新闻详情

新闻详情

首页 / 资讯中心 / 详情

阶乘【牛客tracker 每日一题】

发布时间:2026/9/30 7:18:44来源:尧图网络
阶乘【牛客tracker  每日一题】
阶乘时间限制1 秒空间限制256M网页链接牛客tracker牛客tracker 每日一题完成每日打卡即可获得牛币。获得相应数量的牛币能在【牛币兑换中心】换取相应奖品助力每日有题做丰盈牛币日益多题目描述给定一个正整数p pp。求一个最小的正整数n nn使得n ! n!n!是p pp的倍数。输入描述第一行输入一个正整数T TT表示测试数据组数。接下来T TT行每行一个正整数p pp。输出描述输出T TT行对于每组测试数据输出满足条件的最小的n nn。示例 1输入4 1 2 4 8输出1 2 4 4备注T ≤ 10 3 , p ≤ 10 9 T \le 10^3,\quad p \le 10^9T≤103,p≤109数据范围与提示1 ≤ T ≤ 10 3 1 \le T \le 10^31≤T≤1031 ≤ p ≤ 10 9 1 \le p \le 10^91≤p≤109核心思路对p pp做质因数分解p ∏ q i e i p \prod q_i^{e_i}p∏qiei​​。n ! n!n!能整除p pp即p ∣ n ! p \mid n!p∣n!等价于对每个质因子q i q_iqi​n ! n!n!中q i q_iqi​的指数不少于e i e_iei​。由勒让德公式Legendre’s formulan ! n!n!中质数q qq的指数为v q ( n ! ) ⌊ n q ⌋ ⌊ n q 2 ⌋ ⌊ n q 3 ⌋ ⋯ v_q(n!) \left\lfloor \frac{n}{q} \right\rfloor \left\lfloor \frac{n}{q^2} \right\rfloor \left\lfloor \frac{n}{q^3} \right\rfloor \cdotsvq​(n!)⌊qn​⌋⌊q2n​⌋⌊q3n​⌋⋯由于v q ( n ! ) v_q(n!)vq​(n!)关于n nn单调不减可对n nn在[ 1 , p ] [1, p][1,p]上二分答案对每个质因子检查指数是否达标。特殊处理p 1 p 1p1此时n 1 n 1n11 ! 1 1! 11!1是1 11的倍数。时间复杂度约为O ( T ( p log ⁡ p ⋅ π ( p ) ) ) O(T(\sqrt{p} \log p \cdot \pi(\sqrt p)))O(T(p​logp⋅π(p​)))在T ≤ 10 3 T \le 10^3T≤103、p ≤ 10 9 p \le 10^9p≤109范围内可轻松通过。注意用long long累加避免中间量溢出。解题思路本题是**质因数分解 勒让德公式阶乘中质因子指数**的经典问题。给定正整数p pp要求最小的n nn使得n ! n!n!是p pp的倍数即p ∣ n ! p \mid n!p∣n!。这等价于对p pp的每个质因子q qqn ! n!n!中q qq的指数不少于p pp中q qq的指数。因此可以先分解p pp再对每个质因子求出满足条件的最小n nn最后取最大值。1. 问题等价转化对p pp进行质因数分解p ∏ q i e i p \prod q_i^{e_i}p∏qiei​​。对于每个质因子q qq和指数e ee需要找到最小的n nn使得v q ( n ! ) ≥ e v_q(n!) \ge evq​(n!)≥e其中v q ( n ! ) v_q(n!)vq​(n!)是n ! n!n!中q qq的指数。由于v q ( n ! ) v_q(n!)vq​(n!)关于n nn单调递增可以从小到大逐个检查q qq的倍数累加其中q qq的指数直到总和达到e ee。所有质因子对应的最小n nn取最大值即为答案。若p pp本身含有大于p \sqrt{p}p​的质因子指数必为1 11则该质因子对应的最小n nn就是该质数本身。2. 算法实现读入测试组数T TT。对于每组数据读入p pp初始化答案ans 1令t p。从b 2 b 2b2开始枚举到t \sqrt{t}t​若t % b 0统计b bb的指数e并不断t / b。计算满足v b ( n ! ) ≥ e v_b(n!) \ge evb​(n!)≥e的最小n nn初始化x 0c 0。当c e时令x (x / b 1) * b即下一个b bb的倍数。计算当前x中b bb的因子个数累加到c。循环结束时x即为满足该质因子的最小n nn。更新ans max(ans, x)。循环结束后若t 1说明剩余一个质数其指数为1 11对应最小n nn为t更新ans max(ans, t)。输出ans。3. 复杂度分析质因数分解枚举到p \sqrt{p}p​复杂度O ( p ) O(\sqrt{p})O(p​)。对每个质因子计算最小n nn指数e ≤ log ⁡ 2 p ≈ 30 e \le \log_2 p \approx 30e≤log2​p≈30每次跳至下一个b bb的倍数循环次数不超过e ee因此非常快。总时间复杂度O ( T ⋅ p ) O(T \cdot \sqrt{p})O(T⋅p​)。T ≤ 10 3 T \le 10^3T≤103p ≤ 10 9 p \le 10^9p≤109p ≈ 3.2 × 10 4 \sqrt{p} \approx 3.2 \times 10^4p​≈3.2×104总运算量约3 × 10 7 3 \times 10^73×107完全可行。空间复杂度O ( 1 ) O(1)O(1)仅使用少量变量。总结通过将p pp分解质因数把问题转化为对每个质因子求最小的n nn使得n ! n!n!中该质因子的指数达标。利用逐个累加质因子指数的方法避免了二分查找实现简单且高效。最终取所有质因子对应n nn的最大值即为答案。代码简要说明主函数读入T TT循环调用S()。S()函数读入p pp初始化ans 1t p。枚举因子b从 2 到t \sqrt{t}t​若整除则统计指数e并缩小t。内部循环计算满足v_b(n!) e的最小nx从 0 开始每次跳到下一个b的倍数累加其中b的指数直到累加值c e。更新ans。若剩余t 1更新ans max(ans, t)。输出ans。代码内容#includebits/stdc.husingnamespacestd;#defineendl\ntypedeflonglongll;typedefunsignedlonglongull;typedefvectorvectorllvvt;typedefpairll,llpll;constll N1e310;constll INF1e18;constll M1e610;constll mod1e97;voidS(){ll p;cinp;ll r1;ll tp;for(ll b2;b*bt;b){if(t%b0){ll e0;while(t%b0){e;t/b;}ll x0;ll c0;while(ce){x(x/b1)*b;ll vx;while(v%b0){c;v/b;}}rmax(r,x);}}if(t1)rmax(r,t);coutrendl;}intmain(){ios::sync_with_stdio(0);cin.tie(0),cout.tie(0);intT;cinT;while(T--)S();return0;}
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

