🧮🔠 Математика в действии: решаем хитрые задачи по прогнозированию, оптимизации и логике

Прогнозирование численности населения

В одном регионе примерно 7% городского населения ежегодно переезжает из города в ближайшие пригороды, а 5% обитателей пригородов, наоборот, переселяется в город. В 2024 году в городе проживало 800 000 человек, а в пригородах – 500 000.

Оцените численность населения в городе и пригородах через 2 года. Игнорируйте другие факторы, которые в реальной жизни влияют на размер населения.

Решение

Эту задачу можно решить с помощью системы уравнений. Но можно воспользоваться цепью Маркова, поскольку условие описывает все ключевые признаки марковского процесса:

• Два состояния (число жителей в городе S1 и число жителей в пригородах S2) соответствуют дискретным состояниям в цепи Маркова.
• Дискретное время – в задаче рассматриваются переходы по годам, а не непрерывный процесс.
• Вероятности перехода населения из одного состояния в другое можно представить в виде матрицы перехода (например, вероятность того, что житель города останется в городе равна 0,93, а вероятность переезда в пригороды – 0,07).
• Вероятность того, где окажется человек в следующем году, зависит только от текущего распределения и не зависит от того, где он был ранее.

Для нахождения населения через 2 года используется формула X = P²S, где Pⁿ показывает вероятность перехода за n шагов:

        import numpy as np

# Начальное население (город, пригороды)
S = np.array([[800000], [500000]])

# Матрица перехода
P = np.array([[0.93, 0.05],
              [0.07, 0.95]])

# Вычисляем население через 2 года (P^2 * S)
P2 = np.linalg.matrix_power(P, 2)
X = np.dot(P2, S)

city_population = int(X[0, 0])
suburb_population = int(X[1, 0])

print(f"Население города через 2 года: {city_population}")
print(f"Население пригородов через 2 года: {suburb_population}")

    

Результат:

        Население города через 2 года: 741720
Население пригородов через 2 года: 558280
    

Вебинар «Математика для ML: от теории к практике»

6 марта в 20:00 (МСК) Мария Горденко, инженер-программист и ведущий эксперт НИУ ВШЭ, проведет интенсивный вебинар по основам математики для машинного обучения.

Что будет на вебинаре:

• Теория вероятностей: случайные величины, математическое ожидание, дисперсия и их применение в Random Forest
• Линейная алгебра: векторы, матрицы, собственные векторы и значения — основа для SVD-разложения и PCA-анализа
• Математический анализ: производные и ряды Тейлора в контексте градиентного бустинга и методов оптимизации

Для кого этот вебинар:

• Начинающих в IT, выбирающих направление развития
• Разработчиков, желающих применить навыки в новой области
• Математиков, стремящихся перейти от теории к практике
• Всех, кто хочет понять математическую основу современных ML-алгоритмов

Регистрация открыта на сайте. Не упустите возможность структурировать свои знания и сделать первый шаг к пониманию математики в машинном обучении.

Минимальная стоимость выполнения работ

Предположим, что у вас есть n задач, которые нужно биективно назначить n работникам (то есть каждому работнику соответствует одна задача, и каждой задаче соответствует один работник). Каждая задача имеет длительность в часах, а каждый работник – стоимость работы в час.

Ваша цель — найти такое распределение задач между работниками, при котором общая сумма оплаты будет минимальной.

Решение

Эта задача сводится к нахождению минимального скалярного произведения двух векторов:

• Нам даны два вектора x (длительность выполнения) и y (стоимость работы за час), состоящие из неотрицательных чисел.
• Нужно найти такую перестановку π, при которой сумма будет минимальной:

Алгоритм минимизации:

• Сортируем x по возрастанию. Это позволяет нам минимизировать произведение за счет выбора наименьших значений x_i для умножения с наибольшими значениями y_π(i).
• Сортируем y по убыванию. Это обеспечит уменьшение суммы произведений, так как большие значения y будут умножаться на меньшие значения x.
• Считаем сумму произведений. Для каждого i берем x[i] из возрастающего списка и y[i] из убывающего списка и перемножаем.

Сортировка занимает O(n log n), вычисление суммы – O(n). Таким образом, общая сложность алгоритма составляет O(n log n), что делает его оптимальным для больших n.

