首页 > 其他分享 >poly

poly

时间:2024-09-14 22:13:46浏览次数:4  
标签:limits text sum poly omega over mod

板子

快速傅里叶变换

对于一个多项式 $ F(x) = \sum \limits_{i=0}^{n} a_i x^i $,若有 $ n + 1 $ 组数列 $ { (x_0, y_0), (x_1, y_1), \cdots, (x_n, y_n) } $。满足 $ \forall i \in [0, n], y_i = F(x_i) $ 且 $ \sum \limits_{i=0}^n \sum \limits_{j=i+1}^n [x_i = x_j] = 0 $,那么就能确定唯一的 $ {a_i} $,叫做点值表示法。

对于 $ x^n = 1 $ 的解有 $ n $ 个,记 $ {\omega_n^0, \omega_n^1, \cdots, \omega_n^{n-1}} $,满足 \(\omega_n^i = {(\omega_n^1)}^i\)。且 $ \omega_n^i $ 均在单位圆上,那么就有 $ \omega_n^k = \cos k {2\pi \over n} + i \sin k {2 \pi \over n} $。

若 $ n \in {2^k | k \in \mathbb{N+}} $。那么 $ \omega_n^k = -\omega_n^{k+{n\over2}} $,直接代入即可证明。

快速傅里叶变换(DFT)

对于两个多项式 $ F(x), G(x) $,珂以将 $ F(x), G(x) $ 转换成点值表示法,然后对相同的 $ x $,将 $ F(x), G(x) $ 相乘即可。设 $ F(x), G(x) $ 的项数分别为 $ a, b $,令 $ n = 2 \times \text{highbit}(a + b - 1) $。这里取 $ x $ 为 $ \omega_n^k $,那么 $ x^a $ 就是 $ \omega_n^{ak} $。令 $ F(x) = \sum \limits_{i=0}^{n - 1} a_i x^i, F_1(x) = \sum \limits_{i=0}^{{n \over 2} - 1} a_{2i} x^{2i}, F_2(x) = \sum \limits_{i=0}^{{n \over 2} - 1} a_{2i+1} x^{2i+1} $。那么显然有

\[F(\omega_n^k) = F_1(\omega_n^{2k}) + \omega_n^k F_2(\omega_n^{2k}) \\ = F_1(\omega_{n \over 2}^k) + \omega_n^k F_2(\omega_{n \over 2}^k) \\ F(\omega_n^{k+{n \over 2}}) = F_1(\omega_n^{2k+n}) + \omega_n^{k + {n \over 2}} F_2(\omega_n^{2k+n}) \\ = F_1(\omega_{n \over 2}^k) - \omega_n^k F_2(\omega_{n \over 2}^k) \\ (k < {n \over 2}) \]

那么只需要求出 $ F_1, F_2 $,就能在 $ \Theta(n) $ 的时间求出 $ F(\omega_n^k) $。然后注意到 $ {n \over 2} \in {2^k,k\in\mathbb{N+}} $,于是珂以递归求解。总共 $ \log n $ 层,每层时间 $ \Theta(n) $,总时间 $ \Theta(n \log n) $。

快速傅里叶逆变换(IDFT)

现在已经得到的 $ {(\omega_n^0, y_0), (\omega_n^1, y_1), \cdots, (\omega_n^{n - 1}, y_{n - 1})} $ 满足 $ \forall y_i = (F * G)(\omega_n^i) $。需要求出系数。不妨令 $ H = F * G, H(x) = \sum \limits_{i=0}^{n - 1} a_i x^i $。设有多项式 $ D(x) = \sum \limits_{i=0}^{n-1} y_i x^i $,和数列 $ {c_0, c_1, \cdots, c_{n - 1}} $,满足 $ c_k = D(\omega_n^{-k}) = \sum \limits_{i=0}^{n - 1} y_i {(\omega_n^{-ik})} $。

\[\sum \limits_{i=0}^{n - 1} y_i {(\omega_n^{-k})}^i = \sum \limits_{i=0}^{n-1} {(\omega_n^{-k})}^i \sum \limits_{j=0}^{n-1} a_j {(\omega_n^j)}^i = \sum \limits_{i=0}^{n-1} \sum \limits_{j=0}^{n-1} a_j {(\omega_n^{j-k})}^i \\ = \sum \limits_{i=0}^{n-1} a_i \sum \limits_{j=0}^{n-1} {(\omega_n^{i-k})}^j \]

