【牛客练习赛137 C】题解

比赛链接

C. 变化的数组(Easy Version)

题目大意

一个长度为 n n n 的非负数组 a a a,要求执行 k k k 次操作,每次操作如下:

  • 1 2 \frac{1}{2} 21 的概率令 a i ← a i + ( a i ⊗ m ) + x , ∀ i ∈ [ 1 , n ] a_i \leftarrow a_i + (a_i \otimes m) + x, \ \forall i \in [1, n] aiai+(aim)+x, i[1,n]
  • 1 2 \frac{1}{2} 21 的概率保持 ∀ a i \forall a_i ai 不变。

∑ i = 1 n a i \sum\limits_{i = 1}^{n}a_i i=1nai 的期望,答案对 998244353 998244353 998244353 取模。

其中 ⊗ \otimes 表示按位与,例如 ( 10 ) 2 ⊗ ( 11 ) 2 = ( 10 ) 2 , ( 01 ) 2 ⊗ ( 10 ) 2 = 0 (10)_2 \otimes (11)_2 = (10)_2, \ (01)_2 \otimes (10)_2 = 0 (10)2(11)2=(10)2, (01)2(10)2=0

数据范围

  • 1 ≤ n ≤ 1 0 6 , 1 \leq n \leq 10^6, 1n106,
  • 1 ≤ m , k ≤ 5 ⋅ 1 0 3 , 1 \leq m, k \leq 5 \cdot 10^3, 1m,k5103,
  • 0 ≤ x ≤ 1 0 5 , 0 \leq x \leq 10^5, 0x105,
  • 0 ≤ a i ≤ 1 0 9 . 0 \leq a_i \leq 10^9. 0ai109.

Solution

我们观察 a i a_i ai 的增量 ( a i ⊗ m ) + x (a_i \otimes m) + x (aim)+x,发现除了给定的 x x x ( a i ⊗ m ) (a_i \otimes m) (aim) 只与后 ⌊ log ⁡ 2 m ⌋ \lfloor \log_2 m \rfloor log2m 位有关,于是记 M = 2 ⌊ log ⁡ 2 m ⌋ + 1 , M = 2^{\lfloor \log_2 m \rfloor + 1}, M=2log2m+1,

这样一来我们只需要知道 a i ⊗ ( M − 1 ) a_i \otimes (M - 1) ai(M1) 就能知道 a i a_i ai 的增量。

于是我们把每个 a i a_i ai 划分为两部分,分别是 ⌊ a i M ⌋ \lfloor \frac{a_i}{M} \rfloor Mai a i ⊗ ( M − 1 ) a_i \otimes (M - 1) ai(M1),我们称其为高位和低位。

接下来我们就分别求高位和低位的期望 h i s \rm{his} his l o s \rm{los} los,最终的答案就是 h i s × M + l o s \rm{his \times M + los} his×M+los

对于低位来说,我们可以构造一个转换表 s u f \rm{suf} suf,其中 s u f [ v ] = ( v + ( v ⊗ m ) + x ) ⊗ ( M − 1 ) , v ∈ [ 0 , M ) . \rm{suf[v]} = (v + (v \otimes m) + x) \otimes (M - 1), \ v \in [0, M). suf[v]=(v+(vm)+x)(M1), v[0,M).