Вариант 1:

        def min_scalar_prod(x, y):

    if len(x) != len(y):
        raise ValueError("Длины векторов x и y должны совпадать")
    
    x_sorted = sorted(x)
    y_sorted = sorted(y, reverse=True)
    
    return sum(x_sorted[i] * y_sorted[i] for i in range(len(x_sorted)))

x = [3, 5, 4, 2, 6, 7]
y = [4, 5, 3, 2, 6, 2]
print(min_scalar_prod(x, y))  
    

Вариант 2 (с NumPy):

        import numpy as np

def min_scalar_prod(x, y):
    if len(x) != len(y):
        raise ValueError("Длины векторов x и y должны совпадать")
    
    x_sorted = np.sort(x)
    y_sorted = np.sort(y)[::-1]

    return np.dot(x_sorted, y_sorted)

x = [3, 5, 4, 2, 6, 7]
y = [4, 5, 3, 2, 6, 2]
print(min_scalar_prod(x, y)) 
    

Результат:

        84
    

Назад в будущее

Ученый построил машину времени и может отправлять себя в прошлое. Однако ему стало интересно, сколько его копий могут оказаться в одном моменте времени, если он многократно возвращается в разные промежутки.

Ваша задача – определить максимальное количество копий ученого в одном моменте времени.

Формат входных данных:

• Первая строка содержит целое число N (1≤ N ≤10⁶) – количество временных интервалов.
• Следующие N строк содержат два целых числа D_i, F_i (0 ≤ D_i ≤ F_i ≤ 10⁹) – годы, в которые ученый появлялся и исчезал из прошлого (интервал правооткрытый: включает D_i, но не включает F_i​).

Формат выходных данных: Выведите единственное число – максимальное количество копий ученого, присутствующих одновременно в одном моменте времени.

Решение

Эта задача сводится к классической проблеме поиска максимального числа пересекающихся интервалов с использованием алгоритма заметающей прямой:

Создадим список событий:

• Прибытие в D_i увеличивает счетчик на +1.
• Возвращение в F_i уменьшает счетчик на -1.

Отсортируем события:

• По времени (по возрастанию).
• Если два события имеют одинаковое время, возвращение -1 обрабатывается раньше прибытия +1 – это важно для корректного учета интервалов.

Просканируем события, считая активные пересечения, обновляя максимум.

Сложность алгоритма – O(N log N):

        import sys

def max_self_occurrences(N, intervals):
    events = []
    
    # Формируем список событий: вход (D, +1) и выход (F+1, -1)
    for d, f in intervals:
        events.append((d, 1))      # Прибытие в момент D
        events.append((f + 1, -1))   # Уход сразу после момента F
    
    # Сортируем события: по времени, при одинаковом времени - сначала -1, затем +1
    events.sort(key=lambda event: (event[0], event[1]))
    
    max_copies = 0
    current_copies = 0
    
    for _, change in events:
        current_copies += change
        max_copies = max(max_copies, current_copies)
    
    return max_copies

N = int(sys.stdin.readline().strip())
intervals = [tuple(map(int, sys.stdin.readline().split())) for _ in range(N)]
print(max_self_occurrences(N, intervals))


    

Результат:

        3
    

Определение дня недели по дате

Напишите программу, с помощью которой можно определить, на какой день недели приходится введенная дата.

Пример ввода:

        Введите дату в формате dd.mm.yyyy: 27.06.2025
    

Ожидаемый вывод:

        пятница
    

Решение

Задача решается с помощью алгоритма конгруэнтности Целлера. Алгоритм позволяет определить, на какой день недели выпадет любая дата. Он учитывает коррекции для високосных лет и сдвиги календаря. Для григорианского календаря формула Целлера выглядит так:

где:

• h – число от 0 до 6, обозначающее день недели (0 = суббота, 1 = воскресенье, 2 = понедельник и т. д.)
• q – день месяца.
• m – номер месяца (март = 3, ..., декабрь = 12, январь = 13, февраль = 14 предыдущего года – nапример, для 5 января 2024 года нужно использовать m = 13, year = 2023).
• K – последние две цифры года (year mod 100).
• J – первые две цифры года (year // 100).

        def zeller_congruence(day, month, year):
    days = {
        0: "воскресенье",
        1: "понедельник",
        2: "вторник",
        3: "среда",
        4: "четверг",
        5: "пятница",
        6: "суббота"
    }

    # Проверка диапазона месяца и дня
    if not (1 <= month <= 12):
        return "Неверный формат даты: месяц должен быть от 1 до 12"
    if not (1 <= day <= 31):
        return "Неверный формат даты: день должен быть от 1 до 31"

    # Коррекция для января и февраля
    if month < 3:
        month += 12
        year -= 1

    c = year // 100
    year = year % 100
    h = (c // 4 - 2 * c + year + year // 4 + 13 * (month + 1) // 5 + day - 1) % 7

    return days.get((h + 7) % 7)


def get_date_from_input():
    date_str = input("Введите дату в формате dd.mm.yyyy: ")
    try:
        day, month, year = map(int, date_str.split('.'))
        return day, month, year
    except ValueError:
        print("Ошибка ввода! Используйте формат dd.mm.yyyy.")
        return None

date = get_date_from_input()
if date:
    day, month, year = date
    print(zeller_congruence(day, month, year))
 
    

Максимальное приближение

У вас есть n целых чисел x₀, x₁,…, x_n−1 (где n ≤ 20) и число b. Нужно составить арифметическое выражение, которое максимально близко приближает значение b, используя:

• Каждое число из входных данных не более одного раза.
• Операции +, -, *, / в любом количестве.