设 $ P(x) = \sum \limits_{i=0}^{n-1} x^i $。

  • $ k \ne 0 $,那么有 $ xP(x) - P(x) = x^n - 1\ \Rightarrow\ P(x) = {x^n - 1 \over x - 1} $。代入 $ \omega_n^k $ 得 $ {\omega_n^{kn} - 1 \over \omega _n^k - 1} $。所以 $ P(x) = 0 $。
  • $ k = 0 $,此时柿子的值显然为 $ n $。

所以 $ P(\omega_n^k) = [k = 0] \times n $。于是原式 $ = \sum \limits_{i=0}^{n-1} a_i P(\omega_n^{i-k}) = a_k n $。所以 $ a_i = {c_i \over n} $。

对 $ D(x) $ 跑快速傅里叶变换,得 $ {(\omega_n^0, d_0), (\omega_n^1, d_1), \cdots, (w_n^{n-1}, d_{n-1})} $,那么 $ a_i = {d_{(n-i) \mod n} \over n} $。

也可以将所有 $ \omega_n^1 $ 改成 $ \omega_n^{-1} $ 即可。

快速数论变换

\(\delta_p(a)\) 为 \(a^n \equiv 1\ (\text{mod}\ p)\) 最小的 $ n $。

若 $ a^n \equiv 1\ (\text{mod}\ p) $,则 $ \delta_p(a)\ |\ n $。证明:

令 $ n = q\delta_{p}(a) + r $ ,$ 0 \le r < \delta_{p}(a) $ 且 $ q, r \in \mathbb{N}^+ \cup {0} $ 。 $ a^r \equiv a^r \times a^{q \delta_p(a)} \equiv a^n \equiv 1\ (\text{mod}\ p) $。因为 $ r < \delta_p(a) $,于定义矛盾,不成立。所以 $ r = 0 $,即 $ \delta_p(a)\ |\ n $。

若 $ a $ 是模 $ p $ 的一个原根,当且仅当 $ \delta_p(a) = \varphi(p) $。


令 $ g $ 为模 $ p $ 的一个原根,$ p $ 是质数,那么满足 $ \omega_n^1 \equiv g^{p-1 \over n}\ (\text{mod}\ p) $。证明:

$ \omega_n^1 = \sqrt[n]1 = 1^{1 \over n} $,所以若 $ \omega_n^1 \equiv g^{p-1 \over n}\ (\text{mod}\ p) $ 成立,只需证明 $ g^{p - 1} \equiv 1\ (\text{mod}\ p) $,由前置证明的性质得原恒等式等价于 $ \delta_p(g)\ |\ (p - 1) $,由定义可转化 $ \varphi(p)\ |\ (p - 1) $,由 $ \varphi $ 的定义得 $ \varphi(p) = p \times \prod \limits_{i=1}^{k} {p_i - 1 \over p_i} = p - 1 $,显然 $ (p - 1)\ |\ (p - 1) $,所以命题成立。

所以直接把 FFT 中的 $ \omega_n^1 $ 替换成 $ g^{p - 1 \over n} $ 即可。通常为了方便计算,模数 $ p $ 的选取通常满足 $ n\ |\ (p - 1) $。一般选 $ p = 998244353 = 7 \times 17 \times 2^{23} + 1, g = 3 $。

优化

递归从上往下分配常数灰常大,考虑从小往上递推。那么只要求出最后一层的即可。最后一层的二进制下标显然是倒着标的,例如 000 100 010 110 001 101 011 111。证明:

