【bzoj 1853】 [Scoi2010] 幸运数字(容斥原理)

本文介绍了一个关于寻找特定区间内的近似幸运数字的问题,并提供了一种使用容斥原理进行高效计算的方法。幸运数字仅由6和8组成,近似幸运数字则是这些幸运数字的倍数。文章详细阐述了解决方案的实现细节。

1853: [Scoi2010]幸运数字

Time Limit: 2 Sec   Memory Limit: 64 MB
Submit: 1824   Solved: 669
[ Submit][ Status][ Discuss]

Description

在中国,很多人都把6和8视为是幸运数字!lxhgww也这样认为,于是他定义自己的“幸运号码”是十进制表示中只包含数字6和8的那些号码,比如68,666,888都是“幸运号码”!但是这种“幸运号码”总是太少了,比如在[1,100]的区间内就只有6个(6,8,66,68,86,88),于是他又定义了一种“近似幸运号码”。lxhgww规定,凡是“幸运号码”的倍数都是“近似幸运号码”,当然,任何的“幸运号码”也都是“近似幸运号码”,比如12,16,666都是“近似幸运号码”。 现在lxhgww想知道在一段闭区间[a, b]内,“近似幸运号码”的个数。

Input

输入数据是一行,包括2个数字a和b

Output

输出数据是一行,包括1个数字,表示在闭区间[a, b]内“近似幸运号码”的个数

Sample Input

【样例输入1】
1 10
【样例输入2】
1234 4321

Sample Output

【样例输出1】
2
【样例输出2】
809

HINT

【数据范围】
对于30%的数据,保证1 < =a < =b < =1000000
对于100%的数据,保证1 < =a < =b < =10000000000

Source

[ Submit][ Status][ Discuss]

【题解】【容斥原理】

【与 bzoj 2393基本一致,只是因为范围大了,所以要改一个地方:

ll s=(sum*b[x])/(gcd(sum,b[x]));
	if(s<=r) dfs(x+1,y+1,s);
改为:
ll s=sum/gcd(sum,b[x]);
	if((double)s*b[x]<=r) dfs(x-1,y+1,s*b[x]);
因为double的范围要更大】


#include<cstdio>
#include<cstring>
#include<algorithm>
#define ll long long
using namespace std;
ll a[10001],b[10001],l,r,ans,tot,cnt;
bool p[10001];
void get_num(ll x)
{
	if(x>r) return;
	if(x) a[++tot]=x;
	get_num(x*10+6); get_num(x*10+8);
	return;
}
ll gcd(ll x,ll y)
{
	if(!(x%y)) return y;
	 else return gcd(y,x%y);
}
void dfs(ll x,ll y,ll sum)
{
	if(!x)
	 {
	 	if(y&1) ans+=r/sum-(l-1)/sum;
	 	 else 
	 	  if(y) ans-=r/sum-(l-1)/sum;
	 	return;
	 }
	dfs(x-1,y,sum);
	ll s=sum/gcd(sum,b[x]);
	if((double)s*b[x]<=r) dfs(x-1,y+1,s*b[x]);
	return;
}
int main()
{
	int i,j;
	scanf("%lld%lld",&l,&r);
	get_num(0);
 	sort(a+1,a+tot+1);
	for(i=1;i<=tot;++i)
	 if(!p[i])
	  {
	  	b[++cnt]=a[i];
	  	for(j=i;j<=tot;++j)
	  	 if(!(a[j]%a[i])) p[j]=1;
	  }
	dfs(cnt,0,1);//这个地方倒着查找因为更容易超出范围,所以更优越 
	printf("%lld\n",ans);
	return 0;
}



转载于:https://www.cnblogs.com/lris-searching/p/9403146.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
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