快速幂

快速幂,二进制取幂(Binary Exponentiation,也称平方法),是一个在 \Theta(\log n) 的时间内计算 a^n 的小技巧,而暴力的计算需要 \Theta(n) 的时间。而这个技巧也常常用在非计算的场景,因为它可以应用在任何具有结合律的运算中。其中显然的是它可以应用于模意义下取幂、矩阵幂等运算,我们接下来会讨论。

算法描述

计算 an 次方表示将 na 乘在一起: a^{n} = \underbrace{a \times a \cdots \times a}_{n\text{ 个 a}} 。然而当 a,n 太大的时侯,这种方法就不太适用了。不过我们知道: a^{b+c} = a^b \cdot a^c,\,\,a^{2b} = a^b \cdot a^b = (a^b)^2 。二进制取幂的想法是,我们将取幂的任务按照指数的 二进制表示 来分割成更小的任务。

首先我们将 n 表示为 2 进制,举一个例子:

3^{13} = 3^{(1101)_2} = 3^8 \cdot 3^4 \cdot 3^1

因为 n\lfloor \log_2 n \rfloor + 1 个二进制位,因此当我们知道了 a^1, a^2, a^4, a^8, \dots, a^{2^{\lfloor \log_2 n \rfloor}} 后,我们只用计算 \Theta(\log n) 次乘法就可以计算出 a^n

于是我们只需要知道一个快速的方法来计算上述 3 的 2^k 次幂的序列。这个问题很简单,因为序列中(除第一个)任意一个元素就是其前一个元素的平方。举一个例子:

\begin{align} 3^1 &= 3 \\ 3^2 &= \left(3^1\right)^2 = 3^2 = 9 \\ 3^4 &= \left(3^2\right)^2 = 9^2 = 81 \\ 3^8 &= \left(3^4\right)^2 = 81^2 = 6561 \end{align}

因此为了计算 3^{13} ,我们只需要将对应二进制位为 1 的整系数幂乘起来就行了:

3^{13} = 6561 \cdot 81 \cdot 3 = 1594323

将上述过程说得形式化一些,如果把 n 写作二进制为 (n_tn_{t-1}\cdots n_1n_0)_2 ,那么有:

n = n_t2^t + n_{t-1}2^{t-1} + n_{t-2}2^{t-2} + \cdots + n_12^1 + n_02^0

其中 n_i\in\{0,1\} 。那么就有

\begin{aligned} a^n & = (a^{n_t 2^t + \cdots + n_0 2^0})\\\\ & = a^{n_0 2^0} \times a^{n_1 2^1}\times \cdots \times a^{n_t2^t} \end{aligned}

根据上式我们发现,原问题被我们转化成了形式相同的子问题的乘积,并且我们可以在常数时间内从 2^i 项推出 2^{i+1} 项。

这个算法的复杂度是 \Theta(\log n) 的,我们计算了 \Theta(\log n)2^k 次幂的数,然后花费 \Theta(\log n) 的时间选择二进制为 1 对应的幂来相乘。

代码实现

首先我们可以直接按照上述递归方法实现:

long long binpow(long long a, long long b) {
  if (b == 0) return 1;
  long long res = binpow(a, b / 2);
  if (b % 2)
    return res * res * a;
  else
    return res * res;
}

第二种实现方法是非递归式的。它在循环的过程中将二进制位为 1 时对应的幂累乘到答案中。尽管两者的理论复杂度是相同的,但第二种在实践过程中的速度是比第一种更快的,因为递归会花费一定的开销。

long long binpow(long long a, long long b) {
  long long res = 1;
  while (b > 0) {
    if (b & 1) res = res * a;
    a = a * a;
    b >>= 1;
  }
  return res;
}

模板: Luogu P1226

应用

模意义下取幂

问题描述

计算 x^n\bmod m

这是一个非常常见的应用,例如它可以用于计算模意义下的乘法逆元。

既然我们知道取模的运算不会干涉乘法运算,因此我们只需要在计算的过程中取模即可。

long long binpow(long long a, long long b, long long m) {
  a %= m;
  long long res = 1;
  while (b > 0) {
    if (b & 1) res = res * a % m;
    a = a * a % m;
    b >>= 1;
  }
  return res;
}

