sgu197 分类: sgu 2015-04-...

本文介绍了一种使用矩阵快速幂解决特定问题的算法。针对条件限制m<=5的情况,利用递推而非动态规划,通过构建转移矩阵并采用快速幂运算,高效计算大规模数据集的解决方案。特别适用于列状态数较少的场景。

注意条件 m<=5,这告诉我们,对于每一列,状态数是很少的,所以怎么乱搞都可以
所以可以递推求解(注意是递推不是动归)。

f(i,S) 表示第 i 列状态为 S 的方案数,有 f(i,S)=f(i1,S) | S>S

用矩阵表示 Fi 表示第 i 列每种状态方案数的矩阵,Fi=TFi1,其中 T 为转移矩阵
所以 Fi=Tn1F1Tn1用快速幂解决即可。


另外 n 需要高精度运算。


#include<cstdio>
#include<cstdlib>
#include<cstring>
#include<iostream>
#include<algorithm>

#define Get(i,j) (i&(1<<j))

const int MAXM = 6;
struct Matrix{int n ,m ,a[1<<5][1<<5];};
struct BigNumber
{
    int l,num[1<<7];

    void scan()
    {
        static char s[1<<7];
        scanf("%s",s+1),l = strlen(s+1);
        for(int i = 1; i <= l; i++)
          num[i] = s[l-i+1] - '0';      
    }
    BigNumber minus1()
    {
        --num[1];
        for(int i = 1; i <= l; i++)
           if(num[i] < 0) num[i] += 10, num[i+1]--;
           else break;

        if(!num[l]) l--;
        return (*this);     
    }
    BigNumber div2()
    {
        for(int i = 1; i <= l; i++)
        {
          if(num[i]&1) num[i-1]+=10>>1;
          num[i] >>= 1;
        }
        if(!num[l]) l--;
        return (*this);
    }
    int mod2()
    {
        return num[1]&1;
    }
    bool zero()
    {
        if(l) return false;
        else return true;
    }
};

BigNumber N;
int M, p;
Matrix I = {0};
Matrix F = {0}, Ans = {0};
int ans = 0;

Matrix operator *(Matrix A,Matrix B)
{
    Matrix C = {A.n,B.m,{0}};

    for(int i = 0; i < A.n; i++)
      for(int j = 0; j < B.m; j++)
        for(int k = 0; k < A.m; k++)
          C.a[i][j] = (C.a[i][j]+A.a[i][k]*B.a[k][j])%p;

    return C;    
}

Matrix PowerMod(Matrix G,BigNumber k)
{
    Matrix R = I;
    while(!k.zero())
    {
        if(k.mod2()) R = R * G;
        G = G * G, k = k.div2();
    }
    return R;
}

int main()
{
#ifndef ONLINE_JUDGE
    freopen("sgu197.in","r",stdin);
    freopen("sgu197.out","w",stdout);
#endif

    N.scan();

    std::cin >> M >> p;

    I.n = I.m = F.n = F.m = 1<<M;

    for(int i = 0; i < I.n; i++)
        I.a[i][i] = 1;

    for(int i = 0; i < F.n; i++)
      for(int j = 0; j < F.m; j++)
      {
        F.a[i][j] = 1;  

        for(int k = 1,a,b,c,d; k < M; k++)
        {
            a = Get(i,k-1), c = Get(i,k);
            b = Get(j,k-1), d = Get(j,k);

            if((a && b && c && d) || !(a || b || c || d)) 
                {F.a[i][j] = 0; break;}
        }
      }

    Ans.n = 1<<M, Ans.m = 1;
    for(int i = 0; i < Ans.n; i++)
      Ans.a[i][0] = 1;

    Ans = PowerMod(F,N.minus1()) * Ans; 

    for(int i = 0; i < Ans.n; i++)
      ans += Ans.a[i][0], ans %= p; 

    std::cout << ans << std::endl;   

#ifndef ONLINE_JUDGE
    fclose(stdin);
    fclose(stdout);
#endif
    return 0;
}

