1096. Consecutive Factors (20)

本文详细介绍了如何解决连续质因数分解问题,并针对偶数和奇数情况进行了优化,通过质因数分解算法显著提高了效率。同时,文章探讨了连续因数相乘的特性,并提供了AC代码实现。

1.求连续的质因数,最开始卡在最后一个测试点中,后来经过对偶数情况的优化,发现仍然超时,于是考虑是奇数情况下超时,实际上,最后一个测试例子应该是一个非常大的质数;

2.把情况分为奇数和偶数,

1)奇数情况下,答案肯定为1个,遇到第一个整除的数,则直接输出;

但是采用遍历至n时,最后一个测试例子会超时,于是采用质因数分解的算法:

质因数分解算法如下:

情况一:当n是素数时,n的质因素要么是n本身;
情况二:在除去最大质因素的情况下,一定小于等于sqrt(n),如2*17=34,sqrt(34)=5,除去最大质因素17,剩下的质因素小于5 ;

于是,把时间复杂度降为o(sqrt(n)),最终一个例子通过


2)偶数情况下,当n小于6时,只有1个,但是当n大于6时,肯定有两个以上的连续因数,必然包含2*3;

于是我采用了计算各种情况下连续因数相乘时,因数的最大值是多少(即小于INT_MAX),答案如下:

//下面是质因素数组,虽然最后没有对AC提供帮助,但是可以优化时间复杂度
//偶数情况下,除了2,其他情况下至少有两个连续的因数,2*3
//当已经有2个因数后,接下来只需要求3个因数的情况,在连续3个因数的情况下,满足要求的最大值是1287*1288*1289,所以取边界值1290
//当已经有3个连续因素后,接下来只需要求4个因数的情况,在连续4个因素的情况下,满足要求的最大值是211*212*213*214,所以取边界值215
//其他同理
vector<int> maxFactor = { INT_MAX, n, (int)((double)sqrt(n) + 1), 1290, 215, 73, 35, 21, 14, 10, 0 };//3~13


3)由这道题目想到的其他问题:

连续两个数相乘,肯定可以被2整除,因为连续的两个数,必然包含偶数

连续三个数相乘,肯定可以被6整除(lcm(2,3)),因为连续的三个数,必然覆盖3的倍数和2的倍数

连续四个数相乘,肯定可以被12整除(lcm(2,3,4)),连续的三个数,必然覆盖2,3,4的倍数

连续若干个数都符合上述特征。



AC代码:

//#include<string>
//#include <iomanip>
#include<vector>
#include <algorithm>
//#include<stack>
#include<set>
#include<queue>
#include<map>
//#include<unordered_set>
#include<unordered_map>
//#include <sstream>
//#include "func.h"
//#include <list>
#include<stdio.h>
#include<iostream>
#include<string>
#include<memory.h>
#include<limits.h>
using namespace std;
//2147483646
void dfsFactor(long long n, long long preNum, vector<int>&factor, vector<vector<int>>&ans,int&factorSize)
{
	if (n % (preNum + 1) == 0)
	{//因数连续,继续DFS
		factor.push_back(preNum + 1);
		dfsFactor(n / (preNum + 1), preNum + 1, factor, ans, factorSize);
	}
	else if (!factor.empty() && factor.size() > factorSize)
	{//不连续时,如果连续因数的数量大于上次最大值,则压入答案中
		factorSize = factor.size();
		ans.push_back(factor);
	}
}
bool cmp(const vector<int>&a, const vector<int>&b)
{
	if (a.size() > b.size())
		return true;
	else if (a.size() == b.size() && a[0] < b[0])
		return true;
	else return false;
}
int main(void)
{
	//分为奇数和偶数情况,奇数情况,肯定不能被6整除,最多只有一个因素,因此分情况处理
	int n;
	cin >> n;
		if (n % 2 == 1)
		{//奇数情况下,采用质因素分解的算法
			/*
			情况一:当n是素数时,n的质因素要么是n本身
			情况二:在除去最大质因素的情况下,一定小于等于sqrt(n),如2*17=34,sqrt(34)=5,除去最大质因素17,剩下的质因素小于5 
			*/
			int temp = (int)((double)sqrt(n) + 1);
			for (int i = 2; i <= temp; ++i)
			{
				if (n%i == 0)
				{
					cout << "1" << endl;
					cout << i << endl;
					return 0;//直接返回
				}
			}
			cout << "1" << endl;
			cout << n << endl;

		}
		else
		{
			//下面是质因素数组,虽然最后没有对AC提供帮助,但是可以优化时间复杂度
			//偶数情况下,除了2,其他情况下至少有两个连续的因数,2*3
			//当已经有2个因数后,接下来只需要求3个因数的情况,在连续3个因数的情况下,满足要求的最大值是1287*1288*1289,所以取边界值1290
			//当已经有3个连续因素后,接下来只需要求4个因数的情况,在连续4个因素的情况下,满足要求的最大值是211*212*213*214,所以取边界值215
			//其他同理
			vector<int> maxFactor = { INT_MAX, n, (int)((double)sqrt(n) + 1), 1290, 215, 73, 35, 21, 14, 10, 0 };//3~13
			vector<int> factor(0);
			vector<vector<int>>ans(0);
			int factorSize = 0;

			for (long long i = 1; i <= min(n, maxFactor[factorSize + 1]); i++)
			{
				if (n % (i + 1) == 0)
				{
					dfsFactor(n, i, factor, ans, factorSize);
					factor.clear();
				}
			}
			sort(ans.begin(), ans.end(), cmp);
			cout << ans[0].size() << endl;
			for (int i = 0; i < ans[0].size(); i++)
			{
				cout << ans[0][i];
				if (i != ans[0].size() - 1)
					cout << "*";
			}
			cout << endl;
		}
	return 0;
}


