hdu6390 GuGuFishtion 题解(Mobius反演+欧拉函数+除法分块)

【数论】Mobius反演学习笔记 有人问我为什么现在就要学这种鬼畜的东西←_← 我要回答两点。。。 1.我自己出某个水题时候需要用 2.从前有人告诉我数论这种东西不在我们比赛得分考虑范围内只要拿好部分分就好了。。。于是我的数论一直坑到现在没有得到丝毫缓建。。。公式恐惧症一天比一天严重。于是我不得不开始治疗 于是在写了n天某个半平面交题未果之后我决定先来搞搞mobius反演换换口味。。。 说正文啦魂淡!好吧我不扯淡了开始正 阅读详情

题目:hdu6390.
题目大意:给定 n , m , p n,m,p n,m,p, p p p为素数,求:
∑ i = 1 n ∑ j = 1 m ϕ ( i j ) ϕ ( i ) ϕ ( j )    ( m o d    p ) \sum_{i=1}^{n}\sum_{j=1}^{m}\frac{\phi(ij)}{\phi(i)\phi(j)}\,\,(mod\,\,p) i=1∑n​j=1∑m​ϕ(i)ϕ(j)ϕ(ij)​(modp)

1 ≤ n , m ≤ m i n ( 1 0 6 , p ) , 1 ≤ p ≤ 1 0 9 + 7 1\leq n,m\leq min(10^6,p),1\leq p\leq 10^9+7 1≤n,m≤min(106,p),1≤p≤109+7,最多三组数据.

先考虑如何化简 ϕ ( i j ) ϕ ( i ) ϕ ( j ) \frac{\phi(ij)}{\phi(i)\phi(j)} ϕ(i)ϕ(j)ϕ(ij)​,显然除了 i , j i,j i,j的共有质因子外其它因子都会被约分掉,所以我们先取出共有的部分 g = g c d ( i , j ) g=gcd(i,j) g=gcd(i,j).

考虑把共有部分唯一分解 g = ∏ l = 1 k p l c l g=\prod_{l=1}^{k}p_l^{c_l} g=∏l=1k​plcl​​,显然最后的答案就会变成:
ϕ ( i j ) ϕ ( i ) ϕ ( j ) = g g ∏ l = 1 k p l − 1 p l = g c d ( i , j ) ϕ ( g c d ( i , j ) ) \frac{\phi(ij)}{\phi(i)\phi(j)}=\frac{g}{g\prod_{l=1}^{k}\frac{p_l-1}{p_l}}=\frac{gcd(i,j)}{\phi(gcd(i,j))} ϕ(i)ϕ(j)ϕ(ij)​=g∏l=1k​pl​pl​−1​g​=ϕ(gcd(i,j))gcd(i,j)​

