【BZOJ】2820: YY的GCD(莫比乌斯)

本文详细介绍了一个基于数论的算法实现,包括预处理素数、莫比乌斯函数以及利用这些函数进行快速计数的方法。通过具体示例展示了如何解决特定类型的组合计数问题。

 

     先留着,晚上继续写

#include<cstdio>
#include<cstring>
#include<algorithm>
#include<iostream>
#include<string>
#include<vector>
#include<stack>
#include<bitset>
#include<cstdlib>
#include<cmath>
#include<set>
#include<list>
#include<deque>
#include<map>
#include<queue>
using namespace std;
typedef long long ll;
const double PI = acos(-1.0);
const double eps = 1e-6;
const int INF = 1000000000;
const int maxn = 1000000;
const ll mod = 1e9+7;
int T,n,m;
ll f[maxn+5];
int vis[maxn+5],prime[maxn+5],mu[maxn+5];
int tot = 0;
int read(){
    char c=getchar();int x=0,f=1;
    while(c<'0'||c>'9'){if(c=='-')f=-1; c=getchar();}
    while(c>='0'&&c<='9'){x=x*10+c-'0'; c=getchar();}
    return x*f;
}
void init (){
    mu[1]=1;
    memset(vis, 0, sizeof(vis));
    for (int i=2;i<=maxn;i++){
        if (!vis[i]){
            prime[++tot]=i;
            mu[i]=-1;
            f[i] = 1;
        }
        for (int j=1;j<=tot &&prime[j]*i<=maxn;j++){
            vis[i*prime[j]] = 1;
            if (i%prime[j]==0){
                mu[i*prime[j]]=0;
                f[i*prime[j]]=mu[i];
                break;
            }
            else {
                mu[i*prime[j]]=-mu[i];
                f[i*prime[j]]=mu[i]-f[i];
            }
        }
    }
    for (int i=1;i<=maxn;i++){
        f[i]+=f[i-1];
    }
}
int main (){
    init ();
    cin >>T;
    while (T--){
        ll ans = 0;
        scanf ("%d %d",&n,&m);
        if (n>m) swap (n,m);
        int last;
        for (int i=1;i<=m;i=last+1){
            last = min(n/(n/i),m/(m/i));
            ans += (f[last]-f[i-1])*(n/i)*(m/i);
        }
        printf("%lld\n",ans);
    }
    return 0;
}

 

内容概要:本文介绍了基于贝叶斯优化的CNN-LSTM混合神经网络在时间序列预测中的应用,并提供了完整的Matlab代码实现。该模型结合了卷积神经网络(CNN)在特征提取方面的优势与长短期记忆网络(LSTM)在处理时序依赖问题上的强大能力,形成一种高效的混合预测架构。通过贝叶斯优化算法自动调参,提升了模型的预测精度与泛化能力,适用于风电、光伏、负荷、交通流等多种复杂非线性系统的预测任务。文中还展示了模型训练流程、参数优化机制及实际预测效果分析,突出其在科研与工程应用中的实用性。; 适合人群:具备一定机器学习基基于贝叶斯优化CNN-LSTM混合神经网络预测(Matlab代码实现)础和Matlab编程经验的高校研究生、科研人员及从事预测建模的工程技术人员,尤其适合关注深度学习与智能优化算法结合应用的研究者。; 使用场景及目标:①解决各类时间序列预测问题,如能源出力预测、电力负荷预测、环境数据预测等;②学习如何将CNN-LSTM模型与贝叶斯优化相结合,提升模型性能;③掌握Matlab环境下深度学习模型搭建与超参数自动优化的技术路线。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注贝叶斯优化模块与混合神经网络结构的设计逻辑,通过调整数据集和参数加深对模型工作机制的理解,同时可将其框架迁移至其他预测场景中验证效果。
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