UVA 10692 Huge Mods 指数循环节

本文介绍了一道经典的指数循环节模板题,并提供了一个完整的C++实现代码。该代码使用了模幂运算、欧拉函数等算法来解决给定模数下的指数循环问题。适用于竞赛编程及算法学习。
#include <cstdio>
#include <iostream>
#include <algorithm>
#include <cctype>
using namespace std;
typedef long long LL;
int a[120], n;
LL u, m;
LL phi(LL n){
    LL ans = n;
    for(int i = 2; i*i <= n; i++){
        if(n%i == 0){
            ans -= ans/i;
            while(n%i == 0)
                n /= i;
        }
    }
    if(n > 1) ans -= ans/n;
    return ans;
}
LL Pow(LL a, LL p, LL mod){
	LL ans=1;
    while(p)
    {
        if(p&1)
        {
            ans=ans*a;
            if(ans>mod)
                ans=ans%mod+mod;
        }
        a=a*a;
        if(a>mod)
            a=a%mod+mod;
        p>>=1;
    }
    return ans;
}
LL dfs(int pos, LL m){
	if(pos == n-1) return a[pos]%m + m;
	LL p = phi(m);
    LL s = dfs(pos+1, p);//设x为指数, s即为x%p + p 
    LL ans = Pow(a[pos], s, m);
    return ans;
}

int main()
{
    int cas = 1, t;
    LL  s;
    char str[120];
    while(scanf("%s",str), str[0] != '#'){
    	m = atoi(str);
        scanf("%d",&n);
        for(int i = 0; i < n; i++) scanf("%d",&a[i]);
        printf("Case #%d: %d\n",cas++, dfs(0, m) %m);
    }

    return 0;
}
/*
指数循环节的模板题
*/ 

基于径向基函数神经网络RBFNN的自适应滑模控制学习(Matlab代码实现)内容概要:本文介绍了基于径向基函数神经网络(RBFNN)的自适应滑模控制方法,并提供了相应的Matlab代码实现。该方法结合了RBF神经网络的非线性逼近能力和滑模控制的强鲁棒性,用于解决复杂系统的控制问题,尤其适用于存在不确定性和外部干扰的动态系统。文中详细阐述了控制算法的设计思路、RBFNN的结构与权重更新机制、滑模面的构建以及自适应律的推导过程,并通过Matlab仿真验证了所提方法的有效性和稳定性。此外,文档还列举了大量相关的科研方向和技术应用,涵盖智能优化算法、机器学习、电力系统、路径规划等多个领域,展示了该技术的广泛应用前景。; 适合人群:具备一定自动控制理论基础和Matlab编程能力的研究生、科研人员及工程技术人员,特别是从事智能控制、非线性系统控制及相关领域的研究人员; 使用场景及目标:①学习和掌握RBF神经网络与滑模控制相结合的自适应控制策略设计方法;②应用于电机控制、机器人轨迹跟踪、电力电子系统等存在模型不确定性或外界扰动的实际控制系统中,提升控制精度与鲁棒性; 阅读建议:建议读者结合提供的Matlab代码进行仿真实践,深入理解算法实现细节,同时可参考文中提及的相关技术方向拓展研究思路,注重理论分析与仿真验证相结合。
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