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 | 使用Python和OpenCV实现火焰检测(附源码)
查看>>
OpenCV与AI深度学习 | 使用PyTorch进行小样本学习的图像分类
查看>>
OpenCV与AI深度学习 | 使用YOLO11实现区域内目标跟踪
查看>>
OpenCV与AI深度学习 | 使用YOLOv8做目标检测、实例分割和图像分类(包含实例操作代码)
查看>>
OpenCV与AI深度学习 | 使用单相机对已知物体进行3D位置估计
查看>>
OpenCV与AI深度学习 | 初学者指南 -- 什么是迁移学习?
查看>>
OpenCV与AI深度学习 | 十分钟掌握Pytorch搭建神经网络的流程
查看>>
OpenCV与AI深度学习 | 基于GAN的零缺陷样本产品表面缺陷检测
查看>>
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>