【洛谷】P4139 上帝与集合的正确用法

探讨一个关于上帝创世的数学问题,通过欧拉定理和扩展欧拉定理解决元素数量的计算,实现对巨大数值的有效处理。
部署运行你感兴趣的模型镜像

题目描述

根据一些书上的记载,上帝的一次失败的创世经历是这样的:
第一天,上帝创造了一个世界的基本元素,称做“元”。
第二天,上帝创造了一个新的元素,称作“α”。“α”被定义为“元”构成的集合。容易发现,一共有两种不同的“α”。
第三天,上帝又创造了一个新的元素,称作“β”。“β”被定义为“α”构成的集合。容易发现,一共有四种不同的“β”。
第四天,上帝创造了新的元素“γ”,“γ”被定义为“β”的集合。显然,一共会有16种不同的“γ”。
如果按照这样下去,上帝创造的第四种元素将会有65536种,第五种元素将会有2^65536种。这将会是一个天文数字。
然而,上帝并没有预料到元素种类数的增长是如此的迅速。他想要让世界的元素丰富起来,因此,日复一日,年复一年,他重复地创造着新的元素……
然而不久,当上帝创造出最后一种元素“θ”时,他发现这世界的元素实在是太多了,以致于世界的容量不足,无法承受。因此在这一天,上帝毁灭了世界。
至今,上帝仍记得那次失败的创世经历,现在他想问问你,他最后一次创造的元素“θ”一共有多少种?
上帝觉得这个数字可能过于巨大而无法表示出来,因此你只需要回答这个数对p取模后的值即可。
你可以认为上帝从“α”到“θ”一共创造了109次元素,或1018次,或者干脆∞次。
一句话题意

输入格式

多组数据,先输入一个整数T,接下来T行,每行一个正整数p,代表你需要取模的值。
输出格式

T行,每行一个正整数,为答案对p取模后的值
输入样例
3
2
3
6
输出样例
0
1
4
提示
对于100%的数据,T<=1000,p<=10^7

分析

学了一下欧拉定理和扩展欧拉定理

对于不互质的两个数a与b有以下关系

ak≡ak%φ(b)+φ(b)(mod b)a^{k}\equiv a^{k\%{\varphi (b)}+\varphi (b)}(mod \ b)akak%φ(b)+φ(b)(mod b)

所以直接对指数递归下去做就好,模数因为是取欧拉函数所以肯定递减,模数减到1的时候就可以直接返回0了

Code

#include<cstdio>
int T;
int phi(int x)
{
    int ans=x;
    for(int i=2;1ll*i*i<=x;i++)
    if(x%i==0){ans=ans/i*(i-1);while(x%i==0)x/=i;}
    if(x!=1)ans=ans/x*(x-1);
    return ans;
}
int qp(int a,int k,int p)
{
    int res=1;
    while(k)
    {
        if(k&1)res=1ll*a*res%p;
        a=1ll*a*a%p;k>>=1;
    }
    return res;
}
int solve(int p)
{
    if(p==1)return 0;
    int x=phi(p);
    return qp(2,solve(x)+x,p);
}
int main()
{
    scanf("%d",&T);
    for(int t=1,p;t<=T;t++)
    scanf("%d",&p),printf("%d\n",solve(p));
}

您可能感兴趣的与本文相关的镜像

Qwen3-8B

Qwen3-8B

文本生成
Qwen3

Qwen3 是 Qwen 系列中的最新一代大型语言模型,提供了一整套密集型和专家混合(MoE)模型。基于广泛的训练,Qwen3 在推理、指令执行、代理能力和多语言支持方面取得了突破性进展

内容概要:本文提出了一种基于融合鱼鹰算法和柯西变异的改进麻雀优化算法(OCSSA),用于优化变分模态分解(VMD)的参数,进而结合卷积神经网络(CNN)双向长短期记忆网络(BiLSTM)构建OCSSA-VMD-CNN-BILSTM模型,实现对轴承故障的高【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)精度诊断。研究采用西储大学公开的轴承故障数据集进行实验验证,通过优化VMD的模态数和惩罚因子,有效提升了信号分解的准确性稳定性,随后利用CNN提取故障特征,BiLSTM捕捉时间序列的深层依赖关系,最终实现故障类型的智能识别。该方法在提升故障诊断精度鲁棒性方面表现出优越性能。; 适合人群:具备一定信号处理、机器学习基础,从事机械故障诊断、智能运维、工业大数据分析等相关领域的研究生、科研人员及工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选取的问题,实现参数自适应优化;②提升复杂工况下滚动轴承早期故障的识别准确率;③为智能制造预测性维护提供可靠的技术支持。; 阅读建议:建议读者结合Matlab代码实现过程,深入理解OCSSA优化机制、VMD信号分解流程以及CNN-BiLSTM网络架构的设计逻辑,重点关注参数优化故障分类的联动关系,并可通过更换数据集进一步验证模型泛化能力。
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