UVA 10518 How many Calls

矩阵快速幂求斐波那契数列
本文介绍了一种使用矩阵快速幂算法高效计算斐波那契数列的方法,该方法避免了传统递归算法的时间复杂度过高的问题。通过矩阵乘法和快速幂运算,可以在O(logN)的时间复杂度内求得斐波那契数列的第N项,适用于处理大规模数值的计算场景。
部署运行你感兴趣的模型镜像

题意:求计算fab[n]需要的计算次数MOD B 的结果

首先容易知道的是f[n]=f[n-1]+f[n-2]+1;

1.有 S(n)=F[n+2]-1; S[n]斐波那契数列前n项和。F[n+2]就第n+2项斐波那契数。

证明就直接累加法:

因为A<n+2>=A<n+1>+An
所以An=A<n+2>-A<n+1>

则A<n-1>=A<n+1>-An

A<n-2>=An-A<n-1>

.....

A2=A4-A3

A1=A3-A2

然后再求和Sn=A[n+2]-A2   而A2=1
就是Sn=A[n+2]-1;

2.有f(n)=S(n)-F(n)

证明(来自http://www.cnblogs.com/staginner/archive/2011/12/14/2288187.html):

先说说我推出f(n)=S(n)-F(n)的过程吧,我们在递推计算递归次数的时候,每次的+1都另起一行来写,这样我们会得到下面的这个表。

    f(0)      f(1)      f(2)      f(3)      f(4)      f(5)      f(6)

                                                                         1

                                                               1         1

                                                     1        1         2

                                          1         1         2         3

                               1         1         2         3         5

         1         1         2         3         5         8         13

    没有数字的地方就可以看做是0,f(i)下面对应的整数和就是f(i)的值,相当于计算f(n)=f(n-1)+f(n-2)+1的时候,每行都进行f(n)=f(n-1)+f(n)的运算,最后再把1另起一行写在上面。

这样我们就能很明显的看出来,每行都是一个斐波那契数列,不难得到f(n)=S(n)-F(n-1)。

最后通过1.2的2个式子就很容易推出 f[n]=2*F[n]-1;

剩下的任务就是计算ans了,由于N很大不能直接递推就用矩阵快速幂来解决可以看这里

http://www.cnblogs.com/Commence/p/3976132.html

代码

#include <map>
#include <set>
#include <list>
#include <cmath>
#include <ctime>
#include <deque>
#include <stack>
#include <queue>
#include <cctype>
#include <cstdio>
#include <string>
#include <vector>
#include <climits>
#include <cstdlib>
#include <cstring>
#include <iostream>
#include <algorithm>
#define LL long long
#define PI 3.1415926535897932626
using namespace std;
int gcd(int a, int b) {return a % b == 0 ? b : gcd(b, a % b);}
LL N;
int B;
struct node
{
    int mat[2][2];
}t,ans;
void init()
{
    t.mat[0][0]=1;t.mat[0][1]=1;t.mat[1][0]=1;t.mat[1][1]=0;
    ans.mat[0][0]=1;ans.mat[0][1]=0;ans.mat[1][0]=0;ans.mat[1][1]=1;
}
node muti(node a,node b)
{
    node res;
    for (int i=0;i<2;i++)
        for (int j=0;j<2;j++)
        res.mat[i][j]=(a.mat[i][0]*b.mat[0][j]+a.mat[i][1]*b.mat[1][j])%B;
    return res;
}
int main()
{
    int kase=1;
    while (scanf("%lld %d",&N,&B)!=EOF)
    {
        init();
        if (N==0 && B==0) break;
        printf("Case %d: %lld %d",kase++,N,B);
        while (N)
        {
            if (N&1)  ans=muti(ans,t);
            t=muti(t,t);
            N>>=1;
        }
        printf(" %d\n",(ans.mat[0][0]*2-1+B)%B);
    }
    return 0;
}

 

转载于:https://www.cnblogs.com/Commence/p/3976684.html

您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

内容概要:本文档围绕六自由度机械臂的ANN人工神经网络设计展开,涵盖正向与逆向运动学求解、正向动力学控制,并采用拉格朗日-欧拉法推导逆向动力学方程,所有内容均通过Matlab代码实现。同时结合RRT路径规划与B样条优化技术,提升机械臂运动轨迹的合理性与平滑性。文中还涉及多种先进算法与仿真技术的应用,如状态估计中的UKF、AUKF、EKF等滤波方法,以及PINN、INN、CNN-LSTM等神经网络模型在工程问题中的建模与求解,展示了Matlab在机器人控制、智能算法与系统仿真中的强大能力。; 适合人群:具备一定Ma六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)tlab编程基础,从事机器人控制、自动化、智能制造、人工智能等相关领域的科研人员及研究生;熟悉运动学、动力学建模或对神经网络在控制系统中应用感兴趣的工程技术人员。; 使用场景及目标:①实现六自由度机械臂的精确运动学与动力学建模;②利用人工神经网络解决传统解析方法难以处理的非线性控制问题;③结合路径规划与轨迹优化提升机械臂作业效率;④掌握基于Matlab的状态估计、数据融合与智能算法仿真方法; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点理解运动学建模与神经网络控制的设计流程,关注算法实现细节与仿真结果分析,同时参考文中提及的多种优化与估计方法拓展研究思路。
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