HDU 4549 新增5_M斐波那契数列 矩阵快速幂

斐波那契数列的矩阵快速幂求解
本文介绍了一种利用矩阵快速幂的方法来高效计算特殊斐波那契数列F[n]的问题。该方法适用于解决大规模数据输入的情况,通过构建特定的矩阵并运用快速幂运算技巧,避免了传统递归方法的时间复杂度过高的问题。
M斐波那契数列F[n]是一种整数数列,它的定义如下: 

F[0] = a 
F[1] = b 
F[n] = F[n-1] * F[n-2] ( n > 1 ) 

现在给出a, b, n,你能求出F[n]的值吗?
Input
输入包含多组测试数据; 
每组数据占一行,包含3个整数a, b, n( 0 <= a, b, n <= 10^9 )
Output
对每组测试数据请输出一个整数F[n],由于F[n]可能很大,你只需输出F[n]对1000000007取模后的值即可,每组数据输出一行。
Sample Input
0 1 0
6 10 2
Sample Output
0
60

写出几项可以发现,a,b的幂次都满足斐波那契数列,但是要注意对应关系,并且求取的过程要用到矩阵快速幂,不然会T。
由斐波那契数列递推式,F(n)=F(n-1)+F(n-2)
可以得到用来计算幂次的矩阵为
1 1
1 0
最后要注意在计算中要先初始化一个单位矩阵,并且最后讨论map[0][1](A的幂次)与map[0][0](B的幂次)是否相对应
并且取余的过程要注意,如果对1e9+7取余的话(由费马小定理),会出现错误
#include<stdio.h>
#include<string.h>
#define mod1  1000000007
#define mod2  1000000006  

struct martix{
	long long map[2][2];
};


martix mul(martix a,martix b)
{
	martix ans;
	ans.map[0][0]=ans.map[1][1]=ans.map[0][1]=ans.map[1][0]=0;
	for(int i=0;i<2;i++)
	{
		for(int j=0;j<2;j++)
		{
			for(int k=0;k<2;k++)
			{
				ans.map[i][j]=(ans.map[i][j]+(a.map[i][k]*b.map[k][j])%mod2)%mod2;
			}
		}
	}
	return ans;
}

martix Quick_pow(martix a,long long b)
{
	martix ans;
	ans.map[0][0]=ans.map[1][1]=1;
	ans.map[0][1]=ans.map[1][0]=0;
	while(b)
	{
		if(b&1)
			ans=mul(ans,a);
		b >>= 1;
		a=mul(a,a);
	}
	return ans;
}

long long quick_pow(long long a,long long b)
{
	long long ans=1;
	while(b>0)
	{
		if(b&1)
			ans=(ans*a)%mod1;
		a=(a*a)%mod1;
		b>>=1;;
	}
	return ans;
}

int main()
{
	long long a,b,n,answer,tmp1,tmp2;
	martix temp,A;
	temp.map[0][0]=temp.map[0][1]=temp.map[1][0]=1;
	temp.map[1][1]=0;
	while(~scanf("%lld%lld%lld",&a,&b,&n))
	{
		if(n==0)
		{
			printf("%lld\n",a);
			continue;
		}
		A=Quick_pow(temp,n-1);
		/*for(int i=0;i<2;i++)
		{
			for(int j=0;j<2;j++)
				printf("%lld ",A.map[i][j]);
			printf("\n");
		}*/
		tmp1=quick_pow(a,A.map[0][1]);
		tmp2=quick_pow(b,A.map[0][0]);
		answer=(tmp1*tmp2)%mod1;
		printf("%lld\n",answer);
	}
}


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