这样就可以求出低位和的期望 l o s \rm{los} los

  • 假设有 j j j 次操作让 a i a_i ai 发生改变,现在已经求出 j − 1 j - 1 j1 次改变时每个低位值的个数,记为 c n t j − 1 [ v ] cnt_{j - 1}[v] cntj1[v],其中 v ∈ [ 0 , M ) v \in [0, M) v[0,M),那么只要对 ∀ v ∈ [ 0 , M ) \forall v \in [0, M) v[0,M) 做一次 s u f \rm{suf} suf 变换就可以得到新的 v ′ v' v 以及 c n t j [ v ′ ] cnt_j[v'] cntj[v] 了,具体来说就是 c n t j [ s u f [ v ] ] : = c n t j [ s u f [ v ] ] + c n t j − 1 [ v ] . \rm{cnt_j[suf[v]]} := cnt_j[suf[v]] + cnt_{j - 1}[v]. cntj[suf[v]]:=cntj[suf[v]]+cntj1[v]. 再对每个 c n t j [ v ′ ] × v ′ cnt_j[v'] \times v' cntj[v]×v 乘上 j j j 次改变的概率 ( 1 2 ) k ( k j ) , \left(\frac{1}{2}\right)^k{k \choose j}, (21)k(jk), 最后求和就是期望。
  • 初始值 c n t 0 [ v ] cnt_0[v] cnt0[v] 只要对 ∀ a i \forall a_i ai 记录 a i ⊗ ( M − 1 ) a_i \otimes (M - 1) ai(M1) 的数量即可。

高位就稍微复杂一些。

我们模仿低位,构造一个高位映射表 p r e \rm{pre} pre,其中 p r e [ v ] = ⌊ ( v + ( v ⊗ m ) + x ) M ⌋ , v ∈ [ 0 , M ) . \rm{pre[v]} = \lfloor \frac{(v + (v \otimes m) + x)}{M} \rfloor, \ v \in [0, M). pre[v]=M(v+(vm)+x), v[0,M).

对于高位来说,我们不用期望的原始公式 E ( X ) = ∑ i = 1 N p i X i , E(X) = \sum\limits_{i = 1}^{N}p_i X_i, E(X)=i=1NpiXi, 而是选择一个基准 B B B,对其变形得到 E ( X ) = ∑ i = 1 N p i ( X i − B + B ) = B + ∑ i = 1 N p i ( X i − B ) . E(X) = \sum\limits_{i = 1}^{N}p_i (X_i - B + B) = B + \sum\limits_{i = 1}^{N}p_i (X_i - B). E(X)=i=1Npi(XiB+B)=B+i=1Npi(XiB). 其中 ( X i − B ) (X_i - B) (XiB) 是每个随机变量取值 X i X_i Xi 相对于 B B B 的增量。

在高位上我们选择的基准 B = ∑ i = 1 n ⌊ ( a i + ( a i ⊗ m ) + x ) M ⌋ . B = \sum\limits_{i = 1}^{n}\lfloor \frac{(a_i + (a_i \otimes m) + x)}{M} \rfloor. B=i=1nM(ai+(aim)+x).

接下来就是算高位 增量 的期望了。

我们先给出求和式。

∑ j = 0 k ( 1 2 ) k ( k j ) ∑ i = 0 j − 1 ∑ v = 0 M − 1 c n t i [ v ] × p r e [ v ] , \sum\limits_{j = 0}^{k}\left( \frac{1}{2} \right)^k {k \choose j} \sum\limits_{i = 0}^{j - 1}\sum\limits_{v = 0}^{M - 1}cnt_i[v] \times pre[v], j=0k(21)k(jk)i=0j1v=0M1cnti[v]×pre[v],

上式中 ( 1 2 ) k ( k j ) \left( \frac{1}{2} \right)^k {k \choose j} (21)k(jk) 表示对数组 a a a 做了 j j j 次改变的概率,后面的两重循环是求从开始到改变 j j j 次的增量和。

对于 j j j,之所以我们要遍历 i ∈ [ 0 , j ) i \in [0, j) i[0,j),是因为 c n t i [ v ] cnt_i[v] cnti[v] 是不断变化的;而低位不需要这样遍历则是因为它不用求增量,可以直接获得值。

