快速幂
快速幂(Fast Exponentiation)算法 解决这样一个问题:求解自然数的指数运算。计算 \(a^b\) 时,按照指数定义的朴素的方法是通过连续相乘:
\[a^b = \underbrace{a \times a \times \cdots \times a}_{b\text{次}} \]
这种方法需要进行 \(b-1\) 次乘法,当 \(b\) 很大时(如 \(10^9\)),时间复杂度 \(O(b)\) 是完全不可接受的。
快速幂通过巧妙的二进制分解技术,将幂运算的时间复杂度从 \(O(b)\) 优化到 \(O(\log b)\)。
考虑计算 \(a^{13}\),将指数 13 用二进制表示:
\[13 = 1101_2 = 2^3 + 2^2 + 0 + 2^0 = 8 + 4 + 0 + 1 \]
因此:
\[a^{13} = a^{8 + 4 + 0 + 1} = a^8 \times a^4 \times a^0 \times a^1 \]
而 a\^8 = (a\^4) \^2 = ((a\^2) \^2) \^2 ,分解后的幂次很容易计算
算法流程:
- 初始化结果 1
- 从最低位开始检查指数的二进制位
- 如果当前位为 1,将当前的底数(\(a^{2^x}\))乘入结果
- 底数不断平方(不断计算 \(a^0,a^1,a^2...\)),指数右移一位
- 重复直到指数的最高位 1 也被遍历
快速幂算法也可以从递归的角度来理解,这种理解方式更加直观。
\[a^b = \begin{cases} 1 & \text{if } b = 0 \\ (a^{b/2})^2 & \text{if } b \text{ is even} \\ a \times (a^{(b-1)/2})^2 & \text{if } b \text{ is odd} \end{cases} \]
cpp
long long quick_pow(long long base, long long exp) {
long long res = 1;
while (exp) {
if (exp & 1) {
res *= base;
}
base *= base;
exp >>= 1;
}
return res;
}
带模数版本
更多的时候,我们要求解的是 \(a^b \bmod m\)。这也可以用快速幂思想解决。快速幂模数版本的正确性基于模运算的分配律:
\[(a \times b)\bmod m = [(a \bmod m) \times (b \bmod m)] \bmod m \]
因此,我们可以直接对 a 取模,同时在算法每一步中,我们都对中间结果取模,这保证了最终结果的正确性,同时防止数值溢出。
不过我们不能 直接对指数取模。指数 \(b\) 必须保持原值,因为:
\[a^b \bmod m \neq a^{b \bmod m} \bmod m \]
当然,既然复杂度是对数的,所以 \(b\) 大一些一般也无所谓。
cpp
long long quick_pow(long long base, long long exp, long long mod) {
long long res = 1;
base %= mod; // 先取模,防止初始base过大
while (exp) {
if (exp & 1) {
res = (res * base) % mod;
}
base = (base * base) % mod;
exp >>= 1;
}
return res;
}
不过,在某些特定情况下,我们可以使用欧拉定理来化简指数:
欧拉定理 :如果 \(a\) 和 \(m\) 互质(即 \(\gcd(a, m) = 1\)),那么:
\[a^{\phi(m)} \equiv 1 \pmod{m} \]
其中 \(\phi(m)\) 是欧拉函数,表示小于 \(m\) 且与 \(m\) 互质的正整数的个数。
所以当 \(a\) 和 \(m\) 互质时,我们可以将指数对 \(\phi(m)\) 取模:
\[a^b \mod m = a^{b \mod \phi(m)} \mod m \]
这在某些数学和密码学应用中很有用,但不是快速幂算法的必要部分。代码略。
快速幂方法的时间复杂度是 \(O(\log b)\),循环次数等于指数的二进制位数,效率极高。
演示 :计算 \(3^{13} \mod 100\)
指数 13 = 1101(二进制)
初始化: res = 1, base = 3
第1轮 (最低位为1): res = 1×3 = 3, base = 3² = 9
第2轮 (位为0): res = 3, base = 9² = 81
第3轮 (位为1): res = 3×81 = 243 ≡ 43, base = 81² = 6561 ≡ 61
第4轮 (位为1): res = 43×61 = 2623 ≡ 23
结果: 3¹³ ≡ 23 (mod 100)
快速乘(防治溢出)
同样的思想也可以应用到乘法本身中。两个 32 位整数相乘,范围将达到 64 位;两个 64 位整数相乘,范围将达到 128 位。同样大小的数无法装入正确的结果。
快速乘(又称"龟速乘")模仿快速幂的思想,将乘法运算转换为加法运算。核心思路是将 \(a \times b\) 看作是 \(b\) 个 \(a\) 相加,然后利用二进制分解来优化,这样就可以在中间结果下取模。
对于 \(a \times b\),将 \(b\) 二进制分解:
\[b = \sum_{i=0}^{k} b_i \cdot 2^i \quad \text{其中 } b_i \in \{0,1\} \]
那么:
\[a \times b = a \times \sum_{i=0}^{k} b_i \cdot 2^i = \sum_{i=0}^{k} b_i \cdot (a \cdot 2^i) \]
cpp
typedef long long ll;
// 快速乘:返回 (a * b) % mod,防止中间过程溢出
ll quick_mul(ll a, ll b, ll mod) {
ll res = 0;
a %= mod;
while (b) {
if (b & 1) {
res = (res + a) % mod;
}
a = (a + a) % mod; // a = 2a,相当于左移一位
b >>= 1;
}
return res;
}
// 使用快速乘的快速幂
ll quick_pow_safe(ll base, ll exp, ll mod) {
ll res = 1;
base %= mod;
while (exp) {
if (exp & 1) {
res = quick_mul(res, base, mod); // 关键替换!
