当前位置: 首页 > news >正文

qoj7759 的另一种做法

\(A(n, x, y)\) 表示长度为 \(n\) 的排列中,有 \(x\) 个升高和 \(y\) 个逆升高(即逆排列有 \(y\) 个升高)的排列数量。
根据组合恒等式,我们有如下关系:

\[\binom{uv + n - 1}{n} = \sum_{x=0}^{n-1} \sum_{y=0}^{n-1} A(n, x, y) \binom{u+x}{n} \binom{v+y}{n} \]

我们考虑反解出 \(A(n, x, y)\)

\(x' = n - x, y' = n - y\),并代入整数 \(u=i, v=j\) (\(1 \le i, j \le n\)),我们可以构建一个线性方程组。
定义矩阵 \(L, C, \mathcal{A}\) 如下:

  • \(L_{ij} = \binom{ij + n - 1}{n}\),其中 \(1 \le i, j \le n\)
  • \(C_{ik} = \binom{n + i - k}{n}\),其中 \(1 \le i, k \le n\)
  • \(\mathcal{A}_{x'y'} = A(n, n-x', n-y')\)

上述恒等式可以表示如下形式:

\[L = C \cdot \mathcal{A} \cdot C^T \]

我们的目标是求 \(\mathcal{A}\),因此有:

\[\mathcal{A} = C^{-1} \cdot L \cdot (C^T)^{-1} = C^{-1} \cdot L \cdot (C^{-1})^T \]

矩阵 \(C\) 是一个下三角矩阵,其逆矩阵 \(C^{-1}\) 有显式的封闭形式:

\[(C^{-1})_{ij} = (-1)^{i-j} \binom{n+1}{i-j} \]

(当 \(i < j\) 时为 0)。

http://www.hn-smt.com/news/166534/

相关文章:

  • 作家成神,赚钱之路(来自飞卢)
  • YOLO目标检测中的遮挡问题应对:堆叠与部分可见处理
  • YOLO与Docker镜像打包:实现环境一致性的重要步骤
  • IoC、DI入门案例
  • 探索AI原生应用领域大语言模型的无限可能
  • YOLO模型自动扩缩容设计:基于负载的GPU资源调度
  • YOLO模型蒸馏技术探索:用小模型逼近大模型精度
  • YOLO模型远程调试技巧:通过SSH连接GPU服务器
  • YOLO模型标签平滑技术:缓解过拟合的有效手段
  • AI prompt总结
  • 测试人员的有效需求评审与澄清技巧
  • 2025最新!10个AI论文平台测评:本科生写论文不再愁
  • YOLO在建筑工地的应用:安全帽佩戴智能识别系统
  • 程序员收藏清单:大模型(LLM)从入门到精通全栈指南,非常详细收藏我这一篇就够了
  • 日常工作中是否应该以administrator账户进行登录?
  • 推荐阅读:NVIDIA 驱动策略深度解析:从游戏到专业领域的多维布局
  • 推荐阅读:Apple Intelligence国行版延期:AI浪潮下的苹果如何应对?
  • 大模型学习全攻略:从NLP基础到RAG应用,助你成为AI专家(收藏必看)_大模型零基础教程非常详细
  • 深入理解 C# 特性(Attribute):概念、实现与实战
  • YOLOv8 vs YOLOv9 vs YOLOv10:谁才是性价比最高的GPU训练选择?
  • YOLOv10模型训练技巧分享:如何稳定收敛?
  • YOLO模型镜像支持Slurm作业调度,高校GPU集群适用
  • YOLOv8-NAS网络架构搜索技术应用,找到最优GPU结构
  • YOLOv9-Tiny极致压缩,可在Jetson Nano上运行
  • YOLO模型支持ONNX Runtime推理,多GPU后端切换
  • kkFileView在线预览工具:解决企业文档协作痛点的技术实践
  • 【计算机毕业设计案例】基于vue和springboot框架开发的攻防靶场实验室平台的设计与实现基于SpringBoot的攻防靶场实验室平台的设计与实现(程序+文档+讲解+定制)
  • 5个实用技巧帮助你提升YashanDB数据库管理效率
  • YOLOv9-CSP结构深入剖析:特征融合如何提升GPU效率
  • 计算思维期末复习