CF 300C - Beautiful Numbers [组合数求模]

本文介绍了两种解决特定组合数求和问题的方法:一种是通过预处理阶乘并使用逆元来计算;另一种则是利用递推公式进行计算。两种方法都需要处理大范围的输入,并在模意义下计算组合数。


数学是硬伤。

分析题目后知道就是求sigma(C[i,n]%mod)

1 ≤ n ≤ 106


下面有两种方法,

一、预处理出阶乘,直接根据组合数公式 C[i,n] = n!/( i!*(n-i)! ),由于涉及到除法取模,所以要求下逆元。

62ms.

#include<cstdio>
#include<cstring>
#include<iostream>
#include<cmath>
#include<string>
#include<vector>
#include<map>
#include<algorithm>
using namespace std;
inline int Rint() { int x; scanf("%d", &x); return x; }
inline int max(int x, int y) { return (x>y)? x: y; }
inline int min(int x, int y) { return (x<y)? x: y; }
#define FOR(i, a, b) for(int i=(a); i<=(b); i++)
#define FORD(i,a,b) for(int i=(a);i>=(b);i--)
#define REP(x) for(int i=0; i<(x); i++)
typedef long long int64;
#define INF (1<<30)
const double eps = 1e-8;
#define bug(s) cout<<#s<<"="<<s<<" "

// a,b,n
// 1 ≤ a < b ≤ 9, 1 ≤ n ≤ 10^6
#define MAXN 1000000
#define MOD 1000000007

int a, b;
int64 fact[MAXN+2];

int isgood(int x) {
	for(; x; x/=10) {
		if(x%10 != a && x%10 != b) {
			return 0;
		}
	}
	return 1;
}
void calc_fact() {
	fact[0] = 1;
	FOR(i, 1, MAXN) {
		fact[i] = fact[i-1]*i%MOD;
	}
}

void ext_gcd(int64 a, int64 b, int64& d, int64& x, int64& y)
{
	if(!b) { d = a; x = 1; y = 0; }
	else { ext_gcd(b, a%b, d, y, x); y-=x*(a/b); }
}

int64 inv_mod(int64 a)	// ix=1(mod n)
{
	int64 x, y, d;
	ext_gcd(a, MOD, d, x, y);
	while(x<0) { x+=MOD; }
	return x;
}

int64 C(int k, int n) {
	return fact[n]*inv_mod(fact[k]*fact[n-k])%MOD;
}

int main() {
	a = Rint();
	b = Rint();
	int n = Rint();

	calc_fact();

	int64 ans = 0;
	FOR(i, 0, n) {
		if(isgood(a*i+b*(n-i))) {
			ans = (ans + C(i,n))%MOD;
		}
	}
	printf("%lld\n", ans);
}


二、根据递推公式 c[i]=c[i-1]*(n-i+1)/i ,先递推出所有C[n, i],因为这题n不会变,所以可以这样。同样要为 i 求逆元。

531ms

#include<cstdio>
#include<cstring>
#include<iostream>
#include<cmath>
#include<string>
#include<vector>
#include<map>
#include<algorithm>
using namespace std;
inline int Rint() { int x; scanf("%d", &x); return x; }
inline int max(int x, int y) { return (x>y)? x: y; }
inline int min(int x, int y) { return (x<y)? x: y; }
#define FOR(i, a, b) for(int i=(a); i<=(b); i++)
#define FORD(i,a,b) for(int i=(a);i>=(b);i--)
#define REP(x) for(int i=0; i<(x); i++)
typedef long long int64;
#define INF (1<<30)
const double eps = 1e-8;
#define bug(s) cout<<#s<<"="<<s<<" "

// a,b,n
// 1 ≤ a < b ≤ 9, 1 ≤ n ≤ 10^6
#define MAXN 1000000
#define MOD 1000000007

int a, b;

int isgood(int x) {
	for(; x; x/=10) {
		if(x%10 != a && x%10 != b) {
			return 0;
		}
	}
	return 1;
}

void ext_gcd(int64 a, int64 b, int64& d, int64& x, int64& y)
{
	if(!b) { d = a; x = 1; y = 0; }
	else { ext_gcd(b, a%b, d, y, x); y-=x*(a/b); }
}

int64 inv_mod(int64 a)	// ix=1(mod n)
{
	int64 x, y, d;
	ext_gcd(a, MOD, d, x, y);
	while(x<0) { x+=MOD; }
	return x;
}

