2019金华随团旅游Day3

本文深入探讨了容斥原理及其在欧拉函数证明中的应用,解析了补集思想和Min-Max容斥的概念,提供了理解复杂数学问题的新视角。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

转眼间就已经在这里旅游了三天了,离死亡的感觉越来越真实,所谓活下去或许只是虚妄渺茫的幻想吧。
跳过伤感,我们看看今天有什么好看的。

容斥原理

这个东西它比较普及,大家大概都是知道名字的,当然包括我,大家大概也都是会了的,当然除了我,我除了名字啥都不知道。

是个啥:这是一个原理(屁话)用于处理问题时对有重复或是多余部分进行处理以求出答案。
其思想可由韦恩图较好的展现,下面给出一个简单的韦恩图
下面请允许我复制粘贴其基本操作流程列出题⽬中的n个条件。

  1. 求满⾜这n个条件中每⼀个的⽅案的个数。
  2. 枚举这些条件的所有2^n个集合。
  3. 考虑⼀个集合x,令不满⾜x中所有条件的⽅案有A个。
  4. 如果x的⼤⼩是奇数,给答案减去A,不然给答案加上A。

下面我们利用这个搞搞欧拉函数的证明。
欧拉函数ϕ(n)\phi(n)ϕ(n)是指1-n中与n互质的数的个数。
对于每个n可以拆成以下格式:p1e1×p2e2×...×pkekp_1^{e_1}\times p_2^{e_2}\times ...\times p_k^{e_k}p1e1×p2e2×...×pkek
我们设sis_isi为在n内pip_ipi的倍数构成的集合。
我们需要的答案是n−∣⋃i=1ksi∣n-\left|\bigcup_{i=1}^ks_i \right|ni=1ksi
我们不难推出
n−∣⋃i=1ksi∣=n−∑T⊆n(−1)∣T∣−1∣⋂i∈Tsi∣n-\left|\bigcup_{i=1}^ks_i \right|=n-\sum_{T_\subseteq n}(-1)^{|T|-1}\left|\bigcap_{i\in T}s_i\right|ni=1ksi=nTn(1)T1iTsi
所以我们不难推出,原式可化简为:
ϕ(n)=n−∑T⊆n(−1)∣T∣−1n∏i∈Tpi\phi(n)=n-\sum_{T\subseteq n}(-1)^{|T|-1}\frac{n}{\prod_{i\in T}p_i}ϕ(n)=nTn(1)T1iTpin
提取公因数:
ϕ(n)=n×(1−∑T⊆n(−1)∣T∣−11∏i∈Tpi)\phi(n)=n\times(1-\sum_{T\subseteq n}(-1)^{|T|-1}\frac{1}{\prod_{i\in T}p_i})ϕ(n)=n×(1Tn(1)T1iTpi1)
然后就分配一下,就得到了我们常见的欧拉函数:
ϕ(n)=n∑i=1k(1−pi)\phi(n)=n\sum_{i=1}^k(1-p_i)ϕ(n)=ni=1k(1pi)
所以我们大概就完成了欧拉函数的证明。
于是我就不会剩下关于容斥原理的内容了。

补集思想

这是关于容斥原理重要思想,是正难则反的体现。
一般可以概括为:满⾜条件的=全部的-不满⾜条件的。
容斥原理可以看成补集思想的一部分。
利用此思想对问题进行转化,可以使问题简单化,让生活更快乐。

Min-Max容斥

这是容斥原理的一个冷门知识点,就是通过对一个集合中的min和max进行转化以求出其值,设定集合为S,一般可以参照以下式子:
max⁡(S)=∑T⊆S(−1)∣T∣+1min⁡(T)\max(S)=\sum_{T \subseteq S}(-1)^{|T|+1}\min(T)max(S)=TS(1)T+1min(T)
当然你也可以互换Min和Max的位置,这样我们就完成了Min和Max的转化。
它有什么用呢?
这当然是与题目有关,假设我们能很轻松地求出任意集合的Min(S) 但是我们不会(或者很难)求出任意集合的 Max(S) 。
而Min-Max容斥最常用的方式还是在计算期望的时候。
上述转换Min-Max的式子在期望下也成立,即满足期望线性性。换成式子就是:
E(max⁡(S))=∑T⊆S(−1)∣T∣+1E(min⁡(T))E(\max(S))=\sum_{T \subseteq S}(-1)^{|T|+1}E(\min(T))E(max(S))=TS(1)T+1E(min(T))
然后我们就可以计算了。
是时候草草的结尾了。
END.

内容概要:本文档详细介绍了一个基于MATLAB实现的跨尺度注意力机制(CSA)结合Transformer编码器的多变量时间序列预测项目。项目旨在精准捕捉多尺度时间序列特征,提升多变量时间序列的预测性能,降低模型计算复杂度与训练时间,增强模型的解释性和可视化能力。通过跨尺度注意力机制,模型可以同时捕获局部细节和全局趋势,显著提升预测精度和泛化能力。文档还探讨了项目面临的挑战,如多尺度特征融合、多变量复杂依赖关系、计算资源瓶颈等问题,并提出了相应的解决方案。此外,项目模型架构包括跨尺度注意力机制模块、Transformer编码器层和输出预测层,文档最后提供了部分MATLAB代码示例。 适合人群:具备一定编程基础,尤其是熟悉MATLAB和深度学习的科研人员、工程师和研究生。 使用场景及目标:①需要处理多变量、多尺度时间序列数据的研究和应用场景,如金融市场分析、气象预测、工业设备监控、交通流量预测等;②希望深入了解跨尺度注意力机制和Transformer编码器在时间序列预测中的应用;③希望通过MATLAB实现高效的多变量时间序列预测模型,提升预测精度和模型解释性。 其他说明:此项目不仅提供了一种新的技术路径来处理复杂的时间序列数据,还推动了多领域多变量时间序列应用的创新。文档中的代码示例和详细的模型描述有助于读者快速理解和复现该项目,促进学术和技术交流。建议读者在实践中结合自己的数据集进行调试和优化,以达到最佳的预测效果。
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