欧几里得与扩欧

简介: 笔记

欧几里得算法


14.png


裴蜀定理


对于给定的正整数a,b方程ax+by=c有解的充要条件为c是gcd(a,b)的整数倍


扩展欧几里得


15.png

#include<iostream>
#include<algorithm>
using namespace std;
int exgcd(int a,int b,int &x,int &y){
    if(!b){
        x = 1,y =0;
        return a;
    }
    int d = exgcd(b,a % b,y,x);
    y -= a / b * x;
    return d;
}
int main(){
    int t;cin >> t;
    while(t--){
        int a, b, x, y;
        cin >> a >> b;
        exgcd(a,b,x,y);
        cout << x << " " << y << endl;
    }
    return 0;
}


①求逆元


前提:g c d ( a , b ) = 1


逆元的定义:若a ∗ x ≡ 1 ( m o d    b ) 且a与b互质,那么x为a的逆元


上式可以变形成为:a∗x=by+1 ⇨a ∗ x + b ∗ y = 1 所以通过exgcd(a,b,x,y)求出的x即为a的乘法逆元


②求线性同余方程

16.png

目录
相关文章
|
存储 安全 数据库
python ras 私钥加密
【4月更文挑战第10天】
608 2
|
JavaScript
Element - Vue使用slot-scope和v-for遍历数据为树形表格
这篇文章介绍了在Vue中使用`slot-scope`和`v-for`指令来遍历数据并将其渲染为树形表格的方法。
190 0
Element - Vue使用slot-scope和v-for遍历数据为树形表格
|
11月前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
10月前
|
机器学习/深度学习 监控 算法
基于yolov4深度学习网络的排队人数统计系统matlab仿真,带GUI界面
本项目基于YOLOv4深度学习网络,利用MATLAB 2022a实现排队人数统计的算法仿真。通过先进的计算机视觉技术,系统能自动、准确地检测和统计监控画面中的人数,适用于银行、车站等场景,优化资源分配和服务管理。核心程序包含多个回调函数,用于处理用户输入及界面交互,确保系统的高效运行。仿真结果无水印,操作步骤详见配套视频。
302 18
|
自然语言处理 大数据 测试技术
PAIRDISTILL: 用于密集检索的成对相关性蒸馏方法
在大数据时代,有效的信息检索技术对于从海量数据中提取相关信息至关重要。国立台湾大学的研究者提出了一种名为PAIRDISTILL的新方法,通过成对相关性蒸馏,利用成对重排序器提供的细粒度训练信号,显著提升了密集检索模型的性能。该方法不仅在MS MARCO等基准测试中表现出色,还在领域外和零样本场景中展现出强大的泛化能力,为密集检索领域提供了新的研究方向。
330 13
PAIRDISTILL: 用于密集检索的成对相关性蒸馏方法
|
安全 开发者
内存池的优缺点分别是什么
内存池的优缺点分别是什么
362 1
|
Rust 搜索推荐 测试技术
揭秘Rust性能极限!从菜鸟到高手的蜕变之路:深入剖析性能分析与调优的隐秘技巧
【8月更文挑战第31天】Rust凭借卓越的性能、内存安全性和并发支持,成为高性能系统开发的首选语言。本文详细介绍Rust的性能优化流程,涵盖从基础分析到高级调优的技巧,并通过示例代码展示具体操作。内容包括理解Rust的性能优势、常用性能分析工具(如Cargo Bench、Valgrind和perf)、基准测试示例以及优化技巧,如减少内存分配、利用并发模型、优化数据结构和避免过度抽象。通过持续优化与迭代,开发者可充分发挥Rust的潜力,提升程序性能。
939 0
|
机器学习/深度学习 编解码 计算机视觉
阿里发布轨迹可控的DiT视频生成模型—Tora
【9月更文挑战第4天】阿里团队在视频生成领域取得了重要突破,推出了名为Tora的新模型。Tora基于Diffusion Transformer框架,旨在克服现有模型在物体运动控制上的局限。该模型整合了文本、视觉和轨迹条件,通过轨迹提取器、时空DiT和运动引导融合器三大组件,实现了高质量且运动一致的视频生成。Tora在多个基准数据集上表现出色,尤其在高运动保真度方面领先。然而,其应用仍需大量计算资源,并主要聚焦于可控轨迹视频生成。论文详情见:https://arxiv.org/abs/2407.21705
382 2
|
网络安全 数据安全/隐私保护
CSRF 和 XSS 理解
CSRF 和 XSS 理解
816 0
|
jenkins Java Shell
容器 & 服务:Jenkins构建实例
这次准备研究容器相关技术,并不仅仅是学习,而是基于项目的实战。而使用容器的几个典型场景之一,就是通过容器构建/部署应用服务,而这与持续继承是密切相关的。我们可以使用jenkins,也可以使用其他持续继承工具,但最终都离不开对这类工具的理解和应用。在后续的学习中,还会有很多与持续继承工具紧密关联的实践案例,也会有很多问题需要深入调研解决。
247 0