}
base = quick_mul(base, base, mod); // 关键替换!
exp >>= 1;
}
return res;
}
方法 | 时间复杂度 | 空间复杂度 | 防溢出能力 |
---|---|---|---|
直接乘法 | \(O(1)\) | \(O(1)\) | 无 |
快速乘 | \(O(\log n)\) | \(O(1)\) | 有 |
快速乘通过 \(O(\log n)\) 次加法替代 \(O(1)\) 次乘法,实际上更慢了,所以也叫做"龟速乘",这属于用时间换取了数值安全性。
浮点幂
如果是底数浮点,指数自然数,那么直接应用快速幂没有任何问题。但若指数是浮点数,这个问题会麻烦的多:浮点数指数无法直接进行二进制位操作,且误差会随着运算的拆分不断累积。
相比之下浮点幂的主要思想是利用自然对数变换法来计算浮点幂:
\[a^b = e^{b \cdot \ln(a)} \]
其中,自然对数和指数是常见且重要的函数,有快速且精确的办法来实现。
常见的库(如C++ <cmath>
、Intel MKL、GNU Scientific Library)采用此类核心思路。
cpp
// 伪代码示意
if (a == 0.0) {
if (b > 0) return 0.0;
if (b == 0) return 1.0; // 或 NaN,依标准而定
return INFINITY; // 或报错
}
if (a == 1.0) return 1.0;
if (b == 0.0) return 1.0;
if (b == 1.0) return a;
result = exp(b * log(a)); # 对于一般情况
矩阵快速幂
已知矩阵 \(A\),由于矩阵乘法满足结合律,指数为自然数时,仍可以利用快速幂思想求解 \(A^n\)。这最其深刻、最实用的扩展之一。它将快速幂的核心理念从标量运算成功迁移到了线性代数领域。
\[A^n = \begin{cases} I & \text{if } n = 0 \\ (A^{n/2})^2 & \text{if } n \text{ is even} \\ A \times (A^{(n-1)/2})^2 & \text{if } n \text{ is odd} \end{cases}\]
cpp
typedef vector<vector<long long>> Matrix;
Matrix matrixMultiply(const Matrix& A, const Matrix& B, long long mod) {
int n = A.size();
Matrix C(n, vector<long long>(n, 0));
for (int i = 0; i < n; i++) {
for (int j = 0; j < n; j++) {
for (int k = 0; k < n; k++) {
C[i][j] = (C[i][j] + A[i][k] * B[k][j]) % mod;
}
}
}
return C;
}
Matrix matrixPow(Matrix base, long long exp, long long mod) {
int n = base.size();
// 初始化单位矩阵
Matrix res(n, vector<long long>(n, 0));
for (int i = 0; i < n; i++) {
res[i][i] = 1;
}
while (exp > 0) {
if (exp & 1) {
res = matrixMultiply(res, base, mod);
}
base = matrixMultiply(base, base, mod);
exp >>= 1;
}
return res;
}
经典案例:斐波那契数列的矩阵解法
斐波那契数列的递推关系:
\[F(n) = F(n-1) + F(n-2) \]
可以表示为矩阵形式:
\[\begin{bmatrix} F(n) \\ F(n-1) \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix} \times \begin{bmatrix} F(n-1) \\ F(n-2) \end{bmatrix}\]
递推得到:
\[\begin{bmatrix} F(n) \\ F(n-1) \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix}^{n-1} \times \begin{bmatrix} F(1) \\ F(0) \end{bmatrix}\]
由于我们可以快速计算矩阵的幂,我们就绕过了斐波那契数列的定义,使用对数次矩阵乘法的时间直接计算出了某一项。
cpp
long long fibonacci_matrix(long long n, long long mod) {
if (n == 0) return 0;
if (n == 1) return 1;
Matrix base = {{1, 1}, {1, 0}};
Matrix result = matrixPow(base, n - 1, mod);
return result[0][0]; // F(n)
}
更一般的,对于 k 阶线性递推:
\[a_n = c_1a_{n-1} + c_2a_{n-2} + \cdots + c_ka_{n-k} \]
构造转移矩阵:
\[M = \begin{bmatrix} c_1 & c_2 & \cdots & c_{k-1} & c_k \\ 1 & 0 & \cdots & 0 & 0 \\ 0 & 1 & \cdots & 0 & 0 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ 0 & 0 & \cdots & 1 & 0 \end{bmatrix}\]
则:
\[\begin{bmatrix} a_n \\ a_{n-1} \\ \vdots \\ a_{n-k+1} \end{bmatrix} = M^{n-k+1} \times \begin{bmatrix} a_{k-1} \\ a_{k-2} \\ \vdots \\ a_0 \end{bmatrix}\]