HDU 1695 GCD(容斥 or 莫比乌斯反演)

本文探讨了一种利用莫比乌斯反演解决特定数学问题的方法,包括如何构建莫比乌斯反演数组,计算相关函数以及进行容斥原理的应用。通过实例分析,展示了从复杂问题到简洁解决方案的转化过程。

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

这题可以用容斥做,然而效率并不高。。

于是学了下莫比乌斯反演(资料百度找)

求出mo数组后

设f(x)为gcd为x的种数

F(x)为gcd为x倍数的种数

那么显然F(x) = (b / x) * (d / x)

莫比乌斯反演之后,得到f(x) = sum(mo[i] * F(i))。

然后还要容斥减去对称重复的。对称重复的情况为min(b, d)小的中,求一遍除2,(因为存在x = y的情况只有(1,1)一种)

最后还要注意特判下k == 0的情况

代码:

#include <cstdio>
#include <cstring>
#include <algorithm>
using namespace std;

const int N = 100005;

int mo[N], prime[N], pn;
bool vis[N];

void Moblus() {
    memset(vis, false, sizeof(vis));
    mo[1] = 1; pn = 0;
    for(int i = 2; i < N; i++) {
        if(!vis[i]) {
            prime[pn++] = i;
            mo[i] = -1;
        }
        for(int j = 0; j < pn; j++) {
            if(i * prime[j] >= N) break;
            vis[i * prime[j]] = true;
            if(i % prime[j] == 0) {
                mo[i * prime[j]] = 0;
                break;
            } else mo[i * prime[j]] = -mo[i];
        }
    }
}

typedef long long ll;
int t, a, b, c, d, k;

int main() {
    Moblus();
    int cas = 0;
    scanf("%d", &t);
    while (t--) {
        scanf("%d%d%d%d%d", &a, &b, &c, &d, &k);
        if (k == 0) {
            printf("Case %d: 0\n", ++cas);
            continue;
        }
        b /= k; d /= k;
        if (b > d) swap(b, d);
        ll ans = 0;
        for (int i = 1; i <= b; i++)
            ans += (ll)mo[i] * (b / i) * (d / i);
        ll tmp = 0;
        for (int i = 1; i <= b; i++)
            tmp += (ll)mo[i] * (b / i) * (b / i);
        printf("Case %d: %I64d\n", ++cas, ans - tmp / 2);
    }
    return 0;
}


基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
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