考虑归纳法,对于第 $ k $ 层(指 \(2^k\) 个点),那么在二进制中第 $ k $ 位,左边 $ 2^{k - 1} $ 个点是 0,右边 $ 2^{k - 1} $ 个点是 1。那么若第 $ k - 1 $ 的两边满足下标二进制倒着标,就满足第 $ k $ 层下标倒着标。对于边界 $ k = 0 $ 的情况,显然是满足的。证完了。

那么维护 $ u $ 表示当前的序列下标即可。

任意模数 NTT

三模NTT

实战中值域通常为 \(n \times \text{mod}^2 = 10^{24}\)。珂以选取选取三个模数,使得三个模数的积大于 \(10^{24}\),珂以选取

\[469762049=7 \times 2^{25} + 1, g=3 \\ 998244353 = 119 \times 2^{23} + 1, g=3 \\ 1004535809=479 \times 2^{21}+1, g=3 \\ \]

分别做一次 NTT,得到 \(x_1, x_2, x_3\),即 \(\begin{cases} x_1 \equiv x\ (\text{mod}\ mod_1) \\ x_2 \equiv x\ (\text{mod}\ mod_2) \\ x_3 \equiv x\ (\text{mod}\ mod_3) \\ \end{cases}\),珂以通过CRT/EXCRT合并,先合并前两个得到 \(x \equiv x_1 + mod_1({x_2 - x_1 \over mod_1}\ \text{mod}\ mod_2)\ (\text{mod}\ mod_1 mod_2)\),写成 \(x \equiv x_4\ (\text{mod}\ mod_4)\),继续合并得到: \(x = x_4 + mod_4 ({x_3 - x_4 \over mod_4}\ \text{mod}\ mod_3)\)。

五次FFT

首先注意 FFT 支持的精度,

快速沃尔什变换

快速沃尔什变换(FWT),用于计算二进制操作卷积。好像也有说叫快速莫比乌斯变换(FMT)的。

OR

令序列为 $ a, b $,卷积得到序列为 $ c $。

与快速傅里叶变换同样思路,求出 $ FWT_{a,i} = \sum \limits_{j\ \text{or}\ i=i} a_j $,证明一下正确性。

\[FWT_{a,i} \times FWT_{b,i} = (\sum \limits_{j\ \text{or}\ i = i} a_j) (\sum \limits_{k\ \text{or}\ i = i} b_k) = \sum \limits_{j\ \text{or}\ i = i} \sum \limits_{k\ \text{or}\ i = i} a_j b_k \\ = \sum \limits_{(j\ \text{or}\ k)\ \text{or}\ i = i} a_j b_k = FWT_{c,i} \\ \]

$ a \rightarrow FWT_{a} $

对于 $ [1,n] $ 的 $ FWT $,考虑依据第一位分治,令第一位为 $ 0 $ 的(前 $ n \over 2 $ 个点)$ FWT_1 $,为 $ 1 $ 的 $ FWT_2 $。那么 $ FWT = \text{merge}(FWT_1, FWT_1 + FWT_2) $。

$ FWT_{a} \rightarrow a $

直接逆运算,$ a = \text{merge}(a_1, a_2 - a_1) $。

AND

同理可得。

XOR

定义 $ a \oplus b = \text{popcount}(a\ \text{AND}\ b)\ \text{mod}\ 2 $,设 $ FWT_{a, i} = \sum \limits_{j\oplus i=0} a_j - \sum \limits_{j\oplus i=1} a_j $。正确性:

\[FWT_{a,i} \times FWT_{b,i} = (\sum \limits_{j \oplus i = 0} a_j - \sum \limits_{j \oplus i = 1} a_j) (\sum \limits_{k \oplus i = 0} b_k - \sum \limits_{k \oplus i = 1} b_k) \\ \sum \limits_{j \oplus i = 0} \sum \limits_{k \oplus i = 0} a_j b_k + \sum \limits_{j \oplus i = 1} \sum \limits_{k \oplus i = 1} a_j b_k - \sum \limits_{j \oplus i = 1} \sum \limits_{k \oplus i = 0} a_j b_k - \sum \limits_{j \oplus i = 1} \sum \limits_{k \oplus i = 0} a_j b_k \\ \because (i \oplus j)\ \text{XOR}\ (i \oplus k) = i \oplus (j\ \text{XOR}\ k), \therefore \\ = \sum \limits_{i \oplus (j\ \text{XOR}\ k) = 0} a_j b_k - \sum \limits_{i \oplus (j\ \text{XOR}\ k) = 1} a_j b_k = FWT_{c,i} \\ \]