这个式子看起来比原来优美多了,所以开始推导:
∑ i = 1 n ∑ j = 1 m ϕ ( i j ) ϕ ( i ) ϕ ( j ) = ∑ i = 1 n ∑ j = 1 m g c d ( i , j ) ϕ ( g c d ( i , j ) ) = ∑ d = 1 m i n ( n , m ) d ϕ ( d ) ∑ i = 1 ⌊ n d ⌋ ∑ j = 1 ⌊ m d ⌋ [ g c d ( i , j ) = 1 ] = ∑ d = 1 m i n ( n , m ) d ϕ ( d ) ∑ i = 1 ⌊ n d ⌋ ∑ j = 1 ⌊ m d ⌋ ∑ t ∣ i ∪ t ∣ j μ ( t ) = ∑ d = 1 m i n ( n , m ) d ϕ ( d ) ∑ t = 1 ⌊ m i n ( n , m ) d ⌋ μ ( t ) ⌊ n d t ⌋ ⌊ m d t ⌋ = ∑ c = 1 m i n ( n , m ) ⌊ n c ⌋ ⌊ m c ⌋ ∑ d ∣ c d ϕ ( d ) μ ( c d ) \sum_{i=1}^{n}\sum_{j=1}^{m}\frac{\phi(ij)}{\phi(i)\phi(j)}\\ =\sum_{i=1}^{n}\sum_{j=1}^{m}\frac{gcd(i,j)}{\phi(gcd(i,j))}\\ =\sum_{d=1}^{min(n,m)}\frac{d}{\phi(d)}\sum_{i=1}^{\left\lfloor\frac{n}{d}\right\rfloor}\sum_{j=1}^{\left\lfloor\frac{m}{d}\right\rfloor}[gcd(i,j)=1]\\ =\sum_{d=1}^{min(n,m)}\frac{d}{\phi(d)}\sum_{i=1}^{\left\lfloor\frac{n}{d}\right\rfloor}\sum_{j=1}^{\left\lfloor\frac{m}{d}\right\rfloor}\sum_{t|i\cup t|j}\mu(t)\\ =\sum_{d=1}^{min(n,m)}\frac{d}{\phi(d)}\sum_{t=1}^{\left\lfloor\frac{min(n,m)}{d}\right\rfloor}\mu(t)\left\lfloor\frac{n}{dt}\right\rfloor\left\lfloor\frac{m}{dt}\right\rfloor\\ =\sum_{c=1}^{min(n,m)}\left\lfloor\frac{n}{c}\right\rfloor\left\lfloor\frac{m}{c}\right\rfloor\sum_{d|c}\frac{d}{\phi(d)}\mu(\frac{c}{d}) i=1∑n​j=1∑m​ϕ(i)ϕ(j)ϕ(ij)​=i=1∑n​j=1∑m​ϕ(gcd(i,j))gcd(i,j)​=d=1∑min(n,m)​ϕ(d)d​i=1∑⌊dn​⌋​j=1∑⌊dm​⌋​[gcd(i,j)=1]=d=1∑min(n,m)​ϕ(d)d​i=1∑⌊dn​⌋​j=1∑⌊dm​⌋​t∣i∪t∣j∑​μ(t)=d=1∑min(n,m)​ϕ(d)d​t=1∑⌊dmin(n,m)​⌋​μ(t)⌊dtn​⌋⌊dtm​⌋=c=1∑min(n,m)​⌊cn​⌋⌊cm​⌋d∣c∑​ϕ(d)d​μ(dc​)

我们设 f ( n ) = ∑ d ∣ n d ϕ ( d ) μ ( n d ) f(n)=\sum_{d|n}\frac{d}{\phi(d)}\mu(\frac{n}{d}) f(n)=∑d∣n​ϕ(d)d​μ(dn​),发现这是个积性函数,可以线性筛:
1. i = 1 i=1 i=1,则 f ( i ) = 1 f(i)=1 f(i)=1.
2. i i i为素数,则 f ( i ) = 1 ϕ ( 1 ) μ ( i ) + i ϕ ( i ) μ ( 1 ) = 1 i − 1 f(i)=\frac{1}{\phi(1)}\mu(i)+\frac{i}{\phi(i)}\mu(1)=\frac{1}{i-1} f(i)=ϕ(1)1​μ(i)+ϕ(i)i​μ(1)=i−11​.
3. g c d ( i , p ) = 1 gcd(i,p)=1 gcd(i,p)=1,则 f ( i p ) = f ( i ) f ( p ) f(ip)=f(i)f(p) f(ip)=f(i)f(p).
4.当 p p p为素数且 p ∣ i p|i p∣i时,先考虑 i = p c i=p^c i=pc的情况:
f ( i p ) = f ( p c + 1 ) = ∑ d ∣ p c + 1 d ϕ ( d ) μ ( p c + 1 d ) = − p c ϕ ( p c ) + p c + 1 ϕ ( p c + 1 ) = − p c ( p − 1 ) p c − 1 + p c + 1 ( p − 1 ) p c = 0 f(ip)=f(p^{c+1})=\sum_{d|p^{c+1}}\frac{d}{\phi(d)}\mu(\frac{p^{c+1}}{d})\\ =-\frac{p^c}{\phi(p^c)}+\frac{p^{c+1}}{\phi(p^{c+1})}\\ =-\frac{p^c}{(p-1)p^{c-1}}+\frac{p^{c+1}}{(p-1)p^c}\\ =0 f(ip)=f(pc+1)=d∣pc+1∑​ϕ(d)d​μ(dpc+1​)=−ϕ(pc)pc​+ϕ(pc+1)pc+1​=−(p−1)pc−1pc​+(p−1)pcpc+1​=0

然后我们用除法分块处理一下,就可以做到 O ( T n ) O(Tn) O(Tn)解决这个问题了.