版权声明:本文为博主原创文章,未经博主允许不得转载。

转载于:https://www.cnblogs.com/dashgua/p/4723033.html

内容概要:本文档围绕“经济学期刊论文复现:数字化转型能否促进企业的高质量发展”这一核心命题,系统整合了MATLAB与Python编程实现的大量科研案例,聚焦于数字化转型对企业全要素生产率(TFP)及高质量发展影响的实证研究。文档不仅复现了高水平经济学期刊论文中的计量经济模型,如基于中国上市公司数据的数字化转型与生产率关系分析,还深度融合了工程领域的建模技术,涵盖微电网优化、负荷预测、风电光伏不确定性建模、电力系统故障仿真等。同时,提供了智能优化算法(如遗传算法、粒子群优化)、机器学习(LSTM、CNN-BiGRU-Attention)、信号处理、路径规划等多学科交叉的技术资源,构建了一个从理论推导到代码实现的完整科研支持体系,旨在帮助研究者系统掌握论文复现与实证分析的核心方法。; 适合人群:具备一定MATLAB或Python编程基础,从事经济学、管理学、能源系统、智能制造及相关交叉学科研究的研究生、科研人员及高校教师。; 使用场景及目标:①复现经济学顶刊中关于数字化转型与企业高质量发展的实证模型;②学习如何量化数字化转型并构建其对企业绩效的影响评估框架;③掌握基于真实数据的计量经济建模、场景生成与优化调度仿真技术,全面提升科研论文写作与实证研究能力。; 阅读建议:建议读者结合文中提供的代码与数据资源,重点研读“论文复现”与“创新未发表”模块,按照技术路径循序渐进地实现模型复现与拓展。推荐关注“荔枝科研社”公众号及百度网盘链接获取完整资料,系统性地开展学习与科研实践。
下载代码方式:https://pan.quark.cn/s/9de6a9d0b3d8 依据所提供的文件内容,能够推导出此段程序的核心任务在于对一个任意的三位数进行拆解,并且分别呈现该数值的百位、十位及个位部分。随后,我们将对该知识点进行进一步的深入研究。 ### 一、程序功能说明 #### 1. 接收任意一个三位数输入 程序起始阶段运用`scanf`函数来获取用户输入的一个整数。为确保输入内容确实为一个三位数,在实际应用场景中通常需要嵌入验证机制来保障输入的有效性。然而,在本示例情形下,该环节被简化处理,预设用户总会准确输入一个三位数。 #### 2. 实施数字的拆分并提取各位置数值 程序借助一系列数学计算来对三位数进行拆分,将其转化为百位、十位和个位三个独立的构成部分。具体而言,通过除法和取模运算完成了这一过程。 #### 3. 展示各位置上的数值 程序运用`printf`函数来输出原始数值以及各个位上的数值。需要留意的是,代码中的输出部分似乎存在一些混淆,存在语法上的错误,例如多余的`printf`语句和乱码字符等问题。 ### 二、核心代码分析 #### 1. 数字拆分逻辑 ```c a[0] = n / 1000; // 提取千位数,但鉴于题目要求是三位数,此处应为百位数 a[1] = n % 1000 / 100; // 提取百位数 a[2] = n % 1000 % 100 / 10; // 提取十位数 a[3] = n % 1000 % 100 % 10; // 提取个位数 ``` 这段代码通过一连串的除法和取模运算,成功地将输入的数字n拆分为百位、十位和个位三个独立的构成部分,...
内容概要:本文提出了一种基于CNN-BiGRU-Attention混合神经网络模型的风电功率预测方法,采用多变量输入实现单步预测,并通过Matlab进行代码实现与验证。该模型融合卷积神经网络(CNN)以提取输入数据的局部时空特征,利用双向门控循环单元(BiGRU)充分捕捉风速、温度、湿度等多源气象与运行变量的时间序列前后依赖关系,并引入注意力机制(Attention)动态加权关键时间步的特征信息,有效提升模型对风电功率波动性和不确定性的建模能力,显著增强了预测的准确性与鲁棒性。; 适合人群:具备一定机器学习与深度学习理论基础,熟悉Matlab编程环境,从事新能源发电预测、电力系统调度、智能电网优化等相关领域的科研人员、工程技术人员及高校研究生。; 使用场景及目标:①应用于实际风电场功率预测系统,为电网调度、电力市场交易与可再生能源消纳提供高精度数据支撑;②作为深度学习在能源时序预测领域的典型案例,用于科研项目开发、学术论文复现与技术创新;③深入理解多变量时间序列预测中特征融合、序列建模与注意力权重分配的协同机制,掌握先进神经网络架构的设计与优化方法。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点剖析数据预处理流程、模型网络结构搭建、训练参数调优及注意力权重可视化等关键环节,鼓励尝试替换不同特征输入、调整网络深度或引入其他优化算法(如贝叶斯优化、粒子群优化等)以进一步提升模型性能。
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