【蓝桥杯Java_C组·从零开始卷】第六节(二)、蓝桥杯常用数学公式

简介: 【蓝桥杯Java_C组·从零开始卷】第六节(二)、蓝桥杯常用数学公式

1、欧几里得定理

package Action;
public class demo {
  /*
   * 求最大公约数 最小公倍数 思路:根据欧几里得定理 gcd(a,b)=gcd(b,a%b);
   */
  static int gcd(int a, int b) {
    // 出口:b=0;5和0的最大公约数是5
    if (b == 0)
      return a;
    return gcd(b, a % b);
  }
  static int lcm(int a, int b) {
    return a * b / gcd(a, b);
  }
  public static void main(String[] args) {
    System.out.println(gcd(45, 35));
    System.out.println(lcm(45, 35));
    System.out.println(gcd(42, 60));
    System.out.println(lcm(42, 60));
  }
}

2、最大公约数

问题描述

  70044与113148的最大公约数是多少?

答案提交

  这是一道结果填空的题,你只需要算出结果后提交即可。本题的结果为一个整数,在提交答案时只填写这个整数,填写多余的内容将无法得分。

package Action;
public class demo {
  public static void main(String[] args) {
    int max = 0;
    for (int i = 1; i <= 70044; i++) {
      if (70044 % i == 0 && 113148 % i == 0) {
        max = i;
      }
    }
    System.out.println(max);
  }
}

最小公倍数

问题描述


已知一个正整数N,问从1~N中任选出三个数,他们的最小公倍数最大可以为多少。


输入格式


输入一个正整数N。


输出格式


输出一个整数,表示你找到的最小公倍数。


样例输入


9


样例输出


504


在一组数中找三个数,使他们的最小公倍数最大。首先,先从两个数的最大公倍数开始,当两个数互质的时候,最小公倍数就是它们的乘积,当然,这也是最大的最小公倍数,所以,拓展到三个数,就是要找出三个两两互质的数。有一个结论我们得先知道,就是相邻的两个自然数是互质的。


一组从1~N的数中,最大的三个数就是N,N-1,N-2,如果这三个数两两互质,那么当然是最大的最小公倍数。


由上面的结论可知,N和N-1,N-1和N-2两两互质。


如果N是奇数,那么N-2也是奇数。那么这两个数不会被2整除,也不会同时被3,5,7,9整除。所以这两个数也两两互质。因此,当N是奇数时,N *(N - 1) * (N - 2)是最大的最小公倍数。


如果N是偶数,显然N和N-2都会被2整除,所以将(N-2)改为(N-3)。如果N不能被3整除,那么最大的最小公倍数为N * (N - 1) * (N -3)。如果N可以被3整除,那么将N改为(N-1),此时最大的最小公倍数为(N - 1)* (N - 2) * (N - 3)。这里(N - 1)为奇数,就跟上一种N是奇数的情况一样。

package Action;
import java.util.Scanner;
public class demo {
  public static void main(String[] args) {
    @SuppressWarnings("resource")
    Scanner sc = new Scanner(System.in);
    long n = sc.nextLong();
    if (n % 2 == 0) {
      if (n % 3 == 0) {
        long m = (n - 1) * (n - 2) * (n - 3);
        System.out.println(m);
      } else {
        long m = n * (n - 1) * (n - 3);
        System.out.println(m);
      }
    } else {
      long m = n * (n - 1) * (n - 2);
      System.out.println(m);
    }
  }
}

4、海伦公式(求三角形面积)

image.png


算法提高 三角形面积

时间限制:1.0s 内存限制:256.0MB

问题描述

 由三角形的三边长,求其面积。

 提示:由三角形的三边a,b,c求面积可以用如下的公式:

image.png

输入格式

 由空格分开的三个整数。

输出格式

 一个实数,保留两位小数。

样例输入

3 4 5

样例输出

6.00

数据规模和约定

 输入的三条边一定能构成三角形,不用进行判定。a,b,c小于1000


package Action;
import java.util.Scanner;
public class demo {
  public static void main(String[] args) {
    @SuppressWarnings("resource")
    Scanner sc = new Scanner(System.in);
    int a = sc.nextInt();
    int b = sc.nextInt();
    int c = sc.nextInt();
    double l = (a + b + c) * 1.0 / 2;
    double s = Math.sqrt(l * (l - a) * (l - b) * (l - c));
    System.out.println(String.format("%.2f", s));
  }
}

5、排序公式

image.png

package Action;
public class demo {
  public static void main(String[] args) {
    //例如:有3小球,拿出一个小球有几种排列方法
    //p(n,m)=n!/(n-m)!
    int n=15;
    int m=3;
    System.out.println(jc(n)/(jc(n-m)));
  }
  //计算阶乘的递归使用方法
  public static int jc(int i) {
    if(i<=1) {
      return 1;
    }
    return i*jc(i-1);
  }
}

image.png

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
300 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
314 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
869 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
252 113