数字

本文介绍了一种利用矩阵快速幂方法求解斐波那契数列的高效算法,并通过具体代码实现了给定k值情况下找到最小的N值,使得由k个斐波那契数构成的序列无法组成该N。

给你一个斐波那契数列 F:
F0=0,F1=1;
Fn=Fn−1+Fn−2;
给你一个数 k,可以从斐波那契数列中选取可以重复的 k 个数:Fa1,Fa2,
Fa3....
求最小的 N 使得,Fa1+Fa2+Fa3...+Fak 不能构成数字 N。

k小于1e9

 1 #include <cstdio>
 2 using namespace std;
 3 typedef long long LL;
 4 
 5 const LL prime=998244353;
 6 LL n, t;
 7 LL a[2][2], tmp1[2][2], tmp2[2][2];
 8 
 9 void plus22(LL a[2][2], LL b[2][2]){
10     tmp2[0][0]=a[0][0]*b[0][0]+a[0][1]*b[1][0];
11     tmp2[0][1]=a[0][0]*b[0][1]+a[0][1]*b[1][1];
12     tmp2[1][0]=a[1][0]*b[0][0]+a[1][1]*b[1][0];
13     tmp2[1][1]=a[1][0]*b[0][1]+a[1][1]*b[1][1];
14     a[0][0]=tmp2[0][0]%prime, a[0][1]=tmp2[0][1]%prime;
15     a[1][0]=tmp2[1][0]%prime, a[1][1]=tmp2[1][1]%prime;
16 }
17 
18 void plus21(LL a[2][2], LL b[2][2]){
19     tmp2[0][0]=a[0][0]*b[0][0]+a[0][1]*b[1][0];
20     tmp2[1][0]=a[1][0]*b[0][0]+a[1][1]*b[1][0];
21     a[0][0]=tmp2[0][0]%prime, a[1][0]=tmp2[1][0]%prime;
22 }
23 
24 LL fib(LL n){
25     a[0][1]=0, a[1][0]=0, a[0][0]=1, a[1][1]=1;
26     tmp1[0][0]=tmp1[0][1]=tmp1[1][0]=tmp1[1][1]=1;
27     tmp1[1][1]=0;
28     --n;
29     while (n){
30         if (n&1) plus22(a, tmp1);
31         plus22(tmp1, tmp1);
32         n>>=1;
33     }
34     tmp1[0][0]=1, tmp1[1][0]=0;
35     plus21(a, tmp1);
36     return a[0][0];
37 }
38 
39 int main(){
40     while(~scanf("%lld", &n))
41         printf("%lld\n", (fib(2*n+3)-1)%prime);
42     return 0;
43 }

这道题就打表+矩阵快速幂求斐波那契数列。。

转载于:https://www.cnblogs.com/MyNameIsPc/p/7541673.html

本项目构建于RASA开源架构之上,旨在实现一个具备多模态交互能力的智能对话系统。该系统的核心模块涵盖自然语言理解、语音转文本处理以及动态对话流程控制三个主要方面。 在自然语言理解层面,研究重点集中于增强连续对话中的用户目标判定效能,并运用深度神经网络技术提升关键信息提取的精确度。目标判定旨在解析用户话语背后的真实需求,从而生成恰当的反馈;信息提取则专注于从语音输入中析出具有特定意义的要素,例如个体名称、空间位置或时间节点等具体参数。深度神经网络的应用显著优化了这些功能的实现效果,相比经典算法,其能够解析更为复杂的语言结构,展现出更优的识别精度与更强的适应性。通过分层特征学习机制,这类模型可深入捕捉语言数据中隐含的语义关联。 语音转文本处理模块承担将音频信号转化为结构化文本的关键任务。该技术的持续演进大幅提高了人机语音交互的自然度与流畅性,使语音界面日益成为高效便捷的沟通渠道。 动态对话流程控制系统负责维持交互过程的连贯性与逻辑性,包括话轮转换、上下文关联维护以及基于情境的决策生成。该系统需具备处理各类非常规输入的能力,例如用户使用非规范表达或对系统指引产生歧义的情况。 本系统适用于多种实际应用场景,如客户服务支持、个性化事务协助及智能教学辅导等。通过准确识别用户需求并提供对应信息或操作响应,系统能够创造连贯顺畅的交互体验。借助深度学习的自适应特性,系统还可持续优化语言模式理解能力,逐步完善对新兴表达方式与用户偏好的适应机制。 在技术实施方面,RASA框架为系统开发提供了基础支撑。该框架专为构建对话式人工智能应用而设计,支持多语言环境并拥有活跃的技术社区。利用其内置工具集,开发者可高效实现复杂的对话逻辑设计与部署流程。 配套资料可能包含补充学习文档、实例分析报告或实践指导手册,有助于使用者深入掌握系统原理与应用方法。技术文档则详细说明了系统的安装步骤、参数配置及操作流程,确保用户能够顺利完成系统集成工作。项目主体代码及说明文件均存放于指定目录中,构成完整的解决方案体系。 总体而言,本项目整合了自然语言理解、语音信号处理与深度学习技术,致力于打造能够进行复杂对话管理、精准需求解析与高效信息提取的智能语音交互平台。 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  | 博主筛选后可见
 
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