51nod 矩阵无重复元素 V2

传送门:https://www.51nod.com/onlineJudge/questionCode.html#!problemId=1026
题解:
其实我并不知道正解是什么,搜索了一晚上没有找到用容斥原理做这道题的方法,思考没有得到结果,可能因为我是正常人吧。
考虑集合分类计数,考虑,将所有的底数 a 分解质因数,质因数的指数为ai,取 k=gcd(a1,a2an) ,将每个 ai 除以 k ,这样得到的指数是互质的,化简完成后得到的序列连同质数相同的作为一个集合计数,考虑发现,假设集合标志为x x 为集合最小底数),那么相同集合的形式是xk,我们把它们放在一起计数,考虑矩阵中一定是一段连续的
x1 x2 xk ,而且个数为 Ologn ,这时只需要考虑指数有多少种不同的值就好了,我们暴力求解,开一个 bool 数组,这一步是 O(nlog2n) 的,然后就把 a 扫一遍统计答案了,这一步复杂度是O(nlogn),其实如果手算看起来很大,但其实第一个常数很小,第二个上界很松,是可以卡过的。

代码:

#include<iostream>
#include<cstring>
#include<string>
#include<cstdio>
#define N 1000000
#define S 18
using namespace std;
typedef long long LL; 
LL ans,m,n,a,b,num,sum,t[N + 5],f[N + 5],g[S + 5][S + 5],l[N + 5],r[N + 5];
bool vis[N * S + 5],flag[N + 5];
inline void get_g(){
    for (int i = 1;i <= S; ++i){
        sum = 0;
        memset(vis,0,sizeof(vis));
      for (int j = i;j <= S; ++j){
           for (int p = b;p < b + m; ++p)
             if (!vis[p * j]) { ++sum; vis[p * j] = 1;}
         g[i][j] = sum;
      }
   }
}

inline void init(){
    scanf("%lld%lld%lld%lld",&m,&n,&a,&b);
    memset(f,0,sizeof(f));
    memset(flag,0,sizeof(flag));
    for (LL i = 2;i <= N; ++i)
        if (!flag[i]){
          num = 1;
          for (LL j = i;j <= N;j *= i){
                if (j != i) flag[j] = 1; 
                f[j] = num; 
                t[j] = i;
                ++num;
          }
    }
    get_g();
    for (int i = a;i < n + a;++i)
      if (!l[t[i]]) l[t[i]] = f[i];
    for (int i = n + a - 1;i >= a;--i)
      if (!r[t[i]]) r[t[i]] = f[i];
    ans = 0;
    for (int i = 1;i < n + a; ++i)
      if (!flag[i]) ans = (ans + g[l[i]][r[i]]); 
}

int main(){
    init();
    cout<<ans;
    return 0;
}

注意:1.循环变量优势会爆int
2.bool的内存是int 的1/4,不要算错了

内容概要:本文档详细介绍了如何在MATLAB环境下实现CNN-GRU(卷积门控循环单元)混合模型的多输入单输出回归预测。项目旨在通过融合CNN的局部特征提取能力和GRU的时序依赖捕捉能力,解决传统序列模型在处理非线性、高维、多输入特征数据时的局限性。文档涵盖了项目背景、目标、挑战及其解决方案,强调了模型的轻量化、高效性和可视化全流程追踪等特点。此外,还提供了具体的应用领域,如智能电网负荷预测、金融时间序列建模等,并附有详细的代码示例,包括数据加载与预处理、网络结构定义、训练选项设置、模型训练与预测以及结果可视化等步骤。; 适合人群:对深度学习有一定了解,特别是对时间序列预测感兴趣的科研人员或工程师。; 使用场景及目标:①需要处理多输入单输出的非线性回归预测任务;②希望在MATLAB平台上快速实现并优化深度学习模型;③寻求一种高效、轻量且具有良好泛化能力的预测模型应用于实际场景中,如智能电网、金融分析、交通流量预测等领域。; 阅读建议:由于文档内容涉及较多的技术细节和代码实现,建议读者先熟悉CNN和GRU的基本概念,同时掌握MATLAB的基础操作。在阅读过程中,可以结合提供的代码示例进行实践操作,以便更好地理解和掌握CNN-GRU混合模型的构建与应用。
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