def run_backend(cfg, model, states, keyframes, K): set_global_config(cfg) device = keyframes.device factor_graph = FactorGraph(model, keyframes, K, device) retrieval_database = load_retriever(model) mode = states.get_mode() while mode is not Mode.TERMINATED: mode = states.get_mode() if mode == Mode.INIT or states.is_paused(): time.sleep(0.01) continue if mode == Mode.RELOC: frame = states.get_frame() success = relocalization(frame, keyframes, factor_graph, retrieval_database) if success: states.set_mode(Mode.TRACKING) states.dequeue_reloc() continue idx = -1 with states.lock: if len(states.global_optimizer_tasks) > 0: idx = states.global_optimizer_tasks[0] if idx == -1: time.sleep(0.01) continue # Graph Construction kf_idx = [] # k to previous consecutive keyframes n_consec = 1 for j in range(min(n_consec, idx)): kf_idx.append(idx - 1 - j) frame = keyframes[idx] retrieval_inds = retrieval_database.update( frame, add_after_query=True, k=config["retrieval"]["k"], min_thresh=config["retrieval"]["min_thresh"], ) kf_idx += retrieval_inds lc_inds = set(retrieval_inds) lc_inds.discard(idx - 1) if len(lc_inds) > 0: print("Database retrieval", idx, ": ", lc_inds) kf_idx = set(kf_idx) # Remove duplicates by using set kf_idx.discard(idx) # Remove current kf idx if included kf_idx = list(kf_idx) # convert to list frame_idx = [idx] * len(kf_idx) if kf_idx: factor_graph.add_factors( kf_idx, frame_idx, config["local_opt"]["min_match_frac"] ) with states.lock: states.edges_ii[:] = factor_graph.ii.cpu().tolist() states.edges_jj[:] = factor_graph.jj.cpu().tolist() if config["use_calib"]: factor_graph.solve_GN_calib() else: factor_graph.solve_GN_rays() with states.lock: if len(states.global_optimizer_tasks) > 0: idx = states.global_optimizer_tasks.pop(0)
最新发布
05-31
<think>嗯,用户想优化和理解run_backend函数中的FactorGraph、retrieval_database和状态管理的代码逻辑。首先,我需要理解这些组件各自的作用。FactorGraph可能用于建模变量之间的关系,比如在优化问题或概率模型中。retrieval_database可能负责数据存储和查询,状态管理可能涉及系统状态的维护和同步。 接下来,我需要考虑如何分析现有代码的结构。可能需要检查FactorGraph的构建过程,看看是否有冗余节点或低效的连接。对于retrieval_database,索引是否合理,缓存机制是否到位。状态管理方面,是否有竞态条件或锁的过度使用导致性能下降。然后,优化方法可能包括重构FactorGraph的初始化步骤,使用更高效的数据结构,比如邻接表代替邻接矩阵。对于数据库,添加索引和缓存常用查询结果。状态管理方面,可以引入状态机或乐观锁来减少阻塞。还要考虑代码的可读性和可维护性,比如添加注释、文档和单元测试。性能分析工具如cProfile可以帮助定位瓶颈。用户可能还需要监控系统运行时的资源使用情况,以便进一步调优。最后,生成相关问题时要覆盖性能分析、具体优化技术、工具使用和实际应用场景,帮助用户全面了解优化方向。</think>### 理解与优化 `run_backend` 函数的代码逻辑 #### 1. **组件功能分析** - **FactorGraph** - **作用**:通常用于建模变量间的依赖关系(如概率图模型或优化问题),例如:$$P(X|Y) = \frac{P(Y|X)P(X)}{P(Y)}$$[^1] - **优化方向**:检查图的构建是否包含冗余节点,迭代算法(如置信传播)是否可并行化。 - **示例代码片段**: ```python class FactorGraph: def __init__(self): self.variables = {} # 变量节点 self.factors = [] # 因子节点 def add_factor(self, connected_vars): # 检查是否重复连接变量 if not any(f.connected_vars == connected_vars for f in self.factors): self.factors.append(Factor(connected_vars)) ``` - **retrieval_database** - **作用**:存储和检索结构化/非结构化数据(如向量数据库或文档存储)。 - **优化方向**: - 添加索引(如哈希索引或倒排索引)加速查询。 - 使用缓存层(如 Redis)存储高频访问数据。 - **示例**: ```python def query_database(key): # 优先从缓存读取 cache_result = cache.get(key) if cache_result: return cache_result # 无缓存则查询数据库 db_result = database.execute(f"SELECT * FROM data WHERE key={key}") cache.set(key, db_result, ttl=300) return db_result ``` - **状态管理** - **作用**:跟踪系统运行时状态(如任务进度、资源分配)。 - **优化方向**: - 使用状态机明确状态转移逻辑。 - 减少锁的粒度(如从全局锁改为分段锁)。 #### 2. **代码结构优化建议** - **逻辑分层**: ```python def run_backend(): # 1. 初始化层 fg = FactorGraph() db = retrieval_database.connect() # 2. 计算层 results = factor_graph_solver(fg) # 3. 状态同步层 update_state(results, db) ``` - **性能优化技术**: - **向量化计算**:将循环操作替换为矩阵运算(如 NumPy)。 - **异步 I/O**:对数据库查询使用异步模式(如 `asyncpg`)。 #### 3. **调试与监控工具** - **性能分析**: ```bash # 使用 cProfile 分析函数耗时 python -m cProfile -s cumtime run_backend.py ``` - **可视化监控**:通过 Prometheus + Grafana 跟踪内存和 CPU 使用率。 --- ###
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