HDU6053 TrickGCD(容斥原理)

本文介绍了一种关于最大公约数的数论问题解决方案,利用莫比乌斯函数进行容斥原理计算,并通过优化算法实现高效求解。文章提供了一个具体的C++实现案例。

传送门
考虑枚举所有数的最大公约数g,那么答案大概张成这个样子

g=2(μ(g))i=1naig

其中的莫比乌斯函数是用来容斥的,不知道的可以先学习一下。
按照式子直接做是 n2 的,肯定不能通过。考虑优化。想到 aig 的最多有 amaxg 个取值,对于所有的g,一共有 O(amaxg=2amaxg)=O(amaxi=1i)=O(amaxlogamax)
所以我们可以枚举g,对于每一个取值,我们可以通过前缀和的形式求出来有x个数可以取这个值v,然后我们用快速幂算出 vx 乘起来就可以算出针对g的答案了,然后加起来就好。

#include<bits/stdc++.h>
using namespace std;
const int MAXN = 1e5 + 5;
const int MOD = 1e9 + 7;
int p[MAXN], n, a[MAXN], mu[MAXN], cnt, s[MAXN];
bool vis[MAXN];
inline void GET(int&n) {
    static char c; n = 0; do c = getchar(); while('0' > c || c > '9');
    while('0' <= c && c <= '9') { n = n*10 + c - '0'; c = getchar(); }
}
inline void gmax(int&a, int b) { if(a < b) a = b; }
void Sieve() {
    for(int i = 2; i <= 1e5; ++ i) {
        if(!vis[i]) { p[++ cnt] = i; mu[i] = -1; }
        for(int j = 1, d; j <= cnt && (d = i * p[j]) <= 1e5; ++ j) {
            vis[d] = 1;
            if(i % p[j] == 0) { mu[d] = 0; break; }
            else mu[d] = -mu[i];
        }
    }
}
inline int ksm(int a, int k) {
    int res = 1;
    for(; k; k >>= 1, a = 1ll * a * a % MOD)
        if(k & 1) res = 1ll * res * a % MOD;
    return res;
}
int main() {
    Sieve(); int T; scanf("%d", &T);
    for(int Cas = 1; Cas <= T; ++ Cas) {
        memset(s, 0, sizeof s);
        scanf("%d", &n); int mx = 0;
        for(int i = 1; i <= n; ++ i) {
            GET(a[i]); s[a[i]] ++;
            gmax(mx, a[i]);
        }
        for(int i = 1; i <= mx; ++ i)
            s[i] += s[i-1];
        int ans = 0;
        for(int i = 2; i <= mx; ++ i) {
            int res = 1;
            for(int j = 0; j <= mx; j += i) {
                int tmp = s[min(j+i-1, mx)] - (j ? s[j-1] : 0);
                tmp = ksm(j/i, tmp);
                res = 1ll * res * tmp % MOD;
            }
            ans = (1ll * ans + 1ll * res * (-mu[i]) + 1ll * MOD) % MOD;
        }
        printf("Case #%d: %d\n", Cas, ans);
    }
    return 0;
}
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/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。
概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内价值提升、内资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
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