青蛙的约会(扩展欧几里得) POJ - 1061

部署运行你感兴趣的模型镜像

一道很有意思的题

一道扩展欧几里得的题,刚开始不是很了解。参考了其他人的博客。感觉对扩展欧几里得理解更深了。

大意:有四个数据x,y,n,m,l。x,y是初始距离,n,m是每步的跨越距离。l是每个周期的长度。

(n-m)*z+k*l=(x-y);

就可以直接套扩展欧几里得的模板。需要注意的是这个题应该求的最小正解。

利用扩展欧几里德算法求出方程a * x + b * y = 1的一组整数解x0,y0,则c * x0,c * y0是方程a * x + b * y = c的一组整数解;

根据数论中的相关定理,可得方程a * x + b’* y = c的所有整数解为: x = n * x + b * t 然后就可以算出最小的x;

http://hzwer.com/2121.html 详解的博客

#include<iostream>
#include<cstring>
#include<algorithm>
using namespace std;
typedef long long LL;
LL x,y,m,n,l;
LL a,b,c,gcd;
LL gcd1(LL a,LL b)
{return b==0?a:gcd1(b,a%b);}
void exgcd(LL a,LL b,LL &x,LL &y)
{
   if(b==0){x=1;y=0;return;}
   exgcd(b,a%b,x,y);
   LL t=x;x=y;y=t-a/b*y;
 }
int main(){
	cin>>x>>y>>m>>n>>l;
	a=m-n,b=l,c=y-x;
	if(a<0) a=-a,c=-c; 
	gcd=gcd1(a,b);
	if(c%gcd!=0) cout<<"Impossible"<<endl;
	else{
		exgcd(a,b,x,y);
		x=x*c/gcd;
		LL t=b/gcd;
		x=(x%t+t)%t;
		cout<<x<<endl;
	}
	return 0;
}


您可能感兴趣的与本文相关的镜像

Stable-Diffusion-3.5

Stable-Diffusion-3.5

图片生成
Stable-Diffusion

Stable Diffusion 3.5 (SD 3.5) 是由 Stability AI 推出的新一代文本到图像生成模型,相比 3.0 版本,它提升了图像质量、运行速度和硬件效率

内容概要:本文围绕六自由度机械臂的人工神经网络(ANN)设计展开,重点研究了正向与逆向运动学求解、正向动力学控制以及基于拉格朗日-欧拉法推导逆向动力学方程,并通过Matlab代码实现相关算法。文章结合理论推导与仿真实践,利用人工神经网络对复杂的非线性关系进行建模与逼近,提升机械臂运动控制的精度与效率。同时涵盖了路径规划中的RRT算法与B样条优化方法,形成从运动学到动力学再到轨迹优化的完整技术链条。; 适合人群:具备一定机器人学、自动控制理论基础,熟悉Matlab编程,从事智能控制、机器人控制、运动学六自由度机械臂ANN人工神经网络设计:正向逆向运动学求解、正向动力学控制、拉格朗日-欧拉法推导逆向动力学方程(Matlab代码实现)建模等相关方向的研究生、科研人员及工程技术人员。; 使用场景及目标:①掌握机械臂正/逆运动学的数学建模与ANN求解方法;②理解拉格朗日-欧拉法在动力学建模中的应用;③实现基于神经网络的动力学补偿与高精度轨迹跟踪控制;④结合RRT与B样条完成平滑路径规划与优化。; 阅读建议:建议读者结合Matlab代码动手实践,先从运动学建模入手,逐步深入动力学分析与神经网络训练,注重理论推导与仿真实验的结合,以充分理解机械臂控制系统的设计流程与优化策略。
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