【ICPC-250】hdu 4291 A Short problem

本文详细介绍了如何使用矩阵快速幂和循环节的概念解决数列求解问题,具体以HDU4291为例,通过找到数列的循环节来优化计算过程,从而实现高效求解。重点讲解了嵌套循环节的识别方法及矩阵快速幂的运用,适合算法爱好者和计算机科学领域的读者深入理解。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

点击打开hdu 4291

思路: 循环节+矩阵快速幂

分析:

1 题目给定g(n) = 3*g(n-1)+g(n-2) , g(1) = 1 , g(0) = 0 , 要求g(g(g(n)))%10^9+7

2 最初的想法是从里面一层一层的求出g(n),每一次都利用矩阵快速幂。但是发现嵌套的时候只有最外层是%(10^9+7),但是里面两层如果%(10^9+7)的话答案是错的。

   那么这里涉及到了循环节,最外层%(10^9+7),肯定有个循环节L1。那么我们可以通过求出的L1找到第二层的循环节为L2,通过第二层的循环节L2找到第三层的循环节L3

3 找循环节我们利用暴力求出即可。然后我们回答最初的思路上,只要做三次的矩阵快速幂,然后把相应要mod上相应的值即可

 

代码:

 


/************************************************
 * By: chenguolin                               * 
 * Date: 2013-08-30                             *
 * Address: http://blog.youkuaiyun.com/chenguolinblog *
 ************************************************/
#include<cstdio>
#include<cstring>
#include<iostream>
#include<algorithm>
using namespace std;

typedef __int64 int64;
const int N = 2;

int64 n;
struct Matrix{
    int64 mat[N][N];
    int64 MOD;
    Matrix operator*(const Matrix& m)const{
          Matrix tmp;
          tmp.MOD = MOD;
          for(int i = 0 ; i < N ; i++){
              for(int j = 0 ; j < N ; j++){
                  tmp.mat[i][j] = 0;
                  for(int k = 0; k < N ; k++)
                      tmp.mat[i][j] += mat[i][k]*m.mat[k][j]%MOD;
                  tmp.mat[i][j] %= MOD;
              }
          }
          return tmp;
    }
};

int64 Pow(Matrix m , int64 x , int64 MOD){
    if(x <= 1) return x;
    Matrix ans;
    ans.MOD = m.MOD = MOD;
    ans.mat[0][0] = ans.mat[1][1] = 1;
    ans.mat[1][0] = ans.mat[0][1] = 0;
    x--;
    while(x){
        if(x%2)
            ans = ans*m;
        x /= 2;
        m = m*m;
    }
    return ans.mat[0][0]%MOD;
}

// 暴力找到循环节
int64 getLoop(int64 MOD){
    int64 pre1 = 1;
    int64 pre2 = 0;
    for(int64 i = 2 ; ; i++){
        int64 x = 3*pre1%MOD+pre2%MOD;
        x %= MOD;
        // update
        pre2 = pre1;
        pre1 = x;
        int64 y = 3*pre1%MOD+pre2%MOD;
        if(x == 0 && y == 1){
            return i;
        } 
    }
}

int main(){
    int64 L1 = 1e9+7; 
    int64 L2 = 222222224;
    int64 L3 = 183120;
    Matrix m;
    m.mat[0][0] = 3; m.mat[1][1] = 0;
    m.mat[0][1] = 1; m.mat[1][0] = 1;
    while(scanf("%I64d" , &n) != EOF){
         int64 x = Pow(m , n , L3);
         int64 y = Pow(m , x , L2);
         int64 ans = Pow(m , y , L1);
         printf("%I64d\n" , ans);
    }
    return 0;
}

 

 

 

 

 

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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