矩阵快速幂 CodeVS 1250 Fibonacci数列

本文介绍了一种利用矩阵快速幂算法高效求解斐波那契数列第n项模q的方法,适用于大数值的计算场景。通过矩阵运算优化传统递归或迭代方法,显著提高了计算效率。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

这里写图片描述

http://www.cnblogs.com/huxianglin/p/5995649.html

题目描述 Description
定义:f0=f1=1, fn=fn-1+fn-2(n>=2)。{fi}称为Fibonacci数列。

输入n,求fn mod q。其中1<=q<=30000。

输入描述 Input Description
第一行一个数T(1<=T<=10000)。

以下T行,每行两个数,n,q(n<=109, 1<=q<=30000)

输出描述 Output Description
文件包含T行,每行对应一个答案。

样例输入 Sample Input
3

6 2

7 3

7 11

样例输出 Sample Output
1

0

10

数据范围及提示 Data Size & Hint
1<=T<=10000

n<=109, 1<=q<=30000

//普通快速幂 
//14=1110
//5(14)=5(8)*5(4)*5(2)*5(1)
//5=101


//矩阵优化快速幂 
//f[n]=f[n-1]+f[n-2]
//f[n]       = f[n-1]+f[n-2]  = 1  1  *  f[n-1]  
//                                       f[n-2]

//f[n]       = f[n-1]+f[n-2]  = 1  1  *  f[n-1]  
//f[n-1]       f[n-1]          =1  0     f[n-2]
#include<iostream>
#include<cstdio>
#include<cstring>
using namespace std;
int ans=1,n,t;
int res[2][2];
int xc[2][2];
int q;
int multi(int xa[][2],int xb[][2])//矩阵乘法 
{
    memset(xc,0,sizeof xc);
    for(int i=0;i<2;i++)
        for(int j=0;j<2;j++)
            for(int k=0;k<2;k++)
                xc[i][j]=(xc[i][j] + (xa[i][k]*xb[k][j])%q)%q;//

    for(int i=0;i<2;i++)
        for(int j=0;j<2;j++)
            xa[i][j]=xc[i][j];//给xa[]赋值 error 
}
void pw(int b)
{
    memset(res,0,sizeof res);           //initial
    for(int i=0;i<2;i++) res[i][i]=1;//单位矩阵 
    int tmp[2][2]={{1,1},{1,0}};       //initial
    while(b)
    {
        if(b&1) {
            multi(res,tmp);//res=res*tmp;
        }
        multi(tmp,tmp);
        b>>=1;
    }
}
int main()
{
    // 0 1 1 2 3 5 8 13 21 ...
    //f[n]     =1  1   *   f[n-1]  = 1 1  ^ (n-1)  * f[1]
    //f[n-1]    1  0       f[n-2]    1 0             f[0]

    //2 f[n]     =1  1   *  1  f[n-1]  = 1 1  ^ (n-1)  *1 f[1]
    //1 f[n-1]    1  0      1  f[n-2]    1 0            1 f[0]
    cin>>t;
    while(t)
    {
        scanf("%d%d",&n,&q);
        pw(n+1);//这里要注意,f[0]=1,比之前的斐波那契数列往后一位 
        cout<<res[0][1]<<endl;
        t--;
    }
}
内容概要:该论文研究增程式电动汽车(REEV)的能量管理策略,针对现有优化策略实时性差的问题,提出基于工况识别的自适应等效燃油消耗最小策略(A-ECMS)。首先建立整车Simulink模型和基于规则的策略;然后研究动态规划(DP)算法和等效燃油最小策略;接着通过聚类分析将道路工况分为四类,并设计工况识别算法;最后开发基于工况识别的A-ECMS,通过高德地图预判工况类型并自适应调整SOC分配。仿真显示该策略比规则策略节油8%,比简单SOC规划策略节油2%,并通过硬件在环实验验证了实时可行性。 适合人群:具备一定编程基础,特别是对电动汽车能量管理策略有兴趣的研发人员和技术爱好者。 使用场景及目标:①理解增程式电动汽车能量管理策略的基本原理;②掌握动态规划算法和等效燃油消耗最小策略的应用;③学习工况识别算法的设计和实现;④了解基于工况识别的A-ECMS策略的具体实现及其优化效果。 其他说明:此资源不仅提供了详细的MATLAB/Simulink代码实现,还深入分析了各算法的原理和应用场景,适合用于学术研究和工业实践。在学习过程中,建议结合代码调试和实际数据进行实践,以便更好地理解策略的优化效果。此外,论文还探讨了未来的研究方向,如深度学习替代聚类、多目标优化以及V2X集成等,为后续研究提供了思路。
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