\[FWT = \text{merge}(FWT_1 + FWT_2, FWT_1 - FWT_2) \\ a = \text{merge}({a_1 + a_2 \over 2}, {a_1 - a_2 \over 2}) \]

多项式求逆

令 $ f_0^{-1}(x) * f(x) \equiv 1\ (\text{mod}\ x^{\lceil{n \over 2}\rceil}) $。则

\[f(x) * f_0^{-1}(x) \equiv 1\ (\text{mod}\ x^{\lceil{n \over 2}\rceil}) \\ f(x) * f^{-1}(x) \equiv 1\ (\text{mod}\ x^{\lceil{n \over 2}\rceil}) \\ \]

所以 $ f_{0}^{-1} - f^{-1} \equiv 0\ (\text{mod}\ x^{\lceil{n \over 2}\rceil}) $,两边平方 $ f_{0}^{-2} + f^{-2} - 2f_0^{-1} f^{-1} \equiv 0\ (\text{mod}\ x^n) $,同乘 $ f(x) $ 并移项的 $ f^{-1}(x) = 2f_0^{-1}(x) - f(x)f_0^{-2} $。

多项式除法

对于一个次数为 $ n $ 的多项式 $ A(x) \(,\) x^nA({1 \over x}) $ 即是 $ A(x) $ 反转系数得到的多项式。那么有

\[x^nA({1 \over x}) = x^m B({1 \over x}) x^{n-m} Q({1 \over x}) + x^{n-m+1} x^{m-1} Q({1 \over x}) \\ A^R(x) = B^R(x) Q^R(x) + x^{n-m+1} Q({1 \over x}) \\ A^R(x) \equiv B^R(x) Q^R(x)\ (\text{mod}\ x^{n - m + 1}) \\ Q^R(x) = A^R(x) * {B^R}^{-1}(x)\ (\text{mod}\ x^{n - m + 1}) \\ \]

多项式逆元即可。

多项式牛顿迭代

给定函数 \(g(x)\),且有 \(g(f(x))\equiv 0(\text{mod}\ x^n)\)。求 \(f(x)\) 在模 \(x^n\) 意义下的各项系数。

考虑倍增,从满足 \(g(f_0(x)) \equiv 0(\text{mod}\ x^{\lceil {n \over 2} \rceil})\),的 \(f_0(x)\) 推广到 \(f(x)\)。

将 \(g(f(x))\) 在 \(f_0(x)\) 处泰勒展开得到: \(\sum \limits_{i=0}^{\infty} {{d^i g \over dx^i}(f_0(x)) \over i!} (f(x) - f_0(x))^i \equiv 0 (\text{mod}\ x^n)\)。

注意到 \(f(x) - f_0(x)\) 最低项是 \(\lceil{n \over 2}\rceil\) 的,那么就有 \(g(f_0(x)) + g'(f_0(x))(f(x) - f_0(x)) \equiv 0(\text{mod}\ x^n)\)。

移项得到: \(f(x) \equiv f_0(x) - {g(f_0(x)) \over g'(f_0(x))} (\text{mod}\ x^n)\)。

实践一下: 多项式开根。

根据题意有 \(g(f(x))=f^2(x)-h(x)\equiv0(\text{mod}\ x^n)\)。使用牛顿迭代法得 \(f(x)=f_0(x) - {f_0^2(x)-h(x) \over 2f_0(x)} = {f_0(x) \over 2} + {h(x) \over 2f_0(x)}\),多项式求逆递推计算即可,时间 \(\Theta(n \log n)\)。