Ограничения:

• Вычитание допустимо лишь в том случае, если результат будет положительным.
• Деление разрешено только в том случае, если результат будет целым числом.

Пример: для набора чисел [5, 3, 4, 1, 8, 6] и целевого значения 12 выражение должно выглядеть так:

        ((((4+(6*8))-1)/3)-5) = 12
    

Решение

Задача решается с помощью полного перебора и динамического программирования. Полный перебор необходим, так как нам нужно учесть все возможные комбинации чисел и операций. Но динамическое программирование помогает избежать повторных вычислений, храня уже найденные выражения.

Основная идея алгоритма

Алгоритм строит словарь E, в котором для каждого подмножества S исходных чисел (от 0 до n-1) хранятся все возможные значения, которые можно получить, используя каждое число из S не более одного раза, вместе с соответствующими выражениями.

Пример работы

Для входных данных x = (3, 4, 1, 8) и подмножества S = {0, 1} (числа 3 и 4) в словаре E[S] будут храниться пары «значение → выражение»:

• 1 → 4 – 3 (результат вычитания)
• 3 → 3 (просто число)
• 4 → 4 (просто число)
• 7 → 3 + 4 (результат сложения)
• 12 → 3 * 4 (результат умножения)

Процесс вычисления

Чтобы вычислить E[S] для любого множества S, алгоритм:

• Перебирает все возможные разбиения S на два непустых подмножества L и R.
• Для каждого значения vL из E[L] (полученного выражением eL) и каждого значения vR из E[R] (полученного выражением eR) формирует новые значения, которые сохраняются в E[S].

Например, значение vL + vR можно получить выражением eL + eR.

Сложность алгоритма

Сложность в худшем случае превышает экспоненциальную:

• Нужно учесть количество бинарных деревьев с не более чем n листьями.
• Затем умножить на количество возможностей назначить операции внутренним узлам деревьев.

Однако, с ограничениями на вычитание и деление, на практике для значений n в пределах 20 наблюдаемая сложность остается приемлемой:

        def arithm_expr_target(x, target):
    n = len(x)
    expr = [{} for _ in range(1 << n)]  
    
    for i in range(n):
        expr[1 << i] = {x[i]: str(x[i])}  

    all_ = (1 << n) - 1  

    for S in range(3, all_ + 1):  
        if expr[S] != {}:
            continue  

        for L in range(1, S):  # Разбиваем S на два подмножества L и R
            if L & S == L:  # L должно быть подмножеством S
                R = S ^ L  # Дополняем до множества S

                for vL in expr[L]:  # Объединяем выражения из L
                    for vR in expr[R]:  # с выражениями из R
                        eL = expr[L][vL]
                        eR = expr[R][vR]
                        
                        expr[S][vL] = eL
                        if vL > vR:  # Вычитание только если результат положительный
                            expr[S][vL - vR] = f"({eL}-{eR})"
                        if L < R:  # Исключаем дублирующиеся перестановки
                            expr[S][vL + vR] = f"({eL}+{eR})"
                        expr[S][vL * vR] = f"({eL}*{eR})"
                        if vR != 0 and vL % vR == 0:  # Только целочисленное деление
                            expr[S][vL // vR] = f"({eL}/{eR})"

    # Ищем выражение, наиболее близкое к target
    for dist in range(target + 1):
        for sign in [-1, +1]:
            val = target + sign * dist
            if val in expr[all_]:
                return f"{expr[all_][val]} = {val}"

    return "Решение не найдено"

x = [5, 3, 4, 1, 7, 8, 6]
target = 15
print(arithm_expr_target(x, target))


    

Результат:

        ((((((6-1)*7)-8)-4)-3)-5) = 15
    

Другие интересные задачки:

• Динамическое программирование: как щелкать задачки как орешки
• Топовая задачка на Stack Overflow: как найти k пропущенных чисел в потоке данных
• Инварианты: проектирование эффективных алгоритмов
• Жадные алгоритмы: все, что нужно знать для собеседования