企业级RAG落地:从Demo到生产的工程化重构指南 2026/9/30 9:16:41

企业级RAG落地:从Demo到生产的工程化重构指南

我先问你一个很直接的问题:你手里的RAG知识库,敢不敢把Demo现场用的那套方案,原封不动地直接挪到生产环境? 我最近两年做了3个企业级RAG落地项目,分别涉及制造业设备手册问答、金融行业合规条款检索、以及企业内部政策…

阅读更多 →
Java仓库管理系统毕设实战:Spring Boot+Vue全栈开发与避坑指南 2026/9/30 9:16:34

Java仓库管理系统毕设实战:Spring Boot+Vue全栈开发与避坑指南

简介:这份资源是一篇基于Java的仓库管理系统毕业设计论文文档,面向计算机相关专业学生及需要完成课程设计或毕业设计的开发者。论文围绕电子商务背景下传统仓储人工操作效率低、错误率高的痛点,采用Spring Boot后端、Vue前端与MySQL数据库&am…

阅读更多 →
AnythingLLM本地优先AI智能体搭建实战:从部署到制度问答助手 2026/9/30 9:16:34

AnythingLLM本地优先AI智能体搭建实战:从部署到制度问答助手

最近有不少朋友在问,本地优先的 AI 智能体工具到底怎么选,尤其是想把企业内部的制度文档、技术手册变成能“听懂人话”的问答机器人时,市面上的 SaaS 产品往往卡在数据隐私和定制成本上。我自己在对比了多家方案之后,长期留下的就…

阅读更多 →
Agent/LLM技术日报:知识库建设、框架选型与落地排障实践 2026/9/30 9:16:34

Agent/LLM技术日报:知识库建设、框架选型与落地排障实践

今天这份Agent/LLM技术日报,我给自己定的选题标准只有一条:能让你下一个项目少踩坑、多落地的内容才进日报。搜了一圈这两天的热词,发现几个信号非常集中:llm wiki知识库、本体RAG、Agent框架与编排、Agent记忆与安全、本地ERP结合…

阅读更多 →
从零构建生产级记忆型 AI Agent:AgentScope 架构、记忆机制与 SSE 实战 2026/9/30 9:16:27

从零构建生产级记忆型 AI Agent:AgentScope 架构、记忆机制与 SSE 实战

记忆型 AI Agent 这个词这两年快被用烂了,但真正落到生产环境里,能稳定跑起来、能记住上下文、能在多轮对话里不丢状态的,其实没几个。大部分 demo 级别的 Agent 聊上三五轮就开始胡言乱语,要么把用户十分钟前说的话忘得一干二净&…

阅读更多 →
TensorFlow 2.16 LTS工业部署实战:从安装到端侧推理的全链路解析 2026/9/30 9:16:27

TensorFlow 2.16 LTS工业部署实战:从安装到端侧推理的全链路解析

1. 这不是“又一个深度学习框架”——TensorFlow的本质定位与它被误读十年的真相 很多人第一次听说TensorFlow,是在2015年谷歌开源那天;更多人真正接触它,是在2018年Kaggle比赛里看到别人用tf.keras写模型;而到了2024年&#xff…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