但是这个三重循环的复杂度我们无法接受,所以考虑交换求和次序。

∑ j = 0 k ( 1 2 ) k ( k j ) ∑ i = 0 j − 1 ∑ v = 0 M − 1 c n t i [ v ] × p r e [ v ] = ∑ i = 0 k ∑ j = i + 1 k ∑ v = 0 M − 1 ( 1 2 ) k ( k j ) × c n t i [ v ] × p r e [ v ] = ∑ i = 0 k ∑ v = 0 M − 1 c n t i [ v ] × p r e [ v ] ∑ j = i + 1 k ( 1 2 ) k ( k j ) = ∑ i = 0 k ∑ v = 0 M − 1 c n t i [ v ] × p r e [ v ] × s [ j ] . \begin{align*} &\sum\limits_{j = 0}^{k}\left( \frac{1}{2} \right)^k {k \choose j} \sum\limits_{i = 0}^{j - 1}\sum\limits_{v = 0}^{M - 1}cnt_i[v] \times pre[v] \\ &= \sum\limits_{i = 0}^{k}\sum\limits_{j = i + 1}^{k}\sum\limits_{v = 0}^{M - 1}\left( \frac{1}{2} \right)^k {k \choose j} \times cnt_i[v] \times pre[v] \\ &= \sum\limits_{i = 0}^{k}\sum\limits_{v = 0}^{M - 1}cnt_i[v] \times pre[v] \sum\limits_{j = i + 1}^{k}\left( \frac{1}{2} \right)^k {k \choose j} \\ &= \sum\limits_{i = 0}^{k}\sum\limits_{v = 0}^{M - 1}cnt_i[v] \times pre[v] \times s[j]. \end{align*} j=0k(21)k(jk)i=0j1v=0M1cnti[v]×pre[v]=i=0kj=i+1kv=0M1(21)k(jk)×cnti[v]×pre[v]=i=0kv=0M1cnti[v]×pre[v]j=i+1k(21)k(jk)=i=0kv=0M1cnti[v]×pre[v]×s[j].

其中 s [ j ] = ∑ j = i + 1 k ( 1 2 ) k ( k j ) . s[j] = \sum\limits_{j = i + 1}^{k}\left( \frac{1}{2} \right)^k {k \choose j}. s[j]=j=i+1k(21)k(jk).

这样就把复杂度降到 O ( M k ) O(Mk) O(Mk) 了。

时间复杂度 O ( m k ) O(mk) O(mk)

  • 虽然说 M = 2 ⌊ log ⁡ 2 m ⌋ + 1 M = 2^{\lfloor \log_2 m\rfloor} + 1 M=2log2m+1,但是量级上最多是 2 m 2m 2m 2 2 2 可以看作常数。

