素数筛法---埃氏筛及欧拉筛

本文详细介绍了两种常见的素数筛法——埃氏筛和欧拉筛。埃氏筛的时间复杂度为O(nloglogn),通过从2开始筛掉所有素数的倍数来找出素数。而欧拉筛则利用每个数的最小素因数,避免了重复筛除,提高了效率,时间复杂度为O(n)。

前言

在做题中会经常遇到有关素数的问题,整理一下学过的两种素数筛法。

埃氏筛

时间复杂度:O(nloglogn)
我们知道一个素数的倍数肯定是一个合数,一个合数可以由多个素数相乘得到,所以可以从2开始把2的倍数筛一遍,找到下个素数在筛一遍。筛完后素数的倍数都被筛掉了,剩下的就是素数。
代码如下:

const int N =1e5;
int prime[N];
bool vis[N];
int Prime(int n)
{
    memset(vis,0,sizeof(vis));
    int cnt =0;
    for(int i=2; i<n; i++)
    {
        if(!vis[i])
        {
            prime[cnt++] =i;
            for(int j=i*i; j<n; j+=i)//这里写成i*i有点小小的优化,2~(i-1)中的素数在前面的循环过程中已经筛过了如2*i,3*i,所以可以从i*i继续筛
            {
                vis[j] =1;
            }
        }
    }
    return cnt;
}

但我们可以发现30 =2 *15,30 =5 *6在后续的筛选过程中会重复筛除前面已经筛选过的,因此引入了欧拉筛。

欧拉筛

每个数都有一个最小素因数,利用这个因数去筛除每一个合数。
时间复杂度O(n)

const int N =3e5;
bool vis[N];
int prime[N];

int Prime(int n)
{
    int cnt =0;
    memset(vis,0,sizeof(vis));
    for(int i=2;i<n;i++)
    {
        if(!vis[i])
            prime[cnt++] =i;
        for(int j=0;j<cnt&&i*prime[j]<n;j++)
        {
            vis[i*prime[j]] =1;
            if(i%prime[j]==0)//每个数只筛除一次,如果i对prime[j]取余为零,那么i*prime[j]的最小因数已经存在,不需要重复计算。
                break;
        }
    }
    return cnt;
}
内容概要:本文详细介绍了一个基于Java和Vue的联邦学习隐私保护推荐系统的设计与实现。系统采用联邦学习架构,使用户数据在本地完成模型训练,仅上传加密后的模型参数或梯度,通过中心服务器进行联邦平均聚合,从而实现数据隐私保护与协同建模的双重目标。项目涵盖完整的系统架构设计,包括本地模型训练、中心参数聚合、安全通信、前后端解耦、推荐算法插件化等模块,并结合差分隐私与同态加密等技术强化安全性。同时,系统通过Vue前端实现用户行为采集与个性化推荐展示,Java后端支撑高并发服务与日志处理,形成“本地训练—参数上传—全局聚合—模型下发—个性化微调”的完整闭环。文中还提供了关键模块的代码示例,如特征提取、模型聚合、加密上传等,增强了项目的可实施性与工程参考价值。 适合人群:具备一定Java和Vue开发基础,熟悉Spring Boot、RESTful API、分布式系统或机器学习相关技术,从事推荐系统、隐私计算或全栈开发方向的研发人员。 使用场景及目标:①学习联邦学习在推荐系统中的工程落地方法;②掌握隐私保护机制(如加密传输、差分隐私)与模型聚合技术的集成;③构建高安全、可扩展的分布式推荐系统原型;④实现前后端协同的个性化推荐闭环系统。 阅读建议:建议结合代码示例深入理解联邦学习流程,重点关注本地训练与全局聚合的协同逻辑,同时可基于项目架构进行算法替换与功能扩展,适用于科研验证与工业级系统原型开发。
源码来自:https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个子代。 (交叉概率) 对子代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例子。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-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