HDU 5584 LCM Walk [数学]

本文解析了一道来自2015年ACM亚洲区域赛上海站的数学题,涉及从特定起点通过加最小公倍数的方式到达目标点的步骤计数。详细探讨了解题算法,包括使用最大公约数和最小公倍数的数学性质。

http://acm.hdu.edu.cn/showproblem.php?pid=5584
2015 ACM 亚洲区域赛上海站
#Description
从1,y开始
每次加上1,y的最小公倍数
比如1,y的最小公倍数数是y
则下一步可能在 1+y y,或者1, 2y
现在反推
问需要多少步才能走到?

一开始读题目以为是有多少种= =。结果当然GG
#Algorithm
数学题

a b
a x+lcm(a,x) = b
lcm(a,x) = ax/gcd(a,x)
a (a/gcd(a,x)+1)x = b
如果a, x互质
gcd(a,x) = 1
a (a+1)x = b
x = b/(a+1) 当x与a互质继续
如果a,x不互质
x必定是b的因数
gcd(a,b) 和 gcd(a,x)的关系? 假设相等
a (a/gcd(a,b)+1)x = b
x = b/(a/gcd(a,b)+1)

这是我的草稿
结果最后a,x互质也没有考虑了,直接就是gcd(a,b) = gcd(a,x)
然后还要每次保证a<b
然后就AC了
结果为什么是这样我也不是很清楚,数学不行
#Code

#include <iostream>
#include <cstdio>
using namespace std;
int ans;
int gcd(int x, int y)
{
  int r;
  while (y > 0)
  {
    r = x % y;
    x = y;
    y = r;
  }
  return x;
}
void dfs(int a, int b)
{
  if (a > b) swap(a, b);
  int g = gcd(a, b);
  if (a % g != 0) return;
  int gg = a / g + 1;
  if (b % gg != 0) return;
  int x = b / gg;
  if (g != gcd(a, x)) return;
  dfs(a, x);
  ans++;

}
void solve()
{
  ans = 1;
  int x, y;
  scanf("%d%d", &x, &y);
  dfs(x, y);
  cout << ans << endl;
}
int main()
{
//  freopen("input.txt", "r", stdin);
  int t;
  scanf("%d", &t);
  for (int i = 1; i <= t; i++)
  {
    printf("Case #%d: ", i);
    solve();
  }
}

内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒自媒体四大渠道的特点与适用场景,深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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