C++ Code

#include <bits/stdc++.h>using u32 = unsigned;
using i64 = long long;
using u64 = unsigned long long;template<class T>
constexpr T power(T a, i64 b) {T res = 1;for (; b; b /= 2, a *= a) {if (b % 2) {res *= a;}}return res;
}
template<int P>
struct MInt {int x;constexpr MInt() : x{} {}constexpr MInt(i64 x) : x{norm(x % getMod())} {}static int Mod;constexpr static int getMod() {if (P > 0) {return P;} else {return Mod;}}constexpr static void setMod(int Mod_) {Mod = Mod_;}constexpr int norm(int x) const {if (x < 0) {x += getMod();}if (x >= getMod()) {x -= getMod();}return x;}constexpr int val() const {return x;}explicit constexpr operator int() const {return x;}constexpr MInt operator-() const {MInt res;res.x = norm(getMod() - x);return res;}constexpr MInt inv() const {assert(x != 0);return power(*this, getMod() - 2);}constexpr MInt &operator*=(MInt rhs) & {x = 1LL * x * rhs.x % getMod();return *this;}constexpr MInt &operator+=(MInt rhs) & {x = norm(x + rhs.x);return *this;}constexpr MInt &operator-=(MInt rhs) & {x = norm(x - rhs.x);return *this;}constexpr MInt &operator/=(MInt rhs) & {return *this *= rhs.inv();}friend constexpr MInt operator*(MInt lhs, MInt rhs) {MInt res = lhs;res *= rhs;return res;}friend constexpr MInt operator+(MInt lhs, MInt rhs) {MInt res = lhs;res += rhs;return res;}friend constexpr MInt operator-(MInt lhs, MInt rhs) {MInt res = lhs;res -= rhs;return res;}friend constexpr MInt operator/(MInt lhs, MInt rhs) {MInt res = lhs;res /= rhs;return res;}friend constexpr std::istream &operator>>(std::istream &is, MInt &a) {i64 v;is >> v;a = MInt(v);return is;}friend constexpr std::ostream &operator<<(std::ostream &os, const MInt &a) {return os << a.val();}friend constexpr bool operator==(MInt lhs, MInt rhs) {return lhs.val() == rhs.val();}friend constexpr bool operator!=(MInt lhs, MInt rhs) {return lhs.val() != rhs.val();}
};template<>
int MInt<0>::Mod = 998244353;template<int V, int P>
constexpr MInt<P> CInv = MInt<P>(V).inv();constexpr int P = 998244353;
using Z = MInt<P>;struct Comb {int n;std::vector<Z> _fac;std::vector<Z> _invfac;std::vector<Z> _inv;Comb() : n{0}, _fac{1}, _invfac{1}, _inv{0} {}Comb(int n) : Comb() {init(n);}void init(int m) {m = std::min(m, Z::getMod() - 1);if (m <= n) return;_fac.resize(m + 1);_invfac.resize(m + 1);_inv.resize(m + 1);for (int i = n + 1; i <= m; i += 1) {_fac[i] = _fac[i - 1] * i;}_invfac[m] = _fac[m].inv();for (int i = m; i > n; i -= 1) {_invfac[i - 1] = _invfac[i] * i;_inv[i] = _invfac[i] * _fac[i - 1];}n = m;}Z fac(int m) {if (m > n) init(2 * m);return _fac[m];}Z invfac(int m) {if (m > n) init(2 * m);return _invfac[m];}Z inv(int m) {if (m > n) init(2 * m);return _inv[m];}Z binom(int n, int m) {if (n < m || m < 0) {return 0;}return fac(n) * invfac(m) * invfac(n - m);}Z Lucas(i64 n, i64 m, int p) {if (n < p and m < p) {return binom(n, m);}return Lucas(n / p, m / p, p) * binom(n % p, m % p);}Z Lucas(i64 n, i64 m) {if (n < Z::getMod() and m < Z::getMod()) {return binom(n, m);}return Lucas(n / Z::getMod(), m / Z::getMod()) * binom(n % Z::getMod(), m % Z::getMod());   }Z perm(int n, int m) {if (n < m or m < 0) {return 0;}return fac(n) * invfac(n - m);}
} comb;template<class T>
std::istream &operator>>(std::istream &is, std::vector<T> &v) {for (auto &x: v) {is >> x;}return is;
}int main() {std::ios::sync_with_stdio(false);std::cin.tie(nullptr);int n, x, m, k;std::cin >> n >> x >> m >> k;std::vector<int> a(n);std::cin >> a;int lm = std::__lg(m) + 1;int M = 1 << lm;std::vector<int> pre(M);std::vector<int> suf(M);for (int i = 0; i < M; i++) {int v = i + (i & m) + x;pre[i] = v >> lm;suf[i] = v & (M - 1);}Z hi0 = 0;std::vector<int> cnt(M);for (int ai: a) {cnt[ai & (M - 1)]++;hi0 += ai >> lm;}std::vector<Z> binom(k + 1);for (int i = 0; i <= k; i++) {binom[i] = comb.binom(k, i) / power(Z(2), k);}std::vector<Z> s(k + 2);for (int i = k; i >= 0; i--) {s[i] = s[i + 1] + binom[i];}Z los = 0;Z his = hi0;for (int i = 0; i <= k; i++) {Z lo = 0;Z hi = 0;for (int j = 0; j < M; j++) {lo += Z(cnt[j]) * j;hi += Z(cnt[j]) * pre[j];}los += binom[i] * lo;his += s[i + 1] * hi;std::vector<int> ncnt(M);for (int j = 0; j < M; j++) {ncnt[suf[j]] += cnt[j];}cnt = std::move(ncnt);}Z ans = his * M + los;std::cout << ans << "\n";return 0;
}

