LightOJ 1340 Story of Tomisu Ghost

本文介绍了一种使用C++实现的高效算法,用于求解阶乘的质因数分解,并通过贪心策略优化。算法采用快速幂优化,适用于求解1到10万范围内的阶乘质因数。通过质数筛法预先计算素数,提高计算效率。

线性预处理出1~1e5的素数,nlogn的也可以

对于每组n,t,把n!质因数分解再贪心即可

还可以用下快速幂进行优化

#include <bits/stdc++.h>
using namespace std;
typedef long long ll;
const int MAXN = 1e5;
const ll mod = 10000019;

bool is_prime[MAXN + 5];
vector<int> prime;

void get_prime()
{
    memset(is_prime, true, sizeof(is_prime));
    is_prime[0] = is_prime[1] = false;
    for(int i = 2; i <= MAXN; i++)
    {
        if(is_prime[i]) prime.push_back(i);
        for(int j = 0; j < prime.size() && i * prime[j] <= MAXN; j++)
        {
            is_prime[i * prime[j]] = false;
            if(i % prime[j] == 0) break;
        }
    }
}
ll fast_pow(ll x, int n)
{
    ll res = 1;
    while(n)
    {
        if(n & 1) res = (res * x) % mod;
        x = (x * x) % mod;
        n >>= 1;
    }
    return res;
}
int cnt(int n, int p)
{
    int res = 0;
    while(n)
        n /= p, res += n;
    return res;
}
ll solve(int n, int t)
{
    ll res = 1;
    for(int i = 0; i < prime.size(); i++)
    {
        int p = prime[i], num = cnt(n, p);
        if(num < t) break;
        res = (res * fast_pow(p, num / t)) % mod;
    }

    if(res == 1) return -1;
    return res;
}

int main()
{
    int T;
    scanf("%d", &T);
    get_prime();

    for(int ca = 1; ca <= T; ca++)
    {
        int n, t;
        scanf("%d%d", &n, &t);
        printf("Case %d: %lld\n", ca, solve(n, t));
    }
    return 0;
}


内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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