线性递推求乘法逆元

前置知识

x ≡ y ( m o d p ) x\equiv y\pmod p xy(modp) 表示 x % p = y % p x\%p=y\%p x%p=y%p
如果 a ⋅ a ′ ≡ 1 ( m o d p ) a·a'\equiv1 \pmod p aa1(modp),那么 a ′ a' a 称为 a a a 在模 p p p 意义下的乘法逆元。如果 p p p 是素数,可以用费马小定理+快速幂,结论: a ′ = a p − 2 ( m o d p ) a'=a^{p-2}\pmod p a=ap2(modp)。(如果想学的话可以看其他大佬的文章)但是如果 p p p 不是素数,或者时间复杂度不允许有 log ⁡ \log log 怎么办?

递推式推导

A = ⌊ p x ⌋ A=\lfloor \frac{p}{x} \rfloor A=xp B = p % x B=p\%x B=p%x
p = A ⋅ x + B → A ⋅ x + B ≡ 0 ( m o d p ) → A ⋅ x ≡ − B ( m o d p ) p=A·x+B \rightarrow A·x+B\equiv0\pmod p\rightarrow A·x\equiv-B\pmod p p=Ax+BAx+B0(modp)AxB(modp)
i n v [ i ] inv[i] inv[i] 表示 i i i 在模 p p p 意义下的乘法逆元。
A ⋅ x ⋅ i n v [ x ] ⋅ i n v [ B ] ≡ − B ⋅ i n v [ x ] ⋅ i n v [ B ] ( m o d p ) A·x·inv[x]·inv[B]\equiv-B·inv[x]·inv[B]\pmod p Axinv[x]inv[B]Binv[x]inv[B](modp)
由乘法逆元的定义可得:
A ⋅ i n v [ B ] ≡ − i n v [ x ] ( m o d p ) A·inv[B]\equiv-inv[x]\pmod p Ainv[B]inv[x](modp)
A A A B B B 代入:
⌊ p x ⌋ ⋅ i n v [ p % x ] ≡ − i n v [ x ] ( m o d p ) → i n v [ x ] = ( − ⌊ p x ⌋ ⋅ i n v [ p % x ] % p + p ) % p \lfloor \frac{p}{x} \rfloor·inv[p\%x]\equiv-inv[x]\pmod p\rightarrow inv[x]=(-\lfloor \frac{p}{x} \rfloor·inv[p\%x]\%p+p)\%p xpinv[p%x]inv[x](modp)inv[x]=(xpinv[p%x]%p+p)%p(化为非负数)
由于 p % x < x p\%x<x p%x<x p > x 且 p % x ≠ 0 p>x\text{且} p\%x\neq 0 p>xp%x=0(如果要算一个 ≥ p \ge p p x x x 的逆元,答案为 x % p x\%p x%p 的逆元),所以该递推式成立。

代码

#include<bits/stdc++.h>
using namespace std;
#define p 998244353
#define N 10000000 
long long inv[N];
void find_inv(){
	inv[1]=1;
	for(int i=2;i<=N;i++)
		inv[i]=(-p/i*inv[p%i]%p+p)%p;
}
int main(){
	find_inv();
	for(int i=1;i<=N;i++) printf("%lld ",inv[i]);
	printf("\n");
	return 0;
}
  • 14
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
动态规划是一种常用的解决问题的算法,其核心思想是将一个复杂的问题分解为多个子问题进行解,通过保存之前的状态来减少计算量,从而达到优化算法的目的。动态规划有两种解方式,一种是递推解法,另一种是记忆化搜索法。 递推解法是指从小到大依次计算子问题的解,逐步推导出整个问题的最优解。这种方法需要定义一个状态转移方程,通过状态转移方程来解问题。具体步骤如下: 1. 定义状态:将原问题拆分成若干个子问题,根据子问题定义状态。 2. 定义状态转移方程:根据子问题之间的关系,定义状态转移方程。 3. 确定边界条件:确定最小的子问题的解。 4. 递推解:根据状态转移方程从边界条件出发,逐步计算得到整个问题的解。 下面以斐波那契数列为例,介绍动态规划递推解法的具体实现过程。 假设要斐波那契数列的第n项的值,斐波那契数列的定义如下: f(0) = 0 f(1) = 1 f(n) = f(n-1) + f(n-2) (n>=2) 1. 定义状态 将原问题拆分成若干个子问题,根据子问题定义状态。对于斐波那契数列,我们可以将其拆分成n-1和n-2两个子问题,然后定义状态f(n)表示斐波那契数列的第n项的值。 2. 定义状态转移方程 根据子问题之间的关系,定义状态转移方程。对于斐波那契数列,由于f(n)依赖于f(n-1)和f(n-2),因此可以得到状态转移方程: f(n) = f(n-1) + f(n-2) 3. 确定边界条件 确定最小的子问题的解。对于斐波那契数列,边界条件为f(0)=0和f(1)=1。 4. 递推解 根据状态转移方程从边界条件出发,逐步计算得到整个问题的解。具体实现过程如下: ```python def fibonacci(n): if n == 0: return 0 elif n == 1: return 1 else: f = * (n+1) f = 0 f = 1 for i in range(2, n+1): f[i] = f[i-1] + f[i-2] return f[n] ``` 以上就是动态规划递推解法的具体实现过程。如果您有任何疑问或者其他相关问题,请随时提出。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值