1598-TomCat的环(数学+快速幂) ZCMU

本文探讨了TomCat提出的环形单元格染色问题:如何使用4种颜色为环形排列的N个单元格上色,使得相邻单元格颜色不同。文章提供了计算染色方案数量的算法,并附带实现代码。

Description

TomCat有一个环(如图)有N个单元,并且有4中颜色。他希望把环的每一个单元格都染上颜色,但是相邻的两个单元格颜色不能相同。他想知道一共有几种染色方法

Input

输入单元格数N,N<=100000。

Output

输出染色总数对1000000007取余的结果。

Sample Input

1

2

Sample Output

4

12

解析

对分成了n块的环,涂m种颜色,相邻两个不能为同种色的问题,涂色方案数为 (m-1)^n+(-1)^n*(m-1)  (m>=2&&n>=2)

代码

#include<bits/stdc++.h>
using namespace std;
typedef long long ll;
const ll mod=1000000007;
//快速幂取模算法
ll quick_pow(ll a,ll b)
{
    ll ret=1;
    while(b>0)
    {
        if(b%2==1)
          ret=ret*a%mod;
        a=a*a%mod;
        b=b/2;
    }
    return ret;
}
int main()
{
    int n;
    while(~scanf("%d",&n))
    {
        if(n==1) printf("4\n");
        else
        {
            ll ans=quick_pow(3,n)%mod;
            if(n%2==1)
                ans-=3;
            else
                ans+=3;
            printf("%lld\n",ans);
        }
    }
    return 0;
}

 

内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
### 关于 ZCMU 1912 的 IT 内容或问题 ZCMU 1912 可能是指浙江大学城市学院(Zhejiang University City College,简称 ZCMU)的一个特定项目、竞赛题目或技术挑战。通常,这类编号可能出现在 ACM/ICPC 程序设计竞赛、算法挑战或其他技术性活动中[^1]。以下是对该问题的详细分析和解决方案。 #### 问题背景 在 ACM/ICPC 或其他类似的编程竞赛中,编号如 1912 通常用于标识一个具体的算法问题或任务。这些问题通常涉及数据结构、算法设计、数学建模等领域。例如,ZCMU 1912 可能要求解决一个与字符串处理、动态规划、图论或数论相关的问题[^2]。 #### 解决方案概述 为了提供一个完整的解决方案,需要明确 ZCMU 1912 的具体问题描述。然而,基于常见的竞赛题型,可以推测出以下几种可能的场景及其对应的解决方法: 1. **字符串处理**:如果问题涉及字符串匹配或模式识别,可以使用 KMP 算法或正则表达式来高效地解决问题。 ```python def kmp_search(text, pattern): lps = [0] * len(pattern) compute_lps(pattern, lps) i = j = 0 while i < len(text): if pattern[j] == text[i]: i += 1 j += 1 if j == len(pattern): return True elif i < len(text) and pattern[j] != text[i]: if j != 0: j = lps[j - 1] else: i += 1 return False ``` 2. **动态规划**:如果问题涉及优化路径或资源分配,动态规划是一种常用的方法。例如,背包问题可以通过以下代码实现: ```python def knapsack(weights, values, capacity): n = len(weights) dp = [[0 for _ in range(capacity + 1)] for _ in range(n + 1)] for i in range(1, n + 1): for w in range(1, capacity + 1): if weights[i - 1] <= w: dp[i][w] = max(dp[i - 1][w], dp[i - 1][w - weights[i - 1]] + values[i - 1]) else: dp[i][w] = dp[i - 1][w] return dp[n][capacity] ``` 3. **图论**:如果问题涉及最短路径或连通性,Dijkstra 或 Floyd-Warshall 算法可能是适用的选择。 ```python import heapq def dijkstra(graph, start): distances = {node: float('inf') for node in graph} distances[start] = 0 priority_queue = [(0, start)] while priority_queue: current_distance, current_node = heapq.heappop(priority_queue) if current_distance > distances[current_node]: continue for neighbor, weight in graph[current_node].items(): distance = current_distance + weight if distance < distances[neighbor]: distances[neighbor] = distance heapq.heappush(priority_queue, (distance, neighbor)) return distances ``` #### 结论 上述代码片段展示了针对不同问题类型的通用解决方案。具体到 ZCMU 1912,需要进一步明确其问题描述以选择合适的算法或数据结构[^3]。
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