代码如下:

#include<bits/stdc++.h>
  using namespace std;

#define Abigail inline void
typedef long long LL;

const int N=1000000;

int n,m;
LL inv[N+9],mod;

void pre_inv(int n,LL mod){
  inv[1]=1;
  for (int i=2;i<=n;++i)
    inv[i]=(mod-mod/i)*inv[mod%i]%mod;
}

int tp,pr[N+9],b[N+9];
LL f[N+9];

void sieve(int n){
  f[1]=1;tp=0;
  for (int i=2;i<=n;++i) b[i]=1;
  for (int i=2;i<=n;++i){
  	if (b[i]) pr[++tp]=i,f[i]=inv[i-1];
  	for (int j=1;j<=tp&&i*pr[j]<=n;++j){
  	  b[i*pr[j]]=0;
  	  if (i%pr[j]==0){f[i*pr[j]]=0;break;}
  	  f[i*pr[j]]=f[i]*f[pr[j]]%mod;
  	}
  }
}

LL Query(int n,int m){
  LL ans=0;
  for (int l=1,r;l<=n;l=r+1){
  	r=min(n/(n/l),m/(m/l));
  	ans=(ans+(f[r]-f[l-1]+mod)*(n/l)%mod*(m/l))%mod;
  }
  return ans;
}

Abigail into(){
  scanf("%d%d%lld",&n,&m,&mod); 
}

Abigail work(){
  if (n>m) swap(n,m);
  pre_inv(n,mod);
  sieve(n);
  for (int i=1;i<=n;++i){ 
    f[i]+=f[i-1];
    if (f[i]>=mod) f[i]-=mod;
  } 
}

Abigail outo(){
  printf("%lld\n",Query(n,m));
}

int main(){
  int T;
  scanf("%d",&T);
  while (T--){
  	into();
    work();
  	outo();
  }
  return 0;
}
YOLO26算法大门区域检测+训练好的模型+285张数据集+pyqt可视化界面.zip 附训练好的 YOLO 权重与 PyQt 可视化检测界面,页面底部含可视化效果预览,毕设/课设开箱即用。 【数据集概况】 · 检测类别(中文):[大门(gates)] 【训练曲线与评估图】 【模型训练配置】 参数 | 值 模型 | yolo26n 训练轮数 | 100 epochs 输入尺寸 | 640x640 批次大小 | 24 优化器 | auto 初始学习率 | 0.01 训练设备 【关键指标汇总】 训练了 64 个 epoch,最终轮指标: 指标 | 数值 mAP50 | **0.6364** mAP50-95 | 0.4539 Precision | 0.7309 Recall | 0.6111 train/box_loss | 0.6662 train/cls_loss | 0.5916 val/box_loss | 1.3351 val/cls_loss | 1.5479 【训练过程分析】 训练过程可分成三个主要阶段:前期、中期和后期。刚开始时,模型的损失函数确实有了显著下降,box_loss 从0.6662开始,经过几轮的迭代,迅速降至0.5左右。但到了中期,loss 的下降速度明显放缓,甚至有停滞不前的趋势。这一现象在val/box_loss的表现上尤其明显,从1.3351缓慢上升至1.4左右,直到训练到64轮时才略有下降。在这一阶段,mAP50从0.6364仅轻微上升到0.64,提升有限。这期间,模型似乎陷入了平台期,进展缓慢,让人感到有些煎熬。从第30轮到第64轮,我频繁查看曲线图,希望能捕捉到一点改善的迹象,但都未能如愿。这个阶段也让我对模型的潜力产生了怀疑,担心训练过程可能需要更长时间才能看到显著改善。 进入后期阶段,尽管损失函数略有下降,但mAP50的提升并不明显,这让人感到非常... 使用场景:毕业设计、课程设计、深度学习入门、工业场景落地验证。 立即下载

相关推荐

高校技术转移办公室人员如何构建技术交易平台的智能推荐机制?.docx

科易网基于AI模型+行业大数据,在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景,推出科技创新领域的AI+工具与数智化解决方案,推动科技创新与产业创新智能化发展。

牛客练习赛76 F phi and phi(莫比乌斯反演)

