CF403B/CF402D

解决复杂数组操作与质数条件下的最大段和问题
本文探讨了一道涉及数组操作、质数筛选与最大段和计算的难题。通过理解f函数的含义,作者揭示了如何利用前缀和与最大公约数(gcd)来优化解决方案。此外,文章还提到了动态规划的潜在方法,并展示了一个高效的实现策略,包括对f函数的巧妙处理和前缀gcd的记录。最终提供了详细的源代码解析。

http://codeforces.com/contest/403/problem/B

原题题意说

 给你一个n长度的数组 a , 保存了a1~an的n个数字。

再给你m个坏的质数b1~bm。

告诉你可以每次操作数组a中前r个元素,1<=r<=n,使得a[i] = a[i]/g,g是前r个元素的最大公约数。

问你经过任意次操作后,segma(f(ai))的最大值为多少。


我一开始对于f函数的意思不太懂,后来把他展开,就明白了。

当s=1,f=0;

当p是s的最小的约数(同时必然是质数)时,f=f(s/p)+g(p)

g函数是我临时加的,发现p为good时,g(p)= 1;p为bad时,g(p)= -1;

s=p时,f=f(1)+g(p)=0+g(p),所以g就是f


那么得到 f 就是 s 中good数减去bad数。

发现好像可以搞了,只要前缀和一个数组 a 的 gcd 。


思路是贪心

从 n 开始 向 1 扫, 如果 i 的前缀和的gcd 的 f 小于 0,就把从1 到 i 的 gcd 通过 变换消去, 那么就可以使得整个数组的segma增加 f(gcd), 同时记录一下我 变换 消去的 gcd 的值, 在下一次检查的时候 要先用当前的gcd除以 之前保存的这个记录下来的 gcd , 然后 在判断是否 f 小于 0, 也就是 存在 good 数小于 bad数的这种情况。


好像还有一种动态规划的方法,http://codeforces.com/blog/entry/10972 , 俄文看不懂,然后有兴趣的同学用谷歌翻译翻译成英文阅读,千万别翻译成中文阅读,那样是完全看不懂的。


我做的时候,看到 gcd 可以不保存 直接用 gcd 的f 的效果是一样的,只要记录先前的gcd 的 f 在当前位置 总共增加 的值 cur ,在这一轮不要再重复增加到答案里面 ,  然后 f 最后用map做一个映射, 以加快速度, bad prime 就用set表示就好了。

其中最巧妙的就是处理f 的时候, 一边分解s 的质因子 一边计数 这个过程。以及 前面说了 记录前缀 gcd 的 f 的值, 和 cur。


上源代码:

#include <cstdio>
#include <iostream>
#include <cmath>
#include <algorithm>
#include <map>
#include <set>
using namespace std;
#define MaxN 5555
const int maxn = 1000000;
bool flag[maxn+5];
int prime[maxn/3], TopPrime;
int a[MaxN], bad[MaxN], gtf[MaxN];
set <int> badSet;
map <int, int> memo;

void calc_prim(){
	for(int i = 2; i <= maxn; i ++){
		if(!flag[i]) prime[TopPrime++] = i;
		for(int j = 0; j < TopPrime && prime[j]*i <= maxn; j ++){
			flag[i*prime[j]] = 1;
			if(i%prime[j]==0) break;
		}
	}
}

int F(int s)
{
    if(s == 1) return 0;
    if(memo.find(s) != memo.end()) return memo[s];
    int k = 0, ans = 0;
    int num = s;
    while(prime[k]*prime[k] <= s)
    {
        if(s % prime[k] == 0)
        {
            int isbad = badSet.count(prime[k]);
            while(s%prime[k] == 0)
            {
                s/=prime[k];
                if(isbad)
                    ans--;
                else
                    ans++;
            }
        }
        k++;
    }
    if(s != 1)
    {
        if(badSet.count(s)) ans--;
        else ans++;
    }
    return memo[num] = ans;
}

int main()
{
//    freopen("data.in", "r", stdin);
    calc_prim();
    int n, m, G, cur, sum;
    scanf("%d%d", &n, &m);
    for(int i = 0; i < n; i++)
    {
        scanf("%d", &a[i]);
    }
    for(int i = 0; i < m; i++)
    {
        scanf("%d", &bad[i]);
        badSet.insert(bad[i]);
    }
    G = a[0];
    sum = 0;
    for(int i = 0; i < n; i++)
    {
        int number = a[i];
        sum += F(number);
        G = __gcd(number, G);
        gtf[i] = F(G);
    }

    cur = 0;//the F() of gcd been cut before
    for(int i = n-1; i >= 0; i--)
    {
        if(gtf[i] + cur < 0)//!!!
        {
            sum -= (gtf[i] + cur)*(i+1);//!!!
            cur += (gtf[i] + cur)/(-1);
        }
    }
    printf("%d\n", sum);
    return 0;
}



MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
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