Codeforces#232 A

本文介绍了一种算法,用于计算一个整数m可以被分解为n个有序正整数乘积的不同方式的数量,并考虑了答案可能非常大的情况,因此需要取模10^9 + 7。

A

A. On Number of Decompositions into Multipliers
time limit per test
1 second
memory limit per test
256 megabytes
input
standard input
output
standard output

You are given an integer m as a product of integers a1, a2, ... an . Your task is to find the number of distinct decompositions of number m into the product of n ordered positive integers.

Decomposition into n products, given in the input, must also be considered in the answer. As the answer can be very large, print it modulo 1000000007 (109 + 7).

Input

The first line contains positive integer n (1 ≤ n ≤ 500). The second line contains space-separated integers a1, a2, ..., an (1 ≤ ai ≤ 109).

Output

In a single line print a single number k — the number of distinct decompositions of number m into n ordered multipliers modulo1000000007 (109 + 7).


所有数质因数分解,得到的质因数放一起就是M啦。。然后就可以XXOO了。

博文写的有点慢。

#include<stdio.h>
#include<string.h>
#include<iostream>

using namespace std;

#define mod 1000000007

int p[200000],a[200000],num[200000],pnum,tnum,m,n;
long long tmp,oo,mi,ans;

void lis(){
    int i,j;
    pnum = 0;
    memset(p,0,sizeof(p));
    memset(a,0,sizeof(a));
    for(i = 2;i < 100000; i++)
    if(!a[i])
    {
        p[pnum++] = i;
        for(j = 2*i;j < 100000; j+=i)
            a[j] = 1;
    }
    tnum = pnum;
}

int main()
{
    lis();
    int t,i,j,x;
    cin >> t;
    m = t-1;
    memset(num,0,sizeof(num));
    for(i = 1; i <= t;i++)
        {
            cin >> x;
            for(j = 0;j < pnum; j++)
            {
                if(x%p[j]==0)
                {
                    while(x%p[j]==0)
                    {
                        num[j]++;
                        x /= p[j];
                    }
                }
                if(x<p[j])
                    break;
            }
            if(x!=1)
                {
                    int k = 0;
                    for(j = pnum; j < tnum; j++)
                        if(p[j]==x)
                           {
                               k = 1;
                               num[j]++;
                               break;
                           }
                    if(k==0)
                    {
                        p[tnum] = x;
                        num[tnum]++;
                        tnum++;
                    }
                }
        }
    if(m==0)
    {
        cout << 1 << endl;
        return 0;
    }
    ans = 1;
    for(i = 0; i < tnum; i++)
        if(num[i]!=0)
            {
                n = num[i]+m;
                for(j = n-m+1; j <= n; j++)
                    ans = (ans*j)%mod;
                tmp = 1;
                for(j = 1; j <= m; j++)
                    tmp = (tmp*j)%mod;
                tmp = tmp%mod;
                mi = 1000000005;
                oo = 1;
                while(mi)
                {
                    if(mi%2==1)
                       oo = (oo*tmp)%mod;
                    tmp = (tmp*tmp)%mod;
                    mi /= 2;
                }
                ans = (ans*oo)%mod;
            }
    ans = ans%mod;
    cout << ans << endl;
    return 0;
}


内容概要:本文是一份针对2025年中国企业品牌传播环境撰写的《全网媒体发稿白皮书》,聚焦企业媒体发稿的策略制定、渠道选择与效果评估难题。通过分析当前企业面临的资源分散、内容同质、效果难量化等核心痛点,系统性地介绍了新闻媒体、央媒、地方官媒和自媒体四大渠道的特点与适用场景,并深度融合“传声港”AI驱动的新媒体平台能力,提出“策略+工具+落地”的一体化解决方案。白皮书详细阐述了传声港在资源整合、AI智能匹配、舆情监测、合规审核及全链路效果追踪方面的技术优势,构建了涵盖曝光、互动、转化与品牌影响力的多维评估体系,并通过快消、科技、零售等行业的实战案例验证其有效性。最后,提出了按企业发展阶段和营销节点定制的媒体组合策略,强调本土化传播与政府关系协同的重要性,助力企业实现品牌声量与实际转化的双重增长。; 适合人群:企业市场部负责人、品牌方管理者、公关传播从业者及从事数字营销的相关人员,尤其适用于初创期至成熟期不同发展阶段的企业决策者。; 使用场景及目标:①帮助企业科学制定媒体发稿策略,优化预算分配;②解决渠道对接繁琐、投放不精准、效果不可衡量等问题;③指导企业在重大营销节点(如春节、双11)开展高效传播;④提升品牌权威性、区域渗透力与危机应对能力; 阅读建议:建议结合自身企业所处阶段和发展目标,参考文中提供的“传声港服务组合”与“预算分配建议”进行策略匹配,同时重视AI工具在投放、监测与优化中的实际应用,定期复盘数据以实现持续迭代。
先展示下效果 https://pan.quark.cn/s/987bb7a43dd9 VeighNa - By Traders, For Traders, AI-Powered. Want to read this in english ? Go here VeighNa是一套基于Python的开源量化交易系统开发框架,在开源社区持续不断的贡献下一步步成长为多功能量化交易平台,自发布以来已经积累了众多来自金融机构或相关领域的用户,包括私募基金、证券公司、期货公司等。 在使用VeighNa进行二次开发(策略、模块等)的过程中有任何疑问,请查看VeighNa项目文档,如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助,也欢迎在【经验分享】板块分享你的使用心得! 想要获取更多关于VeighNa的资讯信息? 请扫描下方二维码添加小助手加入【VeighNa社区交流微信群】: AI-Powered VeighNa发布十周年之际正式推出4.0版本,重磅新增面向AI量化策略的vnpy.alpha模块,为专业量化交易员提供一站式多因子机器学习(ML)策略开发、投研和实盘交易解决方案: :bar_chart: dataset:因子特征工程 * 专为ML算法训练优化设计,支持高效批量特征计算与处理 * 内置丰富的因子特征表达式计算引擎,实现快速一键生成训练数据 * Alpha 158:源于微软Qlib项目的股票市场特征集合,涵盖K线形态、价格趋势、时序波动等多维度量化因子 :bulb: model:预测模型训练 * 提供标准化的ML模型开发模板,大幅简化模型构建与训练流程 * 统一API接口设计,支持无缝切换不同算法进行性能对比测试 * 集成多种主流机器学习算法: * Lass...
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