// int64 C(int k, int n) {
// 	return fact[n]*inv_mod(fact[k]*fact[n-k])%MOD;
// }

// #define MAXN 10000002
int64 c[MAXN+2];

int64 C(int64 n, int64 k)		//C n k			
{
	c[0] = 1;
	for(int64 i=1; i<=k; i++)
	{
		c[i] = c[i-1]*(n-i+1)%MOD*inv_mod(i) % MOD;
	}
	return c[k];
}

int main() {
	a = Rint();
	b = Rint();
	int n = Rint();

	// calc_fact();

	C(n, n);

	int64 ans = 0;
	FOR(i, 0, n) {
		if(isgood(a*i+b*(n-i))) {
			ans = (ans + c[i])%MOD;
		}
	}
	printf("%lld\n", ans);
}


另,感觉我的求逆元的代码是不是挫了点,好像以前写组合数学的题跑的时间都比别人久。。

数学推理现在完全记不起来了。。还有什么Lucas也不会。。T-T

内容概要:本文介绍了ENVI Deep Learning V1.0的操作教程,重点讲解了如何利用ENVI软件进行深度学习型的训练与应用,以实现遥感图像中特定目标(如集装箱)的自动提取。教程涵盖了从数据准备、标签图像创建、型初始化与训练,到执行分类及结果优化的完整流程,并介绍了精度评价与通过ENVI Modeler实现一键化建的方法。系统基于TensorFlow框架,采用ENVINet5(U-Net变体)架构,支持通过点、线、面ROI或分类图生成标签数据,适用于多/高光谱影像的单一类别特征提取。; 适合人群:具备遥感图像处理基础,熟悉ENVI软件操作,从事地理信息、测绘、环境监测等相关领域的技术人员或研究人员,尤其是希望将深度学习技术应用于遥感目标识别的初学者与实践者。; 使用场景及目标:①在遥感影像中自动识别和提取特定地物目标(如车辆、建筑、道路、集装箱等);②掌握ENVI环境下深度学习型的训练流程与关键参数设置(如Patch Size、Epochs、Class Weight等);③通过型调优与结果反馈提升分类精度,实现高效自动化信息提取。; 阅读建议:建议结合实际遥感项目边学边练,重点关注标签数据制作、型参数配置与结果后处理环节,充分利用ENVI Modeler进行自动化建与参数优化,同时注意软硬件环境(特别是NVIDIA GPU)的配置要以保障训练效率。
内容概要:本文系统阐述了企业新闻发稿在生成式引擎优化(GEO)时代下的全渠道策略与效果评估体系,涵盖当前企业传播面临的预算、资源、内容与效果评估四大挑战,并深入分析2025年新闻发稿行业五大趋势,包括AI驱动的智能化转型、精准化传播、首发内容价值提升、内容资产化及数据可视化。文章重点解析央媒、地方官媒、综合门户和自媒体四类媒体资源的特性、传播优势与发稿策略,提出基于内容适配性、时间节奏、话题设计的策略制定方法,并构建涵盖品牌价值、销售转化与GEO优化的多维评估框架。此外,结合“传声港”工具实操指南,提供AI智能投放、效果监测、自媒体管理与舆情应对的全流程解决方案,并针对科技、消费、B2B、区域品牌四大行业推出定制化发稿方案。; 适合人群:企业市场/公关负责人、品牌传播管理者、数字营销从业者及中小企业决策者,具备一定媒体传播经验并希望提升发稿效率与ROI的专业人士。; 使用场景及目标:①制定科学的新闻发稿策略,实现从“流量思维”向“价值思维”转型;②构建央媒定调、门户扩散、自媒体互动的立体化传播矩阵;③利用AI工具实现精准投放与GEO优化,提升品牌在AI搜索中的权威性与可见性;④通过数据驱动评估体系量化品牌影响力与销售转化效果。; 阅读建议:建议结合文中提供的实操清单、案例分析与工具指南进行系统学习,重点关注媒体适配性策略与GEO评估指标,在实际发稿中分阶段试点“AI+全渠道”组合策略,并定期复盘优化,以实现品牌传播的长期复利效应。
评论 1
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