多项式 ln, exp

ln

链式法则: \((g \circ f)'(x) = g'(f(x)) \times f'(x)\)(注意 \('\) 的位置,即求导对象)

对数函数求导: \(\ln' x = {1 \over x}\)。

那么 \(g=\ln,f=A, h(x) = \ln f(x)\),代入就有 \(h'(x) = {f'(x) \over f(x)}\)。

\(h'(x)\) 珂以 \(\Theta(n \log n)\) 求出,然后求个不定积分就好了。

exp

使用牛顿迭代,据题有 \(g(f(x)) = \ln f(x) - h(x) \equiv 0(\text{mod}\ n)\),得到: \(f(x) \equiv f_0(x) - {\ln f_0(x) - h(x) \over {1 \over f_0(x)}}(\text{mod}\ x^n)\ \Rightarrow\ f(x) \equiv f_0(x)(1-\ln f_0(x) + h(x))(\text{mod}\ x^n)\)。

直接递推计算即可,时间 \(\Theta(n \log n)\)。

多项式快速幂

显然珂以套用快速幂模板,把乘法换成多项式乘法。时间 \(\Theta(n \log n \log k)\)。

但是有点慢,我不觉得,卡这个(除了除我以外的人)就是唐诗,我说的,比如模板题 \(k \le 10^{10^5}\),这种时候考虑对多项式取 \(\ln\),然后乘 \(k\) 后 \(\exp\) 回去。但是注意到,过程中将 \(k\) 模 \(p\) 了,接下来证明正确性:

首先证明 \(f(x^p) \equiv f(x)^p(\text{mod}\ p)\):

归纳法证明,设 \(f(x)\) 度数为 \(n\),令 \(f_0(x) = f(x)\ \text{mod}\ x^n\)(即去掉次数为 \(n\) 的项),\(a={f(x) - f_0(x) \over x^n}\)。那么有 \(f_0(x^p) = f_0(x^p)\),$f(x)^p \equiv(f_0(x) + axn)p $。欧拉降幂一下: \((a + b)^p \equiv (a+b)^{p\ \text{mod}\ \varphi(p)} \equiv a+b(\text{mod}\ p)\),又因为 \(a^p=a^{p\ \text{mod}\ \varphi(p)} = a\),所以 \((a+b)^p\equiv a^p+b^p(\text{mod}\ p)\)。

\((f_0(x) + ax^n)^p \equiv f_0^p(x) + ax^{pn} \equiv f_0(x^p) + ax^{pn} \equiv f(x^p)\ (\text{mod}\ p)\)。

证明完了就好办了,实战中通常 \(n < p\),那么 \(f(x^p) \equiv [x^0]f(x)(\text{mod}\ x^n)\)。

那么 \(f^{k-p}(x)={f^k(x) \over [x^0] f(x)}\),因为本题 \(a_0=1\),因此珂以直接取模。否则 \(f^k(x) = f^{k\ \text{mod}\ p}(x) \times ([x^0] f(x))^{\lfloor {k \over p} \rfloor}\)。

但是注意到加强版若要求 \(f^{k\ \text{mod}\ p}\) 需要龟速幂,所以考虑优化。

显然的思路,珂以找到最小的 \(t\) 满足 \([x^t]f(x) \ne 0\),令其为 \(v\)。那么有 \(f^k(x) = {({f(x) \over vx^t})}^k \times v^kx^{kt}\)。

多项式平移

已知多项式 \(F(x) = \sum \limits_{i=0}^{n} a_i x^i\),求 \(F(x+c)\)。将 \(F(x)\) 在 \(c\) 处泰勒展开,得到 \(F(x) = \sum \limits_{i=0}^{n} {F^{(i)}(c) \over i!} {(x-c)}^i\)。代入可得 $F(x+c) = \sum \limits_{i=0}^{n} {F^{(i)}(c) \over i!} x^i = \sum \limits_{i=0}^{n} {x^i \over i!} $。