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/diannao/79830.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Redis适用场景

Redis适用场景 一、加速缓存二、会话管理三、排行榜和计数器四、消息队列五、实时分析六、分布式锁七、地理位置数据八、限流九、数据共享十、签到 一、加速缓存 Redis最常见的应用之一是作为缓存层&#xff0c;用于存储频繁访问的数据&#xff0c;从而减轻数据库的负载。 通过…

【LangChain4j快速入门】5分钟用Java接入AI大模型,Spring Boot整合实战!| 附源码

【LangChain4j快速入门】5分钟用Java接入AI大模型&#xff0c;Spring Boot整合实战&#xff01; 前言&#xff1a;当Java遇上大模型 在AI浪潮席卷全球的今天&#xff0c;Java开发者如何快速拥抱大语言模型&#xff1f;LangChain4j作为专为Java打造的AI开发框架&#xff0c;以…

2025第十七届“华中杯”大学生数学建模挑战赛题目B 题 校园共享单车的调度与维护问题完整成品正文33页(不含附录)文章思路 模型 代码 结果分享

校园共享单车运营优化与调度模型研究 摘 要 本研究聚焦校园共享单车点位布局、供需平衡、运营效率及故障车辆回收四大核心问题&#xff0c;通过构建一系列数学模型&#xff0c;系统分析与优化共享单车的运维体系。 针对问题一&#xff0c;我们建立了基于多时段观测的库存估算…

Unity游戏多语言工具包

由于一开始的代码没有考虑多语言场景&#xff0c;导致代码中提示框和UI显示直接用了中文&#xff0c;最近开始提取代码的中文&#xff0c;提取起来太麻烦&#xff0c;所以拓展了之前的多语言包&#xff0c;降低了操作复杂度。最后把工具代码提取出来到单独项目里面&#xff0c;…

.NET MCP 文档

MCP 概述 MCP&#xff08;Model Context Protocol&#xff09;是由 Anthropic 推出的一种开放协议&#xff0c;类似 AI 的 USB-C 扩展坞&#xff0c;用于在大模型和数据源之间建立安全的通信&#xff08;授权&#xff09;&#xff0c;让 AI 应用能够安全地访问和操作本地或远程…

【Linux】vim配置----超详细

目录 一、插件管理器准备 二、目录准备 三、安装插件 一、插件管理器准备 Vim-plug 是一个Vim插件管理器&#xff0c;利用异步并行可以快速地安装、更新和卸载插件。它的安装和配置都非常简单&#xff0c;而且在操作过程中会给出很多易读的反馈信息&#xff0c;是一个自由、…

PHP实现图片自动添加水印效果

<?php // 设置原始图片路径和水印图片路径 $original_image original.jpg; $watermark_image watermark.png;// 创建图片资源 $original imagecreatefromjpeg($original_image); $watermark imagecreatefrompng($watermark_image);// 获取图片尺寸 $original_width im…

检查新接手LINUX服务器应用的部署情况和正在运行的服务

当接手一台新的 Linux 服务器时&#xff0c;第一要务就是摸清系统上已经安装部署了哪些应用和服务。 本文将以 CentOS7为例&#xff0c;详细介绍如何系统地排查已安装的应用和服务&#xff0c;包括它们的安装方式和安装位置。 1.查看系统基本信息 首先获取系统整体信息&…

使用注解方式整合ssm时,启动tomcat扫描不到resource下面的xxxmapper.xml问题,解决方法

解决org.apache.ibatis.binding.BindingException: Invalid bound statement (not found): com.xxx.mapper.方法 在Spring与Mybatis整合时&#xff0c;可能会遇到这样的报错 原因&#xff1a; 其原因为mapper路径的映射错误&#xff0c;表示在尝试执行某个 Mapper 接口的方法时…

C++11特性补充

目录 lambda表达式 定义 捕捉的方式 可变模板参数 递归函数方式展开参数包 数组展开参数包 移动构造和移动赋值 包装器 绑定bind 智能指针 RAII auto_ptr unique_ptr shared_ptr 循环引用 weak_ptr 补充 总结 特殊类的设计 不能被拷贝的类 只能在堆上创建…

My SQL 索引

核心目标&#xff1a; 理解 mysql 索引的工作原理、类型、优缺点&#xff0c;并掌握创建、管理和优化索引的方法&#xff0c;以显著提升数据库查询性能。 什么是索引&#xff1f; 索引是一种特殊的数据库结构&#xff0c;它包含表中一列或多列的值以及指向这些值所在物理行的指…

极狐GitLab 注册限制如何设置?

