[牛客挑战赛46E] 反演(莫比乌斯反演)

本文通过复杂的数学公式推导,解析了一个特定数学问题的求解过程。该问题涉及数论中的积性函数、莫比乌斯反演等概念,并提供了一种有效的算法实现方案。

题意

在这里插入图片描述
在这里插入图片描述

分析

首先,根据 σ0(ij)=∑x∣i∑y∣j[(x,y)==1]\sigma_0(ij) = \sum\limits_{x|i}\sum\limits_{y|j}[(x, y) == 1]σ0(ij)=xiyj[(x,y)==1],有
F(m,n)=∑i=1n∑j∣m∑x∣i∑y∣j[(x,y)==1]=∑x=1n∑y∣m⌊nx⌋σ0(my)[(x,y)==1]=∑x=1n∑y∣m⌊nx⌋σ0(my)∑d∣x,d∣yμ(d)=∑d∣mμ(d)h(⌊nd⌋)f(md)F(m, n) \\= \sum\limits_{i=1}^{n}\sum\limits_{j|m}\sum\limits_{x|i}\sum\limits_{y|j}[(x,y)==1]\\=\sum\limits_{x=1}^{n}\sum\limits_{y|m}\lfloor\frac{n}{x}\rfloor \sigma_0(\frac{m}{y})[(x,y)==1]\\=\sum\limits_{x=1}^{n}\sum\limits_{y|m}\lfloor\frac{n}{x}\rfloor \sigma_0(\frac{m}{y})\sum\limits_{d|x,d|y}\mu(d)\\=\sum\limits_{d|m}\mu(d)h(\lfloor\frac{n}{d}\rfloor )f(\frac{m}{d})F(m,n)=i=1njmxiyj[(x,y)==1]=x=1nymxnσ0(ym)[(x,y)==1]=x=1nymxnσ0(ym)dx,dyμ(d)=dmμ(d)h(dn)f(dm)
其中,h(n)=∑i=1n⌊ni⌋h(n)=\sum\limits_{i=1}^{n}\lfloor\frac{n}{i}\rfloorh(n)=i=1ninf(n)=∑d∣nσ0(d)f(n)=\sum\limits_{d|n}\sigma_0(d)f(n)=dnσ0(d)
那么,我们要求的是 F(m!,n)F(m!,n)F(m!,n),即 ∑d∣m!μ(d)h(⌊nd⌋)f(m!d)\sum\limits_{d|m!}\mu(d)h(\lfloor\frac{n}{d}\rfloor )f(\frac{m!}{d})dm!μ(d)h(dn)f(dm!)
可以考虑枚举 ddd,因为 100100100 以内有 252525 个质数,因此最多有 2252^{25}225ddd
因为 fff 是个积性函数,可以快速求出。
每得到一个 ddd,除法分块得到 hhh,用哈希表储存值,这部分复杂度是 O(n34)O(n^{\frac{3}{4}})O(n43)
总的复杂度是 O(225+n34)O(2^{25}+n^{\frac{3}{4}})O(225+n43)

代码

#include <bits/stdc++.h>
#include <ext/pb_ds/assoc_container.hpp>
#include <ext/pb_ds/hash_policy.hpp>
using namespace std;
using namespace __gnu_pbds;
typedef long long LL;

void debug_out(){
    cerr << endl;
}
template<typename Head, typename... Tail>
void debug_out(Head H, Tail... T){
    cerr << " " << to_string(H);
    debug_out(T...);
}
#ifdef local
#define debug(...) cerr<<"["<<#__VA_ARGS__<<"]:",debug_out(__VA_ARGS__)
#else
#define debug(...) 55
#endif