牛客练习赛76 F phi and phi(莫比乌斯反演) 题解: 前置知识:前置知识:前置知识:∑i=1n∑j=1nϕ(ij)=∑i=1n∑j=1nϕ(i)ϕ(j)gcd(i,j)ϕ(gcd(i,j))\sum_{i=1}^{n}\sum_{j=1}^{n}\phi(ij)=\sum_{i=1}^{n}\sum_{j=1}^{n}\frac{\phi(i)\phi(j)gcd(i,j)}{\phi(gcd(i,j))}i=1∑n​j=1∑n​ϕ(ij)=i=1∑n​j=1∑n​ϕ(gcd(i,j))ϕ(

qq_51682942的博客 440

基于mongodb, express, react, node开发的商店应用

1、角色管理,支持买家和卖家 2、 支持创建、编辑、删除拍卖 3、支持投标

牛客练习赛76 F - phi and phi(欧拉函数性质+莫比乌斯反演+差分)

传送门 题目大意 给定nnn,f(n)=∑i=1n∑j=1nφ(ij)φ(gcd(i,j))f(n) = \sum_{i=1}^n\sum_{j=1}^n \varphi(ij)\varphi(gcd(i,j))f(n)=∑i=1n​∑j=1n​φ(ij)φ(gcd(i,j)),求出[1,n][1,n][1,n]每个数的fff值输出。 解题思路 这道题有三个难点,我挂在了第一个… 第一步:问题简化 首先式子里的φ(gcd(i,j))\varphi(gcd(i,j))φ(gcd(i,j))看着很不爽,不按常

Happig的博客 327

状态估计【卡尔曼滤波kalman】UKF、EKF、粒子滤波PF学习与研究(Matlab代码实现)

内容概要:本文围绕非线性状态估计中的三种经典滤波算法——无迹卡尔曼滤波(UKF)、扩展卡尔曼滤波(EKF)和粒子滤波(PF)展开系统性学习与研究,重点在于通过Matlab编程实现这些算法的核心流程,并将其应用于实际系统的状态估计问题中。文档不仅详细阐述了各算法的数学原理、适用条件与性能差异,还提供了完整的仿真代码与案例分析,帮助读者深入理解其在非线性、非高斯环境下的表现特性。同时,资源拓展至EKF与神经网络融合训练、多源数据融合等高级应用场景,展现了其在智能控制、无人机导航、电力系统状态估计、目标跟踪等领域的广泛应用价值。; 适合人群:具备一定信号处理、控制理论或状态估计基础的研究生、科研人员及工程技术人员,尤其适用于从事自动化、机器人、导航、电力电子与智能系统等相关方向的研究与开发工作者;; 使用场景及目标:① 掌握UKF、EKF与PF在非线性系统中的建模思路与Matlab实现方法,理解其优缺点与适用边界;② 提升科研仿真能力,能够独立构建状态估计模型并进行算法对比验证;③ 将所学方法应用于如电池SOC估算、无人机姿态估计、传感器融合、故障诊断等实际工程问题中;; 阅读建议:建议结合Matlab动手实践,逐行解读并调试所提供的代码,深入理解算法实现细节;同时可延伸学习文中提及的数据融合、神经网络与滤波器结合等进阶主题,以构建完整的状态估计技术知识体系。

Plecs全桥LLC谐振变换器仿真模型

内容概要:本文档系统性地整合了电力电子与控制系统仿真领域的丰富资源,聚焦于基于Plecs和Simulink平台的高频软开关变换器建模与仿真,涵盖全桥LLC、双向CLLC、DAB、PFC、Vienna整流器、Buck-Boost等多种典型拓扑结构。资源内容不仅包括闭环控制(如变频控制、移相混合控制、双闭环、恒压恒流双竞争控制)的仿真模型,还配套提供详细的参数设计报告、Mathcad计算书、PPT说明文档及参考文献,构建了从理论建模到工程实现的完整技术链条。此外,文档拓展至状态估计(如卡尔曼滤波、EKF、UKF、PF)与智能算法(如BP神经网络、模型预测控制)在电力系统中的融合应用,为先进控制策略的研究与复现提供了坚实支撑。; 适合人群:面向具备电力电子、自动控制或电气工程等相关专业背景,熟练掌握MATLAB/Simulink/Plecs等仿真工具,从事高频开关电源、新能源变换系统、储能系统或车载电源研发的研究生、高校科研人员及企业工程技术人员。; 使用场景及目标:① 学习并掌握全桥LLC等谐振变换器的核心工作原理与闭环控制系统设计方法,特别是变频与移相控制策略的实现细节;② 利用提供的仿真模型与Mathcad计算工具,快速完成实际项目中的参数设计、性能验证与优化迭代;③ 结合状态估计算法与神经网络等智能方法,开展电力电子系统状态观测、故障诊断或控制策略创新等前沿科研课题的复现与探索。; 阅读建议:建议严格按照资源目录结构循序渐进地查阅,优先下载并运行核心仿真模型,结合对应的设计报告与计算书深入理解其建模逻辑与参数推导过程,重点关注闭环控制架构、软启动策略及中点电位平衡等关键技术环节,并可进一步将状态估计与智能算法模块融入现有模型,探索其在系统优化中的应用潜力。

