[bzoj 4872][六省联考2017]分手是祝愿

本文探讨了一种涉及N个灯泡的问题,通过最优策略改变灯泡状态,目标是关闭所有灯泡。文章详细介绍了如何计算最优策略所需的步数,并提出了解决方案,包括状态转移公式和代码实现,最终求出达到目标状态的期望步数乘以N!(mod100003)。

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

传送门

Description

N个灯按照1~N标号,按下一个开关i,所有标号是i的约数的开关都改变状态,目标是关掉所有的灯,如果当前最优策略≤k就直接按照最优策略走。否则随机按下一个开关。给出每个灯的当前状态,问期望步数*n!(mod 100003)

Solution

•首先可以直接N个开关的最优策略需要的步数t,(最大的状态为开的灯一定要按,以此类推)

•状态i表示当前的数按照最优策略需要i步

•最后的状态看成是0

考虑f[i]表示从状态i到状态i-1的期望步数,最后答案是\(n!*\sum_{i=1}^{t} f[i] \ \ \mod 100003\)

\(i \leq k\)或者\(i=n\)时,\(f[i]=1\)

\(f[i]=\frac{i}{n}+\frac{n-i}{n}(f[i+1]+f[i]+1) \ \ \ k<i<n\)


Code 

#include<bits/stdc++.h>
#define ll long long
#define max(a,b) ((a)>(b)?(a):(b))
#define min(a,b) ((a)<(b)?(a):(b))
inline int read()
{
    int x=0,f=1;char ch=getchar();
    while(ch<'0'||ch>'9'){if(ch=='-')f=-1;ch=getchar();}
    while(ch>='0'&&ch<='9'){x=(x<<3)+(x<<1)+ch-'0';ch=getchar();}
    return x*f;
}
#define MN 100005
#define mod 100003
int n,k,a[MN],t;
int mark[MN];
ll inv[MN],g[MN],fac;
int main()
{
    n=read();k=read();
    register int i,j;
    for(fac=i=1;i<=n;++i) a[i]=read(),fac=fac*i%mod;
    for(i=n;i;--i)
    {
        int p=a[i];
        for(j=i<<1;j<=n;j+=i) if(mark[j]) p^=1;
        if(p) mark[i]=1,t++;
    }
    if(t<=k) return 0*printf("%lld",t*fac%mod);
    inv[1]=1;
    for(i=2;i<=n;i++) inv[i]=(mod-mod/i)*inv[mod%i]%mod;
    for(i=1;i<=k;i++) g[i]=1;
    for(g[n]=1,i=n-1;i>k;--i) g[i]=((n-i)*g[i+1]%mod+n)*inv[i]%mod;
    ll ans=0;
    for(i=1;i<=t;++i) ans+=g[i];
    printf("%lld",ans*fac%mod);
    return 0;
}



Blog来自PaperCloud,未经允许,请勿转载,TKS!

转载于:https://www.cnblogs.com/PaperCloud/p/10220418.html

内容概要:本文针对国内加密货币市场预测研究较少的现状,采用BP神经网络构建了CCi30指数预测模型。研究选取2018年3月1日至2019年3月26日共391天的数据作为样本,通过“试凑法”确定最优隐结点数目,建立三层BP神经网络模型对CCi30指数收盘价进行预测。论文详细介绍了数据预处理、模型构建、训练及评估过程,包括数据归一化、特征工程、模型架构设计(如输入层、隐藏层、输出层)、模型编译与训练、模型评估(如RMSE、MAE计算)以及结果可视化。研究表明,该模型在短期内能较准确地预测指数变化趋势。此外,文章还讨论了隐层节点数的优化方法及其对预测性能的影响,并提出了若干改进建议,如引入更多技术指标、优化模型架构、尝试其他时序模型等。 适合人群:对加密货币市场预测感兴趣的研究人员、投资者及具备一定编程基础的数据分析师。 使用场景及目标:①为加密货币市场投资者提供一种新的预测工具和方法;②帮助研究人员理解BP神经网络在时间序列预测中的应用;③为后续研究提供改进方向,如数据增强、模型优化、特征工程等。 其他说明:尽管该模型在短期内表现出良好的预测性能,但仍存在一定局限性,如样本量较小、未考虑外部因素影响等。因此,在实际应用中需谨慎对待模型预测结果,并结合其他分析工具共同决策。
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