y = 1 \)[^4]。 3. 将 \( x \) 调整到模 \( m \) 的范围内(即 \( x \mod m \)),以确保结果为正数[^5]。 以下是实现代码: ```python def extended_gcd(a, b): if b == 0: return (a, 1, 0) gcd, x1, y1 = extended_gcd(b, a % b) x = y1 y = x1 - (a // b) * y1 return gcd, x, y def mod_inverse(a, m): gcd, x, _ = extended_gcd(a, m) if gcd != 1: raise ValueError("Inverse does not exist") else: return x % m # 计算 103 模 120 的逆元 a = 103 m = 120 d = mod_inverse(a, m) print(d) ``` 运行上述代码后,输出的结果即为满足 \( 103 \cdot d \equiv 1 \ (\text{mod} \ 120) \) 的 \( d \) 值。 --- ### 离散对数问题 离散对数问题是寻找一个整数 \( x \),使得 \( g^x \equiv h \ (\text{mod} \ p) \) 成立,其中 \( g \) 是模 \( p \) 的原根,\( h \) 是已知值。离散对数问题通常比模反元素更复杂,常见的解决方法包括暴力搜索、Baby-Step Giant-Step 算法和 Pollard's Rho 算法等。 由于用户的问题仅涉及模反元素,因此此处不再展开离散对数的具体实现。 ---
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