多项式多点求值

构造多项式 $G_0(x) = \prod \limits_{i=1}^{\lfloor {n \over 2} \rfloor} (x - x_i), G_1(x) = \prod \limits_{i=\lfloor {n \over 2} \rfloor + 1}^n (x - x_i) $。那么容易注意到 \(\forall i \in [1, \lfloor {n \over 2} \rfloor]\ G_0(x_i) = 0\),\(G_1\) 同理。那么令 \(F_0(x) = F(x)\ \text{mod}\ G_0(x)\),显然 \(\forall i \in [1, \lfloor {n \over 2} \rfloor], F_0(x) = F(x)\),而且注意到 \(F_0(x)\) 的项数是严格小于 \(\lfloor {n \over 2} \rfloor\) 的,于是分治即可。时间 \(\Theta(n \log^2 n)\)。

分治FFT

顾名思义,分治计算贡献,对于 \([l,r]\) 的区间,先计算 \([l,mid]\) 的值,再计算 \([l,mid]\) 对 \((mid,r]\) 的贡献,然后计算 \((mid, r]\)。那么将 \(f_{[l,mid]}\) 与 \(g_{[1,r-l]}\) 卷积后将超过 \(mid\) 的项加到 \(f_{(mid,r]}\) 上即可。

时间 \(\Theta(n \log^2 n)\)。

生成函数

习题

常系数齐次线性递推

我也不知道为什么洛谷会加上【模板】标签

令 $ F(\sum \limits_{i=1}^{n} c_i x^i) = \sum \limits_{i=1}^{n} c_i f(i) $,很显然有 $ F(a + b) = F(a) + F(b) $

构造多项式 $ G(x) = x^k - \sum \limits_{i=0}^{k-1} c_i x^i = 0 $,那么显然 $ F(A(x) + G(x)) = F(A(x)) $。

所以答案就是 $ F(x^n) = F(x^n\ \text{mod}\ G(x)) $,因为 $ G(x) $ 的最高次数 $ k $,所以 $ x^n\ \text{mod}\ G(x) $ 的次数是 $ k - 1 $,又因为 $ f_{0, \cdots, k - 1} $ 已经给出,所以就可以算了。

然后考虑计算 \(x^n\ \text{mod}\ G(x)\),快速幂即可,时间复杂度 \(\Theta(k \log k \log n)\)。

PolandBall and Many Other Balls

倍增FFT模板。

设 \(f_{n,k}\) 为从 \(n\) 个球中取出 \(k\) 组的方案数,那么显然有 \(f_{n,k} = f_{n-1,k}+f_{n-1,k-1}+f_{n-2,k-1}\),不太好优化。于是考虑 \(f_{n,k}\) 如何转移到 \(f_{2n,k}\)。那么有 \(f_{2n,k} = \sum \limits_{i=0}^{k} f_{n,i} \times f_{n,k-i} + \sum \limits_{i=0}^{k-1} f_{n-1,i} \times f_{n-1,k-i-1}\)。那么考虑倍增,设 \(F_n(x) = \sum \limits_{i=0}^{k} f_{x,i} x^i\),那么显然有:

\[\begin{cases} \text{F}_{2n-2}(x) = \text{F}^2_{n-1}(x) + x\text{F}_{n-2}^2 (x) \\ \text{F}_{2n-1}(x) = \text{F}_n (x) \text{F}_{n-1}(x) + x \text{F}_{n-1}(x) \text{F}_{n-2}(x) \\ \text{F}_{2n}(x) = \text{next}(\text{F}_{2n-1}, \text{F}_{2n-2}) \\ \end{cases} \]

维护 \(\text{F}_{n-2}, \text{F}_{n-1}, \text{F}_{n}\) 即可,时间 \(\Theta(k \log k \log n)\)。

标签:limits,text,sum,poly,omega,over,mod
From: https://www.cnblogs.com/shengxuanyi/p/18414761