const int mod = 998244353, N = 1e7 + 5;
LL n;
int p[26], cnt, power[105], inv[N], ans, tot = 1;
gp_hash_table<int, int> f;
int h(LL n){
	if(f[n]) return f[n];
	LL s = 0;
	for(LL l = 1, r; l <= n; l = r + 1){
		r = n / (n / l);
		s += (r - l + 1) * (n / l) % mod;
		if(s >= mod) s -= mod;
	}
	return f[n] = s;
}
void dfs(int pos, LL x, int mu, int sum){
	if(x > n) return;
	if(pos == cnt + 1){
		ans = (ans + (LL)mu * h(n / x) * sum % mod) % mod;
		return;
	}
	dfs(pos + 1, x, mu, sum);
	dfs(pos + 1, x * p[pos], -mu, (LL)sum * inv[(power[p[pos]] + 2) * (power[p[pos]] + 1) / 2] % mod * ((power[p[pos]] + 1) * power[p[pos]] / 2) % mod);
}
int main(){
	ios::sync_with_stdio(false);
	cin.tie(0), cout.tie(0);
	int m;
	inv[1] = 1;
	for(int i = 2; i <= 10000; i++) inv[i] = (LL)inv[mod % i] * (mod - mod / i) % mod;
	cin >> n >> m;
	for(int i = 2; i <= m; i++){
		int ok = 1;
		for(int j = 2; j <= i / j; j++) if(i % j == 0) ok = 0;
		if(ok){
			p[++cnt] = i;
			int t = m;
			while(t){
				power[i] += t / i;
				t /= i;
			}
			tot = (LL)tot * ((power[i] + 2) * (power[i] + 1) / 2) % mod;
		}
	}
	dfs(1, 1, 1, tot);
	cout << (ans + mod) % mod << '\n';
	return 0;
}