注意:根据费马小定理,如果 m 是一个质数,我们可以计算 x^{n\bmod (m-1)} 来加速算法过程。

计算斐波那契数

问题描述

计算斐波那契数列第 nF_n

根据斐波那契数列的递推式 F_n = F_{n-1} + F_{n-2} ,我们可以构建一个 2\times 2 的矩阵来表示从 F_i,F_{i+1}F_{i+1},F_{i+2} 的变换。于是在计算这个矩阵的 n 次幂的时侯,我们使用快速幂的思想,可以在 \Theta(\log n) 的时间内计算出结果。对于更多的细节参见 斐波那契数列

多次置换

问题描述

给你一个长度为 n 的序列和一个置换,把这个序列置换 k 次。

简单地把这个置换取 k 次幂,然后把它应用到序列 n 上即可。时间复杂度是 O(n \log k) 的。

注意:给这个置换建图,然后在每一个环上分别做 k 次幂(事实上做一下 k 对环长取模的运算即可)可以取得更高效的算法,达到 O(n) 的复杂度。

加速几何中对点集的操作

三维空间中, n 个点 p_i ,要求将 m 个操作都应用于这些点。包含 3 种操作:

  1. 沿某个向量移动点的位置(Shift)。
  2. 按比例缩放这个点的坐标(Scale)。
  3. 绕某个坐标轴旋转(Rotate)。

还有一个特殊的操作,就是将一个操作序列重复 k 次(Loop),这个序列中也可能有 Loop 操作(Loop 操作可以嵌套)。现在要求你在低于 O(n \cdot length) 的时间内将这些变换应用到这个 n 个点,其中 length 表示把所有的 Loop 操作展开后的操作序列的长度。

让我们来观察一下这三种操作对坐标的影响:

  1. Shift 操作:将每一维的坐标分别加上一个常量;
  2. Scale 操作:把每一维坐标分别乘上一个常量;
  3. Rotate 操作:这个有点复杂,我们不打算深入探究,不过我们仍然可以使用一个线性组合来表示新的坐标。

可以看到,每一个变换可以被表示为对坐标的线性运算,因此,一个变换可以用一个 4\times 4 的矩阵来表示:

\begin{bmatrix} a_{11} & a_ {12} & a_ {13} & a_ {14} \\ a_{21} & a_ {22} & a_ {23} & a_ {24} \\ a_{31} & a_ {32} & a_ {33} & a_ {34} \\ a_{41} & a_ {42} & a_ {43} & a_ {44} \\ \end{bmatrix}

使用这个矩阵就可以将一个坐标(向量)进行变换,得到新的坐标(向量):

\begin{bmatrix} a_{11} & a_ {12} & a_ {13} & a_ {14} \\ a_{21} & a_ {22} & a_ {23} & a_ {24} \\ a_{31} & a_ {32} & a_ {33} & a_ {34} \\ a_{41} & a_ {42} & a_ {43} & a_ {44} \\ \end{bmatrix}\cdot \begin{bmatrix} x \\ y \\ z \\ 1 \end{bmatrix} = \begin{bmatrix} x' \\ y' \\ z' \\ 1 \end{bmatrix}

你可能会问,为什么一个三维坐标会多一个 1 出来?原因在于,如果没有这个多出来的 1,我们没法使用矩阵的线性变换来描述 Shift 操作。

接下来举一些简单的例子来说明我们的思路:

