ZJCoj qwb与支教 ( 容斥+二分

探讨了一个数学问题,即如何确定在特定规则下(跳过某些倍数的数)第N名学生报出的数字。该问题通过使用容斥原理和二分查找算法解决,并提供了完整的AC代码实现。

qwb与支教

Description

qwb同时也是是之江学院的志愿者,暑期要前往周边地区支教,为了提高小学生的数学水平。她把小学生排成一排,从左至右从1开始依次往上报数。

玩完一轮后,他发现这个游戏太简单了。于是他选了3个不同的数x,y,z;从1依次往上开始报数,遇到x的倍数、y的倍数或z的倍数就跳过。如果x=2,y=3,z=5;第一名小学生报1,第2名得跳过2、3、4、5、6,报7;第3名得跳过8、9、10,报11。

那么问题来了,请你来计算,第N名学生报的数字是多少?

Input

多组测试数据,处理到文件结束。(测试数据数量<=8000)

每个测试例一行,每行有四个整数x,y,z,N。( 2≤x,y,z≤107,1≤N≤1017)。

Output

Output

对于每个测试例,输出第N名学生所报的数字,每个报数占一行。

Sample Input

2 3 5 2
6 2 4 10000

Sample Output

7
19999

Hint

题解:

比赛时候没有写出来 一言看出来是个容斥 没想到二分
蒟蒻还需要学习一个2333

AC代码

#include <bits/stdc++.h>
using namespace std;
typedef long long LL;
const LL INF = 1e18;
LL gcd(LL a,LL b)
{
    return b==0?a:gcd(b,a%b);
}
LL lcm(LL a, LL b)
{
    LL ans, k;
    ans = a/gcd(a,b); 
    k = INF/ans;         //防止爆LL的方法  
    if(k < b) ans = -1;
    else ans *= b;
    return ans;
}
int main()
{
    LL x, y, z, n;
    LL xy, yz, zx, xyz;
    while(~scanf("%lld%lld%lld%lld",&x,&y,&z,&n)) {
        LL l = 0, r = INF; 
        while(l+1 < r) {
            LL mid = (l+r) / 2;
            LL ans = mid/x+mid/y+mid/z;
            xy = lcm(x,y);
            yz = lcm(y,z);
            zx = lcm(z,x);
            xyz = lcm(xy,z);
            ans -= (mid/xy+mid/yz+mid/zx);
            if(xyz != -1) ans += mid/xyz;
            if(mid-ans >= n) r = mid;
            else l = mid;
        }
        printf("%lld\n",r);
    }       
return 0;
} 
个人防护装备实例分割数据集 一、基础信息 • 数据集名称:个人防护装备实例分割数据集 • 图片数量: 训练集:4524张图片 • 训练集:4524张图片 • 分类类别: 手套(Gloves) 头盔(Helmet) 未戴手套(No-Gloves) 未戴头盔(No-Helmet) 未穿鞋(No-Shoes) 未穿背心(No-Vest) 鞋子(Shoes) 背心(Vest) • 手套(Gloves) • 头盔(Helmet) • 未戴手套(No-Gloves) • 未戴头盔(No-Helmet) • 未穿鞋(No-Shoes) • 未穿背心(No-Vest) • 鞋子(Shoes) • 背心(Vest) • 标注格式:YOLO格式,适用于实例分割任务,包含边界框或多边形坐标。 • 数据格式:图片数据,来源于监控或相关场景。 二、适用场景 • 工业安全监控系统开发:用于自动检测工人是否佩戴必要的个人防护装备,提升工作场所安全性,减少工伤风险。 • 智能安防应用:集成到监控系统中,实时分析视频流,识别PPE穿戴状态,辅助安全预警。 • 合规性自动化检查:在建筑、制造等行业,自动检查个人防护装备穿戴合规性,支持企业安全审计。 • 计算机视觉研究:支持实例分割、目标检测等算法在安全领域的创新研究,促进AI模型优化。 三、数据集优势 • 类别全面:覆盖8种常见个人防护装备及其缺失状态,提供丰富的检测场景,确保模型能处理各种实际情况。 • 标注精准:采用YOLO格式,每个实例都经过精细标注,边界框或多边形坐标准确,提升模型训练质量。 • 真实场景数据:数据来源于实际环境,增强模型在真实世界中的泛化能力和实用性。 • 兼容性强:YOLO格式便于主流深度学习框架(如YOLO、PyTorch等)集成,支持快速部署和实验。
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