UVa 11361 Investigating Div-Sum Property (数位DP)

本文解析UVa11361题目,介绍如何通过数位动态规划解决大范围内的数字筛选问题。针对特定条件,即找出在给定区间内既是某数k的倍数且其各位数字之和也为k的倍数的整数数量。

UVa 11361 Investigating Div-Sum Property

题目大意:

给定a,b,k三个正整数,统计在[a,b]之间的整数n中,有多少n自身是k的倍数,且n的各个数字(十进制)之和也是k的倍数.(1ab231)

题目分析:

这是一道典型的数位DP题.
n非常大,若是直接枚举的话会超时,考虑利用加法原理计算方案数.
将数拆分开来,拆成一位一位的,从前往后枚举.那么就会出现形如”32**”这样枚举了部分,还有部分未枚举.可以用三维状态来表示:f(d,m1,m2)表示当前还有d个数未枚举,m1表示前缀各数之和%k,m2表示组成数%k.如之前的数”32**”就应该对应为f(2,5%k,3200%k).
对应的转移方程则有

f(d,m1,m2)=f(d1,(m1+i)%k,m2+i10d1%k|0i9)

所以dp数组需要开多大.101000010000109?开不下!
但是其实各个位数之和最大为1+99=82,所以当k>82时,直接输出0.

代码:

#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>

using namespace std;

const int maxn=11;
const int maxk=100+10;

int c10[maxn];//c10[i]=10^i 

void init()
{
    c10[0]=1;
    for(int i=1;i<10;i++) c10[i]=c10[i-1]*10;
}

int MOD;
int dp[maxn][maxk][maxk];

int f(int d,int m1,int m2)//d表示还有多少个数没有枚举,m1表示前缀各数之和%MOD,m2表示组成数%MOD 
{
    if(!d) return (m1==0&&m2==0)?1:0;//边界,不需要再枚举数 
    int& ans=dp[d][m1][m2];
    if(ans>=0) return ans;
    ans=0;
    for(int i=0;i<10;i++) ans+=f(d-1,(m1+i)%MOD,(m2+i*c10[d-1])%MOD);
    return ans;
}

int digit(int n)//求数的位数 
{
    int cnt=0;
    if(!n) return 1;
    while(n>0) ++cnt,n/=10;
    return cnt;
}

int sum(int x)
{
    int l=digit(x),ans=0,L=0,S=0;//L表示当前的左边界,S表示L各数字之和 
    for(int i=1;i<=l;i++) {
        while(0ll+L+c10[l-i]-1<=x) {//这一步考虑能否从当前位继续求 
        //例如:x=3275 当L=3200时,并不能将3200~3299的数都取到,所以要到下一位看3210是否在x以内 
        //注意直接比较可能会溢出,需现将其转化成long long  
            ans+=f(l-i,S%MOD,L%MOD);
            L+=c10[l-i];S++;//更新L,S 
        }
    }
    return ans;
}

int main()
{
    init();
    int T,a,b;
    scanf("%d",&T);
    while(T--) {
        scanf("%d%d%d",&a,&b,&MOD);
        if(MOD>82) printf("0\n");//其实当MOD>82时,是不可能达到的 
        else {
            memset(dp,-1,sizeof(dp));//每次清空 
            printf("%d\n",sum(b)-sum(a-1));
        }
    }
    return 0;
}
研究双层优化在学习和视觉中的应用,是为了改善学习算法和视觉系统的性能。在学习和视觉任务中,我们通常面临两个层面的优化问题。 第一层优化问题涉及到学习算法的优化,即如何通过合适的学习算法来获得最佳的模型参数。学习算法的优化过程通常涉及到定义损失函数和选择合适的优化方法。然而,常规的优化方法在高维问题中可能会面临挑战,导致在学习过程中陷入局部最优解。因此,研究者们开始探索使用双层优化方法来改进学习算法的性能。双层优化方法通过引入内部优化循环来进一步更新学习算法中的超参数,以改善模型性能。这种方法可以更好地探索参数空间,寻找更优的模型参数,从而提高学习算法的效果。 第二层优化问题涉及到视觉任务的优化,即如何通过图像处理和计算机视觉算法来解决具体的视觉问题。视觉任务可以包括目标检测、图像分割、姿态估计等多个方面。传统的视觉算法通常是通过定义特定的目标函数并使用迭代方法来进行优化。然而,这种方法可能会受到参数选择和初始条件的限制。因此,研究者们开始研究使用双层优化技术来提高视觉任务的性能。双层优化方法通过引入内部优化循环来逐步调整算法超参数和模型参数,以更好地适应特定的视觉任务。 总之,研究双层优化在学习和视觉中的应用,旨在改善学习算法和视觉系统的性能。这种方法可以通过优化学习算法的参数和模型参数,以及优化视觉任务的目标函数和算法参数,来改进学习和视觉的效果。这将有助于在学习和视觉领域取得更好的结果和应用。
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