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——最简单的视频读取
查看>>
Opencv——模块介绍
查看>>
OpenCV与AI深度学习 | 2024年AI初学者需要掌握的热门技能有哪些?
查看>>
OpenCV与AI深度学习 | CIB-SE-YOLOv8: 优化的YOLOv8, 用于施工现场的安全设备实时检测 !
查看>>
OpenCV与AI深度学习 | CoTracker3:用于卓越点跟踪的最新 AI 模型
查看>>
OpenCV与AI深度学习 | OpenCV中八种不同的目标追踪算法
查看>>
OpenCV与AI深度学习 | OpenCV图像拼接--Stitching detailed使用与参数介绍
查看>>
OpenCV与AI深度学习 | OpenCV如何读取仪表中的指针刻度
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(一) :直接拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(三):基于特征匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(二) :基于模板匹配拼接
查看>>
OpenCV与AI深度学习 | OpenCV常用图像拼接方法(四):基于Stitcher类拼接
查看>>
OpenCV与AI深度学习 | OpenCV快速傅里叶变换(FFT)用于图像和视频流的模糊检测(建议收藏!)
查看>>
OpenCV与AI深度学习 | PaddleOCR 2.9 发布, 正式开源文本图像智能分析利器
查看>>
OpenCV与AI深度学习 | SAM2(Segment Anything Model 2)新一代分割一切大模型介绍与使用(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | T-Rex Label !超震撼 AI 自动标注工具,开箱即用、检测一切
查看>>
OpenCV与AI深度学习 | YOLO11介绍及五大任务推理演示(目标检测,图像分割,图像分类,姿态检测,带方向目标检测)
查看>>
OpenCV与AI深度学习 | YOLOv10在PyTorch和OpenVINO中推理对比
查看>>
OpenCV与AI深度学习 | YOLOv11来了:将重新定义AI的可能性
查看>>
OpenCV与AI深度学习 | YOLOv8自定义数据集训练实现火焰和烟雾检测(代码+数据集!)
查看>>