hdu

矩阵快速幂与区间异或
本文介绍了一种使用矩阵快速幂求解区间异或问题的方法。通过将区间[l,r]划分为log段,利用矩阵快速幂进行高效计算。文章详细展示了如何构建和操作segment结构,以及如何使用Hash_table来存储和检索中间计算结果,最终实现对区间异或的快速求解。

[l,r]做n次异或相当于把[l,r]分成

log段,做矩阵快速幂

#include <bits/stdc++.h>
using namespace std;
#define rep(i,a,n) for (int i=a;i<n;i++)
#define per(i,a,n) for (int i=n-1;i>=a;i--)
#define pb push_back
#define mp make_pair
#define all(x) (x).begin(),(x).end()
#define fi first
#define se second
#define SZ(x) ((int)(x).size())
typedef vector<int> VI;
typedef long long ll;
typedef pair<int,int> PII;
const ll mod=1000000007;
ll powmod(ll a,ll b)
{ 
    ll res=1;
    a%=mod;
    assert(b>=0);
    for(; b; b>>=1)
    {
        if(b&1)res=res*a%mod;
        a=a*a%mod;
    }
    return res;
}
ll gcd(ll a,ll b)
{
    return b?gcd(b,a%b):a;
}
// head

int _,n,l,r,Q,x;
struct segment
{
    int pl,len;
    ll v;
};

vector<segment> seg,ret;
void query(int len,int l,int r,int tl,int tr)
{
    if (l==tl&&r==tr)
    {
        seg.pb((segment)
        {
            tl,len,1
        });
    }
    else
    {
        int md=(l+r)>>1;
        if (tr<=md) query(len-1,l,md,tl,tr);
        else if (tl>md) query(len-1,md+1,r,tl,tr);
        else query(len-1,l,md,tl,md),query(len-1,md+1,r,md+1,tr);
    }
}

struct Hash_table
{
    static const int V=1000003;
    int fst[V],nxt[V];
    int ctm,ptm[V],T;
    ll val[V];
    ll key[V];
    void init()
    {
        T=0;
        ctm++;
    }
    void add(ll s,int v)
    {
        int S=s%V;
        if (ptm[S]!=ctm) ptm[S]=ctm,fst[S]=-1;
        for (int j=fst[S]; j!=-1; j=nxt[j]) if (key[j]==s)
            {
                val[j]+=v;
                return;
            }
        nxt[T]=fst[S],fst[S]=T,key[T]=s,val[T]=v;
        T++;
    }
} hs;

vector<segment> mul(vector<segment> &a,vector<segment> &b)
{
    hs.init();
    for (auto p:a) for (auto q:b)
        {
            int fred=max(p.len,q.len);
            int c=min(p.len,q.len);
            int tl=((p.pl^q.pl)>>fred)<<fred;
            ll tot=p.v*q.v%mod*(1ll<<c)%mod;
            hs.add(tl*100ll+fred,tot);
        }
    vector<segment> c;
    rep(i,0,hs.T)
    {
        pair<ll,ll> p(hs.key[i],hs.val[i]);
        c.pb((segment)
        {
            (int)(p.fi/100),(int)(p.fi%100),p.se%mod
        });
    }
    return c;
}

int main()
{
    for (scanf("%d",&_); _; _--)
    {
        scanf("%d%d%d%d",&n,&l,&r,&Q);
        seg.clear();
        ret.clear();
        query(30,0,(1<<30)-1,l,r);
//		debug(seg);
        ret.pb((segment)
        {
            0,0,1
        });
        for (; n; n>>=1)
        {
            if (n&1) ret=mul(ret,seg);
            seg=mul(seg,seg);
//			printf("%d %d\n",SZ(seg),SZ(ret));
        }
        rep(i,0,Q)
        {
            scanf("%d",&x);
            int ans=0;
            for (auto p:ret)
            {
                if (p.pl<=x&&x<p.pl+(1<<p.len)) ans=(ans+p.v)%mod;
            }
            printf("%d\n",ans);
        }
    }
}

  

转载于:https://www.cnblogs.com/liweiggg/p/9441253.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