UVA 10061 How many zeros and how many digits?

本文介绍了一种高效算法来计算任意整数n的阶乘(n!)的位数及其尾随零的数量。通过数学分析和逐步示例说明了如何避免直接计算阶乘以减少内存使用和计算时间,特别关注于确定尾零数量的方法。
部署运行你感兴趣的模型镜像

题目

多少个零和数字?

分析

  1. 真的难
  2. 计算 n! 有多少位以及有多少尾零;
  3. 第一个问题是多少位,举一些栗子,
    16(10)=1×101+6×100
    256(10)=2×102+5×101+6×100

    对于给定的数字 a 和进制b,只需要求 k=floor(logba)=floor(logalogb) 即可获得位数 k ,实际上所求的是bk<a<bk+1
    再而是对于 n! ,如果先行求出 n! ,可能存在溢出和超时,那么可以这样
    log(n!)=log(n×(n1)×(n2)××1)=log(n)+log(n1)+log(n2)++log(1)
  4. 第二个问题是尾零,观察 3000(10)!
    求尾零实际是在求有多少个10相乘, 1000=10×10×10 有3个10就有三个0,再而分析,有1个10就有一个5最大质因数),求出这些数分解后有多少个5相乘,就有多少个尾零,为什么考虑5呢?因为阶乘可能溢出或者超时,如果拆开对每个数考察,只考察10结果是不可靠的,所以应该考察组成10的因子;
    3000(10)! 可以表示为
    1×2×3×4×(5×1)××9×(5×2)××14×(5×3)××1×(5×600)

    有600个5相乘,就是有600个0。
    但是在上式中,括号内的 [1,600] 这些数字中又有5的倍数,那么 [1,600] 中有多少个5的倍数,意味着漏了多少个0。
    1×2×3×4×(5×1)××9×(5×2)××14×(5×3)××1×(5×120)

    有120个5相乘,就是有120个0 。
    但是在上式中,括号内的 [1,120] 这些数字中又有5的倍数,那么 [1,120] 中有多少个5的倍数,意味着又漏了多少个0。
    1×2×3×4×(5×1)××9×(5×2)××14×(5×3)××1×(5×24)

    有24个5相乘,就是有24个0 。
    但是在上式中,括号内的 [1,24] 这些数字中又有5的倍数,那么 [1,24] 中有多少个5的倍数,意味着又漏了多少个0。
    1×2×3×4×(5×1)××9×(5×2)××14×(5×3)××1×(5×4)××24

    有4个5相乘,就是有4个0 。
    此时不再有5,结束。共有 600+120+24+4=748 个尾零。

代码

#include <stdio.h>
#include <math.h>

int cal_digit(int n, int b)
{
    int i;
    double l;
    for (i = 2, l = 0; i <= n; i++)
        l += log10(i) / log10(b);
    return l + 1;
}

int cal_zero(int n, int b)
{
    int i, d, m, t;
    for (i = 2, d = 1; i <= b; i++) {
        m = 0;
        while (b % i == 0) {
            m++;
            d = i;
            b /= i;
        }
    }
    for (t = 0; n > 0; ) {
        t += n / d;
        n /= d;
    }
    return t / m;
}

int main(void)
{
    int n, b;
    while (scanf("%d%d", &n, &b) != EOF)
        printf("%d %d\n", cal_zero(n, b), cal_digit(n, b));
    return 0;
}

您可能感兴趣的与本文相关的镜像

TensorFlow-v2.9

TensorFlow-v2.9

TensorFlow

TensorFlow 是由Google Brain 团队开发的开源机器学习框架,广泛应用于深度学习研究和生产环境。 它提供了一个灵活的平台,用于构建和训练各种机器学习模型