牛客练习赛76 phi and phi 莫比乌斯反演+差分

原题链接:https://ac.nowcoder.com/acm/contest/10845/F 目录题意化简Code 题意 ans(n)=∑i=1n∑j=1nϕ(ij)ϕ(gcd(i,j))ans(n)=\sum_{i=1}^{n}\sum_{j=1}^{n}\phi(ij)\phi(gcd(i,j))ans(n)=i=1∑n​j=1∑n​ϕ(ij)ϕ(gcd(i,j)) 化简 先引入一个定理 ϕ(ij)=ϕ(i)ϕ(j)gcd(i,j)ϕ(gcd(i,j))\phi(ij)=\frac{\phi(i)\

kaka03200的博客 314

【扩展卡尔曼滤波器EKF】基于UWB雷达的SLAM能够在室内环境内映射自然点地标,并改善机器人定位(Matlab代码实现)

内容概要:本文介绍了基于Plecs软件构建的全桥LLC谐振变换器仿真模型,重点围绕LLC谐振变换器的工作原理、建模方法与仿真设计展开。该模型可用于研究全桥LLC在软开关条件下的动态响应特性、效率优化及参数设计,涵盖谐振频率调节、变频控制策略、电压增益特性等关键技术内容,帮助深入理解LLC拓扑在高频高效电源转换中的应用。; 适合人群:具备电力电子基础知识,从事电源设计、新能源变换系统研发的工程师及研究生。; 使用场景及目标:①用于教学与科研中对LLC谐振变换器工作模态的分析;②辅助完成高性能DC-DC变换器的参数设计与控制策略验证;③支持对软开关技术、谐振网络优化等方面的深入研究; 阅读建议:建议结合其他LLC相关设计资料与仿真工具(如Simulink)进行对比学习,重点关注谐振参数选取与仿真波形分析,以提升对实际工程问题的解决能力。

【Codeforces 809 E】—Surprise me!(欧拉函数+莫比乌斯反演+虚树)

传送门 考虑有ϕ(ij)=ϕ(i)∗ϕ(j)∗gcd(i,j)ϕ(gcd(i,j))\phi(ij)=\phi(i)*\phi(j)*\frac{gcd(i,j)}{\phi(gcd(i,j))}ϕ(ij)=ϕ(i)∗ϕ(j)∗ϕ(gcd(i,j))gcd(i,j)​ 然后就可以枚举gcdgcdgcd乱莫反了 推出来最后就是 ans=∑hT(h)∑i,jnhϕ(hi)ϕ(hj)dis(p[ih]...

Stargazer的博客 290

单相boost功率因数校正 PFC电路仿真(Simulink仿真实现)

内容概要:本文详细介绍了基于Plecs软件构建的全桥LLC谐振变换器仿真模型,系统阐述了LLC谐振变换器的工作原理、建模方法及仿真实现过程。该模型能够有效分析变换器在不同工况下的动态响应特性,包括软开关的实现条件、谐振参数的设计影响、系统效率优化等方面,并支持开环与闭环控制策略的验证。文档深入探讨了LLC拓扑的电压增益特性、零电压开关(ZVS)的实现机制以及磁性元件参数对系统性能的作用,配套提供了完整的仿真资源体系,涵盖参数计算、控制策略设计与性能评估等内容,形成了从理论到实践的完整研究闭环,有助于深入掌握LLC谐振变换器的核心设计要素与工程应用要点。; 适合人群:电力电子、电气工程及其自动化等相关专业的高校师生,以及从事开关电源、新能源变换器研发的工程技术人员。; 使用场景及目标:①用于教学与科研中对LLC谐振变换器工作机理的理解与验证;②辅助工程师完成实际产品开发中的参数设计与控制策略优化;③支持对软开关技术、高频高效电源变换等前沿方向的研究。; 阅读建议:建议结合Plecs或Simulink等仿真工具动手实践,对照文档中的模型结构与参数设置进行仿真复现,并通过调整谐振腔参数、开关频率等变量观察系统响应变化,以加深对LLC变换器非线性特性和控制难点的理解。