相关文章

  • [ABC137F] Polynomial Construction 题解
    明明有最厉害最好想的插值做法,怎么没有人写呢。思路考虑\(n\)个点可以确定一个\(n-1\)次多项式。如何确定。令\(l_i(x)=\prod_{j\not=i}\frac{(x-x_j)}{(x_i-x_j)}\)。可以发现这个多项式在\(x=x_i\)时值为一,在\(x=x_j(j\not=i)\)时值为零。那么就有:\[F(x)=\su......
  • [1058] Integrate points within the same polygons as the centroid
    Tointegratepointswithinaspecificpolygonandsetthecentroidofthepolygonasthenewlocationforthosepoints,youcanusethegeopandaslibraryinPython.Here’sastep-by-stepguide:Importnecessarylibraries:importgeopandasasgpdfromsh......
  • [1054] Select only the records from one GeoSeries that intersect with the polygo
    ToselectonlytherecordsfromoneGeoSeriesthatintersectwiththepolygonsfromanotherGeoSeriesinGeoPandas,youcanusetheintersectsmethodalongwithbooleanindexing.Here’sastep-by-stepguide:ImportGeoPandas:importgeopandasasgpdL......
  • opencv 判断某个坐标点是否在多边形内cv::pointPolygonTest
        cv::pointPolygonTestpointPolygonTest 函数在OpenCV中用于判断点是否在一个多边形的内部、外部或在边界上。该函数不需要考虑多边形的凹凸性,即它可以处理凸多边形和凹多边形。  判断坐标点是否在坐标围起来的区域内判断点是否在点组成的封闭区域......
  • VTK随笔九:VTK图形处理(vtkPolyData数据生成与显示、基本的图形操作、网络平滑)
            图形数据的应用非常广泛,最贴近日常生活的应该是3D游戏,其中每个角色的模型场景等都是图形数据。当然,游戏仅仅是图形数据的一个应用点,图形在CAD(计算机辅助设计)、影视、医学、地质、气象数据建模等领域中均有着广泛的应用。vtkPolyData是VTK中常用的数据结构......
  • poly
    快速傅里叶变换对于一个多项式$F(x)=\sum\limits_{i=0}^{n}a_ix^i$,若有$n+1$组数列${(x_0,y_0),(x_1,y_1),\cdots,(x_n,y_n)}$。满足$\foralli\in[0,n],y_i=F(x_i)$且$\sum\limits_{i=0}^n\sum\limits_{j=i+1}^n[x_i=x_j]=0$,那么......
  • E - Red Polyomino 关于回溯 和爆搜
    这题就是爆搜。。虽然看似有2^(nn)的复杂度。。但是实际上因为相连的限制。。种类非常有限。。样例88的就可以看出来。所以就是爆搜而已。。记录这题是因为。之前一直在思考回溯到底和爆搜什么关系。。目前算是阶段性的一个理解。。回溯只不过是爆搜的一种方式而已。......
  • 《python语言程序设计》2018版第7章第05题几何:正n边形,一个正n边形的边都有同样的长度
    结果和代码这里只涉及一个办法方法部分defmain():rX,rY=eval(input("Enterregularpolygonxandyaxis:"))regular_num=eval(input("Enterregularnumber:"))side_long=eval(input("Entersidenumber:"))a=exCode07.Reg......
  • H-Two Convex Polygons
    首先,画个图发现是一个圆+A的周长周长好求,因为题目保证逆时针给点,直接算边长和就行圆的半径是端点在B中的最长线段(B的直径)搜索后发现旋转卡壳oiwiki证明:很明显最大图形中的所有点和A边上的点的最小距离不会超过B的直径在A的每个端点是都是一个半径为B的直径的圆弧,因......
  • polygon-cdk代码解读
    同步器数据的查找数据来源:数据是从以太坊L1区块链(L1)中获取的。通过多个以太坊客户端(ethermans)并行地请求获取区块数据。查找数据的函数:asyncRequestRollupInfoByBlockRange:异步请求特定区块范围内的汇总信息(rollupinfo)。requestLastBlockWithRetries:重......