【矩阵乘法】JZOJ_5223 B

探讨了在一个3x3矩阵中,每个格子上的机器人走N步后仍保持每个格子有机器人的方案计数问题。通过定义矩阵运算来表示机器人从一点到另一点的路径,利用矩阵乘法原理,迭代计算出N步后的所有可能路径,并最终求得所有方案数。

题意

在一个3∗33*333的矩阵里,每个格子上都有一个机器人。求每个机器人都走NNN步后每个格子上都还有机器人的方案(每个格子上都有机器人)。

思路

我们可以设一个矩阵AAA为方案数,其中A[i][j]A[i][j]A[i][j]代表从iii点走到jjj点的方案数。
由于矩阵乘法是这样的:
C[i][j]=∑k=1∼m(A[i][k]∗B[k][j])C[i][j]=\underset{k=1\sim m}{\sum}(A[i][k]*B[k][j])C[i][j]=k=1m(A[i][k]B[k][j])
这样相当枚举了一个中间点kkk,所以每乘一次相当于多走一步的方案数,根据乘法原理,这样子可以求出从iii经过kkk点到jjj的方案数。
NNN次我们就可以得出这个方案数的矩阵,然后9!9!9!判断每个机器人在走之后站的位置,累加答案。

代码

#include<cstdio>
#include<cstring>
#include<algorithm>
#define ll long long

const ll MOD = 1e9 + 7;
struct matrix{
	 ll a[10][10];
}f;
ll N, ans;
ll q[10];

matrix operator *(matrix &a, matrix &b) {
	matrix c;
	memset(c.a, 0, sizeof(c.a));
	for (ll i = 1; i <= 9; i++)
		for (ll j = 1; j <= 9; j++)
			for (ll k = 1; k <= 9; k++)
				c.a[i][j] = (c.a[i][j] + a.a[i][k] * b.a[k][j]) % MOD;
	return c;
}

void fastPower(ll index) {
	for (ll i = 1; i <= 9; i++) 
		f.a[i][i] = 1;
	f.a[1][2] = f.a[1][4] = 1;
	f.a[2][1] = f.a[2][3] = f.a[2][5] = 1;
	f.a[3][2] = f.a[3][6] = 1;
	f.a[4][1] = f.a[4][5] = f.a[4][7] = 1;
	f.a[5][2] = f.a[5][4] = f.a[5][6] = f.a[5][8] = 1;
	f.a[6][3] = f.a[6][5] = f.a[6][9] = 1;
	f.a[7][4] = f.a[7][8] = 1;
	f.a[8][5] = f.a[8][7] = f.a[8][9] = 1;
	f.a[9][6] = f.a[9][8] = 1;
	matrix result = f;
	for (index--; index; index >>= 1) {
		if (index & 1) result = result * f;
		f = f * f;
	}
	f = result;
}

int main() {
	scanf("%lld", &N);
	fastPower(N);
	for (ll i = 1; i <= 9; i++) q[i] = i;
	do {
		ll s = 1;
		for (ll i = 1; i <= 9; i++)
			s = (s * f.a[i][q[i]]) % MOD;
		ans = (ans + s) % MOD;
	} while (std::next_permutation(q + 1, q + 10));
	printf("%lld", ans);
}
基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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