港股十档tick数据提供逐笔更新行情,包含时间戳、最新价、涨跌幅、成交量与成交额,以及买一至买十、卖一至卖十的价格和挂单量 逐笔成交数据记录每笔交易的时间、成交价、成交量及买卖方向 分钟数据按每分钟聚

港股十档tick数据提供逐笔更新行情,包含时间戳、最新价、涨跌幅、成交量与成交额,以及买一至买十、卖一至卖十的价格和挂单量。逐笔成交数据记录每笔交易的时间、成交价、成交量及买卖方向。分钟数据按每分钟聚合,涵盖开盘价、最高价、最低价、收盘价、成交量和成交额。上述数据覆盖十五年历史,以csv表格形式呈现,字段齐全,适合直接用于量化回测或行情分析。 数据源:CMES金融数据库

学习欧拉phi函数的思考

其正确性思考写在了代码片上 #include #include #include int phi[5000000]; ///考虑到若所计算的数字是6,当i=2和i=3时都将会进入内层循环, ///一旦进入内层循环就会在该素数的基础上进行欧拉公式的运算 ///插入:欧拉公式:phi(n)=n*(1-1/p1)*(1-1/p2)*...(1-1/pn) ///可以想到对于每一个确定的数字n来说

GejinZ 1828

Unity AssetBundle 之 (入门)简单的资源打包成AB包的方法

Unity AssetBundle 之 (入门)简单的资源打包成AB包的方法 目录 Unity AssetBundle 之 (入门)简单的资源打包成AB包的方法 一、简单介绍 二、实现原理 三、注意事项 四、效果预览 五、实现步骤 六、关键代码 一、简单介绍 Unity中的一些基础知识点。 本节介绍,Asset Bundle 在 Unity中的使用,入门第一篇,如何AssetBundle标记,如何打包成AssetBundle的操作方法,有不对的地方欢迎指正。...

仙魁XAN 1万+

HDU-6390 GuGuFishtion(莫比乌斯反演)

题目: 给出n,m,p求 思路:phi(a)=a*(1-1/p1)*(1-1/p2)*.....*(1-1/pn)    pi是a的素因子; phi(a*b)=a*b*(1-1/p1)*(1-1/p2)*.....*(1-1/pm)里面包含了a和b的所有素因子(去重后的)。 phi(a*b) / (phi(a)*phi(b)) 约分后的结果就是1/[  (1-1/p1)*(1-1/p2)*....

XFire的博客 451

【Ensp】FTP服务器设置和FTP解析

大部分的多媒体多媒体应用协议,如SIP,FTP,NetMeeting协议等,使用约定的固定端口来初始化一个控制连接,再动态地选择端口用于数据传输,并且这些端口选择是不可预测的。在防火墙设置时,可以通过ASPF(应用层报文过滤)中的Server Map表来满足多通道协议的正常工作,它正常检测应用层报文信息,并动态地根据报文内容创建和删除临时的Server Map表项,以允许其它非约定端口通过防火墙。(5)我们可以在路由器或能访问ftp服务器的设备上,通过cli命令行的方式来访问ftp服务器。

进击的小小白 1862

S32DS IDE调试技巧:如何用Attach功能高效定位汽车电子MCU的Bootloader问题

本文详细介绍了在汽车电子MCU开发中,如何利用S32DS IDE的Attach调试模式高效定位Bootloader与应用程序的协同问题。通过对比常规调试与Attach模式的本质差异,并深入讲解工程配置、镜像合并及实战调试流程,帮助开发者在不复位、不重新下载程序的前提下,实时分析系统状态,快速解决内存映射冲突、中断向量表重定向等疑难杂症。

weixin_29168393的博客 266

BZOJ3512:DZY Loves Math IV(杜教筛)

