洛谷-5153 简单的函数

本文探讨了一个由HKE提出的数学函数f(n),并提供了一种高效的算法来计算从f(2)到f(n)的乘积,答案对10^9+7取模。通过对不同情况的深入分析,文章详细解释了如何统计奇数、素数组合及特定形式的t值,以求得最终答案。

题目描述
HKE有一次发现了一个很有趣的函数。
定义f(2)=1f。对于n≥3,设tt为最小的使得n不能被t整除的正整数,则f(n)=f(t)+1。
举个栗子。比如n=6,此时t=4,f(6)=f(4)+1=f(3)+2=f(2)+3=4。
现在,HKE想知道f(2)×f(3)×⋯×f(n)f(2)×f(3)×⋯×f(n)f(2)×f(3)××f(n)是多少?答案可能很大,请对109+710^9+7109+7
+7取模。

输入格式
一行一个正整数n。

输出格式
一行为所求的结果。

输入输出样例
输入 #1
4

输出 #1
6

说明/提示
对于100%的数据,n≤1018n\leq10^{18}n1018

解释:设n=2p13p2...n=2^{p_1}3^{p_2}...n=2p13p2...
如果p1p_1p1=0,则很明显f(n)=2f(n)=2f(n)=2,即统计奇数个数num1num_1num1
p1≥1p_1\ge1p11时,t很明显有两种情况,
(1)t=2p1+1(1)t=2^{p_1+1}(1)t=2p1+1
(2)(2)(2)t=其他的素数组合
如果是第一种情况则f(n)=4f(n)=4f(n)=4
因为t=p1+1t=^{p_1+1}t=p1+1,所以,[1,t−1][1,t-1][1,t1]都被整除,我们取[1,t−1][1,t-1][1,t1]得最小公倍数ggg,然后统计出来满足
g∗x≤ng*x\le ngxn得个数xxx,其中xxx不能有2因子,因此统计奇数,num2num_2num2
第二种情况f(n)=3f(n)=3f(n)=3
用总数减去以上算出得所有个数得到num3num_3num3
最终答案
ans=2num1∗3num3∗4num2ans=2^{num_1}*3^{num_3}*4^{num_2}ans=2num13num34num2

#include<iostream>
using namespace std;
const unsigned long long mod=1000000007;
unsigned long long n=0;
unsigned long long num1=0,num2=0,num3=0;
unsigned long long t=0;
unsigned long long gcd(unsigned long long a,unsigned long long b){
	if(b==0) return a;
	return gcd(b,a%b);
}
unsigned long long lcm(unsigned long long a,unsigned long long b){
	return a*b/gcd(a,b);
}
unsigned long long pow(unsigned long long a,unsigned long long b){
	unsigned long long ret=1%mod;
	while(b){
		if(b&1) ret=ret*a%mod;
		a=a*a%mod;b>>=1;
	}
	return ret;
}
int main(){
	ios::sync_with_stdio(false);
	cin>>n;unsigned long long mi=2;
	num1=n-n/2-1;
	for(int i=1;i<=20;i++){
		mi*=2;
		if(mi>n) break;
		unsigned long long temp=1;
		for(unsigned long long j=1;j<mi&&temp<=n;j++) temp=lcm(temp,j);
		if(temp>n) break;
		t=n/temp;
		num2+=t-t/2;
	}
	num3=n-2-num1-num2;
	unsigned long long ret=pow(2,num1)*pow(3,num3)%mod*pow(4,num2)%mod;
	cout<<ret<<endl;
	return 0;
} 
本项目构建于RASA开源架构之上,旨在实现一个具备多模态交互能力的智能对话系统。该系统的核心模块涵盖自然语言理解、语音转文本处理以及动态对话流程控制三个主要方面。 在自然语言理解层面,研究重点集中于增强连续对话中的用户目标判定效能,并运用深度神经网络技术提升关键信息提取的精确度。目标判定旨在解析用户话语背后的真实需求,从而生成恰当的反馈;信息提取则专注于从语音输入中析出具有特定意义的要素,例如个体名称、空间位置或时间节点等具体参数。深度神经网络的应用显著优化了这些功能的实现效果,相比经典算法,其能够解析更为复杂的语言结构,展现出更优的识别精度与更强的适应性。通过分层特征学习机制,这类模型可深入捕捉语言数据中隐含的语义关联。 语音转文本处理模块承担将音频信号转化为结构化文本的关键任务。该技术的持续演进大幅提高了人机语音交互的自然度与流畅性,使语音界面日益成为高效便捷的沟通渠道。 动态对话流程控制系统负责维持交互过程的连贯性与逻辑性,包括话轮转换、上下文关联维护以及基于情境的决策生成。该系统需具备处理各类非常规输入的能力,例如用户使用非规范表达或对系统指引产生歧义的情况。 本系统适用于多种实际应用场景,如客户服务支持、个性化事务协助及智能教学辅导等。通过准确识别用户需求并提供对应信息或操作响应,系统能够创造连贯顺畅的交互体验。借助深度学习的自适应特性,系统还可持续优化语言模式理解能力,逐步完善对新兴表达方式与用户偏好的适应机制。 在技术实施方面,RASA框架为系统开发提供了基础支撑。该框架专为构建对话式人工智能应用而设计,支持多语言环境并拥有活跃的技术社区。利用其内置工具集,开发者可高效实现复杂的对话逻辑设计与部署流程。 配套资料可能包含补充学习文档、实例分析报告或实践指导手册,有助于使用者深入掌握系统原理与应用方法。技术文档则详细说明了系统的安装步骤、参数配置及操作流程,确保用户能够顺利完成系统集成工作。项目主体代码及说明文件均存放于指定目录中,构成完整的解决方案体系。 总体而言,本项目整合了自然语言理解、语音信号处理与深度学习技术,致力于打造能够进行复杂对话管理、精准需求解析与高效信息提取的智能语音交互平台。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
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