数论函数及其变换

部署运行你感兴趣的模型镜像

数论函数及其变换

日常%虞大。

数论函数:定义域为正整数,值域为实数的函数。

积性函数:满足\(f(ab)=f(a)f(b)\ \ \ (a,b)=1\)的数论函数。

完全积性函数:满足\(f(ab)=f(a)f(b)\)的数论函数。

一些数论函数:

  • \(\varepsilon(n)\),当n=1时为1,否则值为0。叫做单位函数。

  • \(d(n)\),表示n的正因数个数,叫做因子个数函数。它是积性函数。

    证明:一定把一个数素因子分解为\(p1^{q1}p2^{q2}...pl^{ql}\),并且pi各不相同。那么\(d(n)=\Pi (q_i+1)\)。设\(n=ab,(a,b)=1\),因此a和b也可以表示成素因子分解的形式,并且没有共同的素因子。积性性质是显然的。

  • \(\sigma(n)\),表示n的正因子和,叫做因子和函数。它是积性函数。

    证明:\(\sigma(n)=\Pi(\frac{p_i^{q_1+1}-1}{p_i-1})\),积性性质也是很显然的。

  • \(\varphi(n)\),表示与n互素且小于n的正整数个数。它是积性函数。

    证明:前面的博文提到过。推出\(\varphi(pq)=pq-p-q-1\)就很好证明了。

  • \(\mu(n)=\begin{aligned} 1 && n=1 \\ 0 && 有完全平方因子 \\ (-1)^p && 是p个不同素因子积\\ \end{aligned}\)

    它是积性函数。证明手动推一下即可。

数论函数的值可以用线性筛求出。举一个筛\(φ(n)\)的栗子,其它以此类推。

对于素数p,只会筛到一次,直接令$φ(p) = p - 1 $即可。

对于一个合数n,它只会被筛到一次,只会被最小的素因子p筛到,而且此时大循环到了k,即\(n = pk\)。若此时\(p \mid k\),说明n中含p的幂大于1。因此,\(φ(n) = φ(k) · p\),否则,说明\((p, k) = 1\),从而n中含 p的幂等于1,此时由\(φ\)的积性,可得\(φ(n) = φ(k) · φ(p) = φ(k) · (p - 1)\)。这样,就实现了线性筛求\(φ(n)\)的值。(from 虞大)

莫比乌斯反演

首先,\(\sum_{d|n}\mu(d)=\varepsilon(n)\)。由于如果数n有完全平方因子,那么\(\mu(d)=0\)。因此只需要考虑\(n=p1*p2*...*pl\)的情况。显然\(\sum_{d|n}\mu(d)=\sum_{r=0}^lC_l^r(-1)^r=(1-1)^l=0\)

莫比乌斯反演是这个柿子:\(F(n)=\sum_{d|n}f(d)\Leftrightarrow f(n)=\sum_{d|n}F(\frac{n}{d})\mu(d)\)

我们来用和式变换推一下:\(\sum_{d|n}F(\frac{n}{d})\mu(d)=\sum_{d|n}\mu(d)\sum_{i|\frac{n}{d}}f(i)=\sum_{i|n}f(i)\sum_{d|\frac{n}{i}}\mu(d)=f(n)\)

另外,莫比乌斯反演还有一种形式:\(F(n)=\sum_{n|d}f(d)\Leftrightarrow f(n)=\sum_{n|d}\mu(\frac{d}{n})F(d)\)。表示懒得看证明了,就这样吧。

转载于:https://www.cnblogs.com/MyNameIsPc/p/9258108.html

您可能感兴趣的与本文相关的镜像

Llama Factory

Llama Factory

模型微调
LLama-Factory

LLaMA Factory 是一个简单易用且高效的大型语言模型(Large Language Model)训练与微调平台。通过 LLaMA Factory,可以在无需编写任何代码的前提下,在本地完成上百种预训练模型的微调

内容概要:本文介绍了一个基于MATLAB实现的无人机三维路径规划项目,采用蚁群算法(ACO)与多层感知机(MLP)相结合的混合模型(ACO-MLP)。该模型通过三维环境离散化建模,利用ACO进行全局路径搜索,并引入MLP对环境特征进行自适应学习与启发因子优化,实现路径的动态调整与多目标优化。项目解决了高维空间建模、动态障碍规避、局部最优陷阱、算法实时性及多目标权衡等关键技术难题,结合并行计算与参数自适应机制,提升了路径规划的智能性、安全性和工程适用性。文中提供了详细的模型架构、核心算法流程及MATLAB代码示例,涵盖空间建模、信息素更新、MLP训练与融合优化等关键步骤。; 适合人群:具备一定MATLAB编程基础,熟悉智能优化算法与神经网络的高校学生、科研人员及从事无人机路径规划相关工作的工程师;适合从事智能无人系统、自动驾驶、机器人导航等领域的研究人员; 使用场景及目标:①应用于复杂三维环境下的无人机路径规划,如城市物流、灾害救援、军事侦察等场景;②实现飞行安全、能耗优化、路径平滑与实时避障等多目标协同优化;③为智能无人系统的自主决策与环境适应能力提供算法支持; 阅读建议:此资源结合理论模型与MATLAB实践,建议读者在理解ACO与MLP基本原理的基础上,结合代码示例进行仿真调试,重点关注ACO-MLP融合机制、多目标优化函数设计及参数自适应策略的实现,以深入掌握混合智能算法在工程中的应用方法。
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