  1. Shift 操作:让 x 坐标方向的位移为 5y 坐标的位移为 7z 坐标的位移为 9

    \begin{bmatrix} 1 & 0 & 0 & 5 \\ 0 & 1 & 0 & 7 \\ 0 & 0 & 1 & 9 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix}
  2. Scale 操作:把 x 坐标拉伸 10 倍, y,z 坐标拉伸 5 倍:

    \begin{bmatrix} 10 & 0 & 0 & 0 \\ 0 & 5 & 0 & 0 \\ 0 & 0 & 5 & 0 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix}
  3. Rotate 操作:绕 x 轴旋转 \theta 弧度,遵循右手定则(逆时针方向)

    \begin{bmatrix} 1 & 0 & 0 & 0 \\ 0 & \cos \theta & \sin \theta & 0 \\ 0 & -\sin \theta & \cos \theta & 0 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix}

现在,每一种操作都被表示为了一个矩阵,变换序列可以用矩阵的乘积来表示,而一个 Loop 操作相当于取一个矩阵的 k 次幂。这样可以用 O(m \log k) 计算出整个变换序列最终形成的矩阵。最后将它应用到 n 个点上,总复杂度 O(n + m \log k)

定长路径计数

问题描述

给一个有向图(边权为 1),求任意两点 u,v 间从 uv ,长度为 k 的路径的条数。

我们把该图的邻接矩阵 M 取 k 次幂,那么 M_{i,j} 就表示从 ij 长度为 k 的路径的数目。该算法的复杂度是 O(n^3 \log k) 。有关该算法的细节请参见 矩阵 页面。

模意义下大整数乘法

计算 a\times b\bmod m,\,\,a,b\le m\le 10^{18}

与二进制取幂的思想一样,这次我们将其中的一个乘数表示为若干个 2 的整数次幂的和的形式。因为在对一个数做乘 2 并取模的运算的时侯,我们可以转化为加减操作防止溢出。这样仍可以在 O (\log_2 m) 的时内解决问题。递归方法如下:

a \cdot b = \begin{cases} 0 &\text{if }a = 0 \\\\ 2 \cdot \frac{a}{2} \cdot b &\text{if }a > 0 \text{ and }a \text{ even} \\\\ 2 \cdot \frac{a-1}{2} \cdot b + b &\text{if }a > 0 \text{ and }a \text{ odd} \end{cases}

注意:你也可以利用双精度浮点数在常数时间内计算大整数乘法。因为 a\times b\bmod m=a\times b-\left\lfloor\frac{a\times b}{m}\right\rfloor m 。由于 a,b<m ,因此 \left\lfloor\frac{a\times b}{m}\right\rfloor<m ,于是可以用双精度浮点数计算这个分式。作差的时侯直接自然溢出。因为两者的差是一定小于 m 的,我们只关心低位。这样再调整一下正负性就行了。更多信息参见 这里

高精度快速幂

前置技能

请先学习 高精度

例题【NOIP2003 普及组改编·麦森数】(原题在此

题目大意:从文件中输入 P(1000<P<3100000),计算 2^P−1 的最后 100 位数字(用十进制高精度数表示),不足 100 位时高位补 0。

代码实现如下:

#include <bits/stdc++.h>
using namespace std;
int a[505], b[505], t[505], i, j;
int mult(int x[], int y[])  // 高精度乘法
{
  memset(t, 0, sizeof(t));
  for (i = 1; i <= x[0]; i++) {
    for (j = 1; j <= y[0]; j++) {
      if (i + j - 1 > 100) continue;
      t[i + j - 1] += x[i] * y[j];
      t[i + j] += t[i + j - 1] / 10;
      t[i + j - 1] %= 10;
      t[0] = i + j;
    }
  }
  memcpy(b, t, sizeof(b));
}
void ksm(int p)  // 快速幂
{
  if (p == 1) {
    memcpy(b, a, sizeof(b));
    return;
  }
  ksm(p / 2);
  mult(b, b);
  if (p % 2 == 1) mult(b, a);
}
int main() {
  int p;
  scanf("%d", &p);
  a[0] = 1;
  a[1] = 2;
  b[0] = 1;
  b[1] = 1;
  ksm(p);
  for (i = 100; i >= 1; i--) {
    if (i == 1) {
      printf("%d\n", b[i] - 1);
    } else
      printf("%d", b[i]);
  }
}

习题


评论