很巧妙的一道题 题面 题意:∑i=1n∑j=1mφ(ij)\sum_{i=1}^n\sum_{j=1}^m\varphi(ij) n≤1e5,m≤1e9 显然杜教筛是这个问题的子问题,而我又没学过除了杜教筛以外的算法 所以这题就是杜教筛了。 我在语文课上突然想起了markdown写公式的恐怖。 这个试子复杂度上界为nm−−√n\sqrt{m},玄学记忆化就可以过。 #inc

KKiseki的博客 699

OpenCV形状检测

开始定义我们的ShapeDetector类。我们将跳过这里的init构造函数,因为不需要初始化任何东西。#导入必要的包importcv2classShapeDetector#初始化形状名称并近似轮廓shape="unidentified"peri=cv2.arcLength(c,True)approx=cv2.approxPolyDP(c,0.04*peri,True)我们的检测方法,它只需要一个参数c,即我们试图识别的形状的轮廓。...

weixin_43229348的博客 9423

[洛谷]P4240 毒瘤之神的考验-数论

题目地址 题意简述 有TTT次询问,每次给定n,mn,mn,m,求下面式子的值: ∑i=1n∑j=1mφ(ij) \sum_{i=1}^n\sum_{j=1}^m\varphi(ij) i=1∑n​j=1∑m​φ(ij) n,m≤105n,m\leq 10^5n,m≤105,输出答案在mod&amp;ThinSpace;&amp;ThinSpace;998244353\mod 998244353m...

TimeTraveller-VictoryCzt 568

Modbus4J vs EasyModbus4J:哪个Java库更适合你的工业项目?

本文深入对比了Java领域两大Modbus通信库Modbus4J与EasyModbus4J。Modbus4J设计稳健、类型安全,适合复杂业务集成;EasyModbus4J基于Netty,在高并发场景下性能更优。文章从架构、性能、API及生产环境多维度分析,为工业物联网项目选型提供决策依据。

weixin_28475533的博客 310

【随机过程】第二章——随机过程概论

随机过程概论,说明《随机过程》课程的教学大纲,对随机过程概念、研究对象和研究方法做了简要介绍。

weixin_45225032的博客 1363

牛客练习赛76 F-phi and phi 莫比乌斯反演+差分

牛客练习赛76 F-phi and phi 莫比乌斯反演+差分题意思路Code(445MS) 传送门:https://ac.nowcoder.com/acm/contest/10845/F 题意 求解ans[i]=∑i=1n∑j=1nφ(ij)φ[gcd(i,j)]求解ans[i]=\sum_{i=1}^n\sum_{j=1}^n\varphi (ij)\varphi [gcd(i,j)]求解ans[i]=i=1∑n​j=1∑n​φ(ij)φ[gcd(i,j)] 思路 前置技能:φ(ij)=φ(i)φ(j)

狙击美佐的博客 1309

算法 | 基于MATLAB的增量式SVD技术综述:实现方法、代码示例与应用实践

效率提升:较传统SVD降低计算复杂度从On3O(n^3)On3至On2O(n^2)On2实时性:支持毫秒级动态数据更新资源友好:内存占用降低60%-80%[5]

尘世冰封的专栏 486

数论中的欧拉函数

在数论中,对于一正整数n,欧拉函数φ(n)定义为1,2,...,n中与n互质的数字的个数。例如,φ(12)=4,因为1,5,7,11和12互质。

包络面的博客 1078

Cadence OrCAD Capture软件启动过程卡死且无法恢复的解决方法

如下图所示Cadence OrCAD Capture软件在启动后出现卡死的现象,且等待后无法自动恢复,需要强行关闭,再次启动依然卡死。

fydar的博客 4043

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

洛谷P4240 毒瘤之神的考验 题解(莫比乌斯反演)

传送门 题意非常的简单:求∑i=1n∑j=1mφ(ij)\sum\limits_{i=1}^n\sum\limits_{j=1}^m\varphi(ij)i=1∑n​j=1∑m​φ(ij)对998244353998244353998244353取模 拿到这个式子,实在是没有忍住,一口气化了下去: 首先有φ(xy)=φ(x)φ(y)((x,y))φ((x,y))\varphi(xy)=\frac{\...

GKxx 298

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

上一篇: 【SDOI2014】BZOJ3529 数表题解(Mobius反演+树状数组+除法分块)
下一篇: 主席树(可持久化线段树)入门详解
hezlik
博客等级 码龄9年 111粉丝 241原创
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
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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