UVa 10375 Choose and divide

本文详细介绍了如何通过质因数分解来解决大数之间的乘除问题,避免了直接操作大数带来的复杂性和精度损失。通过逐步分解每个数为质数的幂次,最终计算出结果。

题目链接:

https://uva.onlinejudge.org/index.php?option=com_onlinejudge&Itemid=8&page=show_problem&problem=1316


#include <cstdio>
#include <cmath>
#include <cstring>
#include <vector>
using namespace std;

// 10000以内的所有素数
// array[i]代表第i个素数
vector<int> array;

// visit[i]=1代表i被访问过
int visit[10010];

int n = 10000;

// my_exp[i][0/1]代表算式中分子/分母第i个素数的指数
long long my_exp[10010][2];

int main()
{
	// 求0-10000的所有素数
	memset(visit, 0, sizeof(visit));
	array = vector<int>();
	for(int i = 2; i <= n; i++)
	{
		if(visit[i] == 0)
		{
			array.push_back(i);
			for(int j = i; j <= n; j = j+i)
				visit[j] = 1;
		}
	}	

	// 读入情况
	int p, q, r, s;
	while(scanf("%d %d %d %d", &p, &q, &r, &s) == 4)
	{
		memset(my_exp, 0, sizeof(my_exp));
		// num[i][0/1]代表分子/分母第i个数
		int num[3][2];
		num[0][0] = p, num[1][0] = s, num[2][0] = r-s;
		num[0][1] = q, num[1][1] = r, num[2][1] = p-q;
		// 分别计算出分子和分母的素数分解的指数
		for(int i = 0; i < 2; i++)	
		{
			for(int j = 0; j < 3; j++)
			{
				for(int k = 2; k <= num[j][i]; k++)
				{
					// 对所有数字进行质因数分解
					int t = k;
					for(int p = 0; p < array.size(); p++)
					{
						while(t % array[p] == 0)
						{
							my_exp[p][i]++;
							t = t / array[p];
						}	
						if(t == 1)
							break;
					}	
				}
			}
		}

		// 根据素数分解的结果来计算答案
		double ans = 1;
		for(int i = 0; i < array.size(); i++)
			ans = ans * pow(array[i], my_exp[i][0] - my_exp[i][1]);

		printf("%.5f\n", ans);			
	}			
	return 0;	
}


对于大数(阶乘)之间的乘除,一开始想用最大公约数对分子分母进行约分,但还是不行。

看了书发现,对于这样的大数之间乘除,可以用质因数分解。

对于所有参与乘除的数计算质因数的指数。然后对质因数来根据指数计算结果,由于是指数,所以得到的中间结果小的多。

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习模型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、模型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建模的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习模型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过模型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、模型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建模与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要求以保障训练效率。
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