【直流微电网】径向直流微电网的状态空间建模与线性化:一种耦合DC-DC变换器状态空间平均模型的方法 (Matlab代码实现)内容概要:本文介绍了径向直流微电网的状态空间建模与线性化方法,重点提出了一种基于耦合DC-DC变换器状态空间平均模型的建模策略。该方法通过对系统中多个相互耦合的DC-DC变换器进行统一建模,构建出整个微电网的集中状态空间模型,并在此基础上实施线性化处理,便于后续的小信号分析与稳定性研究。文中详细阐述了建模过程中的关键步骤,包括电路拓扑分析、状态变量选取、平均化处理以及雅可比矩阵的推导,最终通过Matlab代码实现模型仿真验证,展示了该方法在动态响应分析和控制器设计中的有效性。; 适合人群:具备电力电子、自动控制理论基础,熟悉Matlab/Simulink仿真工具,从事微电网、新能源系统建模与控制研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握直流微电网中多变换器系统的统一建模方法;②理解状态空间平均法在非线性电力电子系统中的应用;③实现系统线性化并用于稳定性分析与控制器设计;④通过Matlab代码复现和扩展模型,服务于科研仿真与教学实践。; 阅读建议:建议读者结合Matlab代码逐步理解建模流程,重点关注状态变量的选择与平均化处理的数学推导,同时可尝试修改系统参数或拓扑结构以加深对模型通用性和适应性的理解。
### 解决 `np.zeros` 浮点数参数引发的 `TypeError` 在使用 `np.zeros` 函数时,其参数必须为整数类型。如果传递了浮点数,则会触发错误 `TypeError: 'float' object cannot be interpreted as an integer`。以下是详细的分析与解决方案。 #### 问题原因 `np.zeros` 的第一个参数是一个形状元组 `(shape)`,其中的每个元素都必须是整数。当传入的值为浮点数时,Python 无法将其解释为有效的数组维度,因此抛出类型错误。例如: ```python import numpy as np # 错误示例 np.zeros((2.5, 3.0)) # TypeError: 'float' object cannot be interpreted as an integer ``` #### 解决方案 确保传递给 `np.zeros` 的所有参数均为整数。可以通过以下方法实现: 1. **显式转换为整数** 使用 `int()` 函数将浮点数转换为整数[^2]。需要注意的是,直接转换可能会导致精度损失,因此需要根据具体需求选择是否进行取整操作。 ```python import numpy as np delta_t = 0.5 EV_N = 10 # 将浮点数转换为整数 P_min = np.zeros((int(24 / delta_t), int(EV_N))) ``` 2. **使用数学函数进行取整** 如果需要对浮点数进行向上或向下取整,可以结合 `math.floor()` 或 `math.ceil()` 函数[^1]。 ```python import numpy as np import math delta_t = 0.5 EV_N = 10 # 向下取整 P_min = np.zeros((math.floor(24 / delta_t), math.floor(EV_N))) # 或者向上取整 P_min = np.zeros((math.ceil(24 / delta_t), math.ceil(EV_N))) ``` 3. **检查输入数据类型** 在某些情况下,可能需要对输入数据进行验证,确保其符合预期类型。例如: ```python import numpy as np def create_zeros_array(rows, cols): if not isinstance(rows, int) or not isinstance(cols, int): raise ValueError("Rows and columns must be integers.") return np.zeros((rows, cols)) delta_t = 0.5 EV_N = 10 # 调用函数前进行类型转换 P_min = create_zeros_array(int(24 / delta_t), int(EV_N)) ``` #### 示例代码 以下是一个完整的示例,展示如何正确使用 `np.zeros` 并避免类型错误: ```python import numpy as np delta_t = 0.5 EV_N = 10 # 确保所有参数为整数 P_min = np.zeros((int(24 / delta_t), int(EV_N)), dtype=np.float64) print(P_min) ``` #### 注意事项 - 如果 `24 / delta_t` 或 `EV_N` 的计算结果为非整数,需要明确业务逻辑以决定是否进行取整操作。 - 在高性能计算场景中,确保所有数组维度为整数是 NumPy 高效运行的关键之一[^1]。 --- ###
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
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
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