博客
关于我
牛客练习赛25 因数个数和
阅读量:525 次
发布时间:2019-03-08

本文共 603 字,大约阅读时间需要 2 分钟。

针对每一次数询问询问中的数值x(1e9),我们需要计算1到x范围内所有整数的因数个数之和。这涉及到对因数分解及其计数的重复运算,直接利用traditional方式就是计算每数的除数个数累加,这种方法的复杂度是n²,完全不适合处理x达到1e9的情况。

为了优化,我们可以利用数论中的数学性质。任何一个数x的因数对(i, j)满足i*j = x。因此,1到x的所有因数总数等价于统计每个i从1到sqrt(x)的贡献。当我们将x拆分为i与x/i的乘积时,每个i <= sqrt(x)对应到一个唯一的因数对。因此,我们只需统计i的数量即可覆盖所有因数对。这种方法的复杂度至多为sqrt(x),极大提升计算效率。

例如,对于x=10,sqrt(10)=3.162,向上取整为4。在这个循环中,i取1, 2, 3:

i=1: 10/1=10,计数+10个因数;i=2: 10/2=5,计数+5个因数;i=3: 10/3=3.333,只计数整数部分3,计数+3个因数;i=4: 10/4=2.5,计数+2个因数;这会导致因数总和为10+5+3+2=20个因数,实际因数数目为18(因为每个因数对被计算两次)。因此,最终因数总数应为20 - (3+2)=18。

这种方法展示了如何将指数级复杂度的计算优化为根数级复杂度,大大提升效率。代码实现简洁明了,适合实际操作。通过上述优化,我们可以方便、快速地处理非常大的数值范围。

转载地址:http://jckiz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 深度学习检测小目标常用方法
查看>>
OpenCV与AI深度学习 | 超越YOLOv10/11、RT-DETRv2/3!中科大D-FINE重新定义边界框回归任务
查看>>
OpenCV与AI深度学习 | 高效开源的OCR工具:Surya-OCR介绍与使用
查看>>
Opencv中KNN背景分割器
查看>>
OpenCV中基于已知相机方向的透视变形
查看>>
OpenCV中的监督学习
查看>>
opencv中读写视频
查看>>
opencv之cv2.findContours和drawContours(python)
查看>>
opencv之namedWindow,imshow出现两个窗口
查看>>
opencv之模糊处理
查看>>