极狐GitLab 是 GitLab 在中国的发行版&#xff0c;关于中文参考文档和资料有&#xff1a; 极狐GitLab 中文文档极狐GitLab 中文论坛极狐GitLab 官网 注册限制 (BASIC SELF) 您可以对注册实施以下限制&#xff1a; 禁用新注册。新注册需要管理员批准。需要用户电子邮件确认。…

10.(vue3.x+vite)div实现tooltip功能(css实现)

1:效果截图 2:代码实现 <template><div><div class="tooltip" style="margin-top: 20%; margin-left: 20%; background-color: blueviolet; color: white;

Linux下 文件的查找、复制、移动和解压缩

1、在/var/log目录下创建一个hehe.log的文件&#xff0c;其文件内容是&#xff1a; myhostname ghl mydomain localdomain relayhost [smtp.qq.com]:587 smtp_use_tls yes smtp_sasl_auth_enable yes smtp_sasl_security_options noanonymous smtp_sasl_tls_security_opt…

Ubuntu 安装 Docker 教程(官方推荐方式)

✅ 步骤 1&#xff1a;卸载旧版本&#xff08;如果有&#xff09; for pkg in docker.io docker-doc docker-compose docker-compose-v2 podman-docker containerd runc; do sudo apt-get remove $pkg; done---### ✅ 步骤 2&#xff1a;更新 APT 索引并安装依赖项bash sudo a…

计算机视觉与深度学习 | Transformer原理,公式,代码,应用

Transformer 详解 Transformer 是 Google 在 2017 年提出的基于自注意力机制的深度学习模型,彻底改变了序列建模的范式,解决了 RNN 和 LSTM 在长距离依赖和并行计算上的局限性。以下是其原理、公式、代码和应用的详细解析。 一、原理 核心架构 Transformer 由 编码器(Encod…

计算机基础 | 常见进制与单位简介 / 表示 / 描述

注&#xff1a;本文为 “进制与常见单位应用” 相关文章合辑。 原文为繁体&#xff0c;注意术语描述差异。 略作重排。 进制简介&#xff08;二进制、八进制、十进制、十六进制&#xff09; 发表于 2017-01-20 郑中胜 数字系统&#xff08;Numeral system&#xff09;&#…

门面模式与适配器模式

一、门面模式 门面模式&#xff1a;提供统一接口访问子系统接口 1、包含角色 外观系统对外的统一接口子系统类的集合&#xff1b;并不知道外观角色的存在&#xff0c;需要为了配合外观角色而做特殊处理或修改 2、举例 原本开关灯要分别操作各个房间的灯&#xff0c;现在设置总…

SpringBoot Actuator指标收集:Micrometer与Prometheus集成

文章目录 引言一、Spring Boot Actuator基础二、Micrometer简介与集成三、基本指标收集与配置四、自定义业务指标实现五、与Prometheus集成六、实战案例&#xff1a;API性能监控总结 引言 在现代微服务架构中&#xff0c;监控应用程序的健康状况和性能指标变得至关重要。Sprin…

【Android面试八股文】Android应用进程的启动流程【二】

应用进程 1.1 Android系统进程的启动过程&#xff1a; 1、init进程fork出Zygote进程后&#xff0c;Zygote进程会创建一个服务端socket&#xff0c;等待AMS发起socket请求。 同时&#xff0c;由Zygote进程fork出的SystemServer进程会启动各项系统服务&#xff0c;其中就包含了A…