(矩阵快速幂 1.3)POJ 3735 Training little cats(交换矩阵的某一列)

本文介绍了矩阵快速幂算法及矩阵乘法实现,通过输入参数n、m、k,进行矩阵初始化并根据指令进行矩阵变换,最后计算并输出矩阵幂次结果。
/*
 * POJ_3735.cpp
 *
 *  Created on: 2013年11月19日
 *      Author: Administrator
 */
#include <iostream>
#include <cstring>
#include <cstdio>
#include <algorithm>
#include <cmath>

using namespace std;

#define maxn 105
long long  n, k, m;//A是n*n阶的矩阵,k是要求的sum = A^1 + A^2 +.....A^k; m 是被模的元素
struct Mat {
	long long val[maxn][maxn];
	void unit() { //单位矩阵
		zero();//这一个千万别漏了,否则会TLE
		for (int i = 0; i < maxn; i++)
			val[i][i] = 1;
	}
	void zero() { //零矩阵
		memset(val, 0, sizeof(val));
	}
} A,T;//A: 初始矩阵,T: 转置矩阵

Mat operator *(const Mat &a, const Mat &b) { //矩阵乘法
	Mat tmp;
	tmp.zero();
	for (int k = 0; k <= n; k++) {//***要注意矩阵的起始编号,这里是从0开始的,也有从1开始的
		for (int i = 0; i <= n; i++)
			if (a.val[i][k])
				for (int j = 0; j <= n; j++) {
					tmp.val[i][j] += a.val[i][k] * b.val[k][j];
				}
	}
	return tmp;
}

Mat operator ^(Mat x, int n) { //矩阵快速幂
	Mat tmp;
	tmp.zero();
	tmp.unit();
	while (n) {
		if (n & 1)
			tmp = tmp * x;
		x = x * x;
		n >>= 1;
	}
	return tmp;
}


void init(){
	A.zero();
	A.val[0][0] = 1;
	T.unit();
}

int main(){
	char s[5];
	while(scanf("%lld%lld%lld",&n,&m,&k)!=EOF,n||m||k){
		init();

		while(k--){
			scanf("%s",s);

			int a,b;
			if(s[0] == 'g'){
				scanf("%d",&a);
				T.val[0][a]++;
			}else if(s[0] == 'e'){
				int i;
				scanf("%d",&a);
				for(i = 0 ; i <= n ; ++i){
					T.val[i][a] = 0;
				}
			}else{
				int i;
				scanf("%d%d",&a,&b);
				for(i = 0 ; i <= n ; ++i){
					swap(T.val[i][a],T.val[i][b]);
				}
			}
		}

		Mat ans = A*(T^m);
		int i;
		for(i = 1 ; i <= n ; ++i){
			printf("%lld ",ans.val[0][i]);
		}

		printf("\n");
	}

	return 0;
}



内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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

打赏作者

帅气的东哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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