内容概要:本文围绕“基于交流潮流的电力系统多元件N-k故障模型研究”展开,深入探讨了利用Matlab代码实现电力系统在发生多个关键元件同时故障(即N-k故障)情况下的交流潮流计算与故障分析方法。该模型不仅考虑了传统潮流方程的非线性特性,还引入了故障约束条件,能够精确模拟复杂多样的故障场景,如短路、断线等,进而评估电网在极端运行条件下的稳态与动态行为。研究通过构建典型电力系统算例,验证了所提模型在故障筛选、脆弱性识别及系统恢复策略制定方面的有效性,为电力系统安全评估、风险预警和防御体系构建提供了坚实的理论依据和技术支撑。此外,模型具备良好的扩展性,可进一步应用于连锁故障传播分析、恶意攻击模拟等高级安全分析领域。; 适合人群:具备电力系统分析基础理论知识和Matlab编程能力的高校研究生、科研院所研究人员以及电力公司从事电网规划、运行与安全管理的技术人员,特别适用于开展电力系统安全稳定、可靠性评估与应急响应机制研究的专业人士。; 使用场景及目标:①开展电力系统在多重故障条件下的交流潮流仿真,评估系统电压稳定性、线路过载风险及负荷损失程度;②识别电网中的关键薄弱环节与脆弱元件,支撑电网加固改造与防御资源配置;③用于科研项目中的故障场景建模与算法验证,或作为教学案例帮助学生理解复杂故障下的系统响应机制。; 阅读建议:此资源以Matlab代码为核心实现手段,建议读者结合理论推导与代码实现进行对照学习,重点关注故障建模过程中雅可比矩阵的修正方法、故障注入方式及收敛性处理策略,建议在仿真中逐步增加故障数量与复杂度,深入理解N-k故障对系统潮流分布的影响规律,并尝试将其拓展至含新能源接入的现代电力系统场景中进行验证与优化。
【重要提示】本资源设置为0积分下载,若非0积分请勿轻易下载 亲爱的CSDN用户: 首先感谢你点进这个资源页面。我需要提前说明一个重要情况: 本资源原本已设置为“0积分下载”,即作者希望完全免费共享。但CSDN平台有时会根据文件的下载热度、文件大小、用户权限等因素,自动将部分资源的积分调整为非0数值(如1积分、2积分、5积分等)。这是平台系统的自动行为,而非作者本人的设定。 因此,如果你当前看到该资源的下载所需积分不是0(例如显示为1、2、3……),请谨慎决定是否下载。 如果你按照非0积分支付并下载后发现资源内容不符合预期、链接失效,或者实际上该资源本应是免费的,作者无法为此承担积分损失或退还操作。强烈建议:仅在页面显示为0积分时进行下载。 另外,本资源描述中并未直接提供具体的下载地址或外部链接,因为它本身是一个通过CSDN官方上传通道提交的文件/内容包。如果你看到描述中没有外部网盘地址,这是正常的——资源文件应通过CSDN内置的“下载”按钮获取。若因平台积分显示异常导致你支付了积分,请优先联系CSDN客服咨询积分退还政策,作者没有权限修改平台自动设定的积分值。 感谢你的理解与支持。技术分享本应开放,但受限于平台规则,特此提醒如上。祝学习进步!
内容概要:本文详细介绍了基于PyTorch实现的并行物理信息神经网络(PINNs)在NLS–MB方程孤子演化预测中的应用实例,系统阐述了模型架构设计、损失函数构造、训练流程优化及并行计算策略的实施过程。通过深度融合物理先验知识与深度学习框架,该方法有效求解了非线性薛定谔类偏微分方程,实现了对孤子动力学行为的高精度、高效率数值模拟与长期演化预测,充分展现了PINNs在处理复杂科学计算问题中的强大建模能力与泛化性能。; 适合人群:具备一定深度学习理论基础和偏微分方程求解经验,熟练掌握Python编程语言及PyTorch深度学习框架,从事计算物理、流体力学、光学通信或相关工程仿真的研究生、科研人员及高级技术人员。; 使用场景及目标:①深入理解如何将物理守恒律与控制方程作为硬约束嵌入神经网络,提升模型在稀疏数据下的泛化能力与物理一致性;②掌握PINNs在非线性孤子波、色散介质传播等复杂动力系统建模中的关键技术实现路径;③应用于量子物理、非线性光学、大气海洋动力学等领域中传统数值方法难以求解的高维、强非线性偏微分方程的正/反问题研究。; 阅读建议:建议读者结合文末提供的完整代码资源(可通过公众号“荔枝科研社”获取)进行动手实践,重点关注物理残差项在自动微分框架下的精确计算、多任务损失权重的平衡策略,并尝试迁移模型至其他类型的非线性演化方程以深化理解与应用能力。
内容概要:本文围绕LLC谐振变换器的变频移相混合控制模型展开研究,通过Simulink搭建完整的仿真模型,系统阐述了该控制策略的理论基础与实现方法。研究结合变频控制与移相控制的优点,旨在提升LLC谐振变换器在宽负载范围内的转换效率与系统稳定性,深入分析其在高频高效电源系统中的动态响应特性与优化潜力。文中详细展示了控制逻辑设计、关键参数整定及仿真验证过程,有助于读者全面掌握LLC变换器的工作机理与先进控制技术的应用。; 适合人群:具备电力电子技术、自动控制理论及仿真建模基础的科研人员与工程师,特别适用于从事高频电源、新能源变换系统研发的技术人员,以及电力电子与电气工程方向的研究生及以上学历人员。; 使用场景及目标:①深入理解LLC谐振变换器的核心工作原理及其在轻载与重载工况下的控制挑战;②掌握变频与移相混合控制策略的设计思路、协同机制与仿真建模技巧;③应用于高频DC-DC变换器、电动汽车车载充电机、光伏微逆变器及高效开关电源等高性能电力电子系统的研发与性能优化。; 阅读建议:建议读者结合提供的Simulink仿真模型逐步操作,重点观察系统在不同负载条件下的频率调节与相位调节响应,深入分析效率曲线与谐振腔波形变化,进而掌握控制参数对系统性能的影响规律,可进一步拓展至其他谐振拓扑(如Series Resonant、LCL等)的混合控制策略研究。
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