常系数齐次线性递推优化矩阵快速幂

一般矩阵快速幂的形式 :
$$f(n)=\sum _{i=1}^{k_1}{a}_{i}f(n-i)+\sum _{i=1}^{k_2}{b}_{i}g(n-i)+c$$
可以做到$k^3\log n$的递推，在某些特殊转移下，有更加快速的方法。

若有如下转移
$$f(n)=\sum _{i=1}^k{a}_{i}f(n-i)$$
这就是常系数线性递推的基本形式。一般可以做到$k\log k\log n$，比较简单的写法也可以做到$k^2\log n$，下面介绍如何优化。

##特征多项式
前置技能：矩阵的秩

特征值，特征向量:
若有常数$\lambda$,向量$\vec{v}$，满足$\lambda \vec{v}=A\vec{v}$，则称向量$\vec{v}$为矩阵$A$的一组特征向量，$\lambda $为矩阵$A$的一组特征值。
秩为k的矩阵有k组线性不相关的特征向量。

特征多项式
对关系式进行变换：$(\lambda I-A)\vec{v}=0$。
这个等式有非零解的充要条件是$det(\lambda I-A)=0$,即为矩阵不满秩。
可以得到一个$k$次多项式，这个多项式的值等于0时把这个方程称为矩阵$A$的特征方程。这个多项式称为矩阵$A$的特征多项式。
k个解自然就是$k$个特征值辣（并不需要解出来，怎么处理后面会说）！

跟据算数基本定理，最终的多项式有k个解，可以写作$f(x)={\Pi }_i({\lambda }_i-x)$，而且带入$A$矩阵本身会得到$0$矩阵(Cayley-Hamilton 定理)。

证明：
（下面的证明是博主以前学OI的时候写的一种比较复杂的证明，其实可以直接用伴随矩阵来证明）
$$f(A)={\Pi }_i({\lambda }_{i}I-A)$$
考虑将$f(A)$得到的矩阵分别乘特征向量，如果最后都得到了0矩阵，因为这几个特征向量线性不相关，那么可证明$f(A)$乘以任意向量都会得到$0$矩阵，从而$A$为$0$矩阵。

现在问题转化为证明$f(A)$乘任意特征向量值得到$0$矩阵。首先证明$({\lambda }_{i}I-A)({\lambda }_{j}I-A)=({\lambda }_{j}I-A)({\lambda }_{i}I-$