百科名片
快速幂,二进制取幂(Binary Exponentiation,也称平方法),是一个在 Θ ( log n ) \Theta(\log n) Θ(logn) 的时间内计算 a n a^n an 的小技巧,而暴力的计算需要 Θ ( n ) \Theta(n) Θ(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 a a a 的 n n n 次方表示将 n n n 个 a a a 乘在一起: a n = a × a ⋯ × a ⏟ n 个 a a^{n} = \underbrace{a \times a \cdots \times a}_{n\text{ 个 a}} an=n 个 a a×a⋯×a 。然而当 a , n a,n 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 ⋅ a c , a 2 b = a b ⋅ a b = ( a b ) 2 a^{b+c} = a^b \cdot a^c,\,\,a^{2b} = a^b \cdot a^b = (a^b)^2 ab+c=ab⋅ac,a2b=ab⋅ab=(ab)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 n n 表示为 2 进制,举一个例子:
3 13 = 3 ( 1101 ) 2 = 3 8 ⋅ 3 4 ⋅ 3 1 3^{13} = 3^{(1101)_2} = 3^8 \cdot 3^4 \cdot 3^1 313=3(1101)2=38⋅34⋅31
因为 n n n 有 ⌊ log 2 n ⌋ + 1 \lfloor \log_2 n \rfloor + 1 ⌊log2n⌋+1 个二进制位,因此当我们知道了 a 1 , a 2 , a 4 , a 8 , … , a 2 ⌊ log 2 n ⌋ a^1, a^2, a^4, a^8, \dots, a^{2^{\lfloor \log_2 n \rfloor}} a1,a2,a4,a8,…,a2⌊log2n⌋ 后,我们只用计算 Θ ( log n ) \Theta(\log n) Θ(logn) 次乘法就可以计算出 a n a^n an 。
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 2^k 2k 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:
3 1 = 3 3 2 = ( 3 1 ) 2 = 3 2 = 9 3 4 = ( 3 2 ) 2 = 9 2 = 81 3 8 = ( 3 4 ) 2 = 8 1 2 = 6561 \begin{aligned} 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{aligned} 31323438=3=(31)2=32=9=(32)2=92=81=(34)2=812=6561
因此为了计算 3 13 3^{13} 313 ,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 ⋅ 81 ⋅ 3 = 1594323 3^{13} = 6561 \cdot 81 \cdot 3 = 1594323 313=6561⋅81⋅3=1594323
将上述过程说得形式化一些,如果把 n n n 写作二进制为 ( n t n t − 1 ⋯ n 1 n 0 ) 2 (n_tn_{t-1}\cdots n_1n_0)_2 (ntnt−1⋯n1n0)2 ,那么有:
n = n t 2 t + n t − 1 2 t − 1 + n t − 2 2 t − 2 + ⋯ + n 1 2 1 + n 0 2 0 n = n_t2^t + n_{t-1}2^{t-1} + n_{t-2}2^{t-2} + \cdots + n_12^1 + n_02^0 n=nt2t+nt−12t−1+nt−22t−2+⋯+n121+n020
其中 n i ∈ 0 , 1 n_i\in{0,1} ni∈0,1 。那么就有
a n = ( a n t 2 t + ⋯ + n 0 2 0 ) = a n 0 2 0 × a n 1 2 1 × ⋯ × a n t 2 t \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} an=(ant2t+⋯+n020)=an020×an121×⋯×ant2t
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 2^i 2i 项推出 2 i + 1 2^{i+1} 2i+1 项。
这个算法的复杂度是 Θ ( log n ) \Theta(\log n) Θ(logn) 的,我们计算了 Θ ( log n ) \Theta(\log n) Θ(logn) 个 2 k 2^k 2k 次幂的数,然后花费 Θ ( log n ) \Theta(\log n) Θ(logn) 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 m o d m x^n\bmod m xnmodm 。
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 m m 是一个质数,我们可以计算 x n m o d ( m − 1 ) x^{n\bmod (m-1)} xnmod(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 n n n 项 F n F_n Fn 。
根据斐波那契数列的递推式 F n = F n − 1 + F n − 2 F_n = F_{n-1} + F_{n-2} Fn=Fn−1+Fn−2 ,我们可以构建一个 2 × 2 2\times 2 2×2 的矩阵来表示从 F i , F i + 1 F_i,F_{i+1} Fi,Fi+1 到 F i + 1 , F i + 2 F_{i+1},F_{i+2} Fi+1,Fi+2 的变换。于是在计算这个矩阵的 n n n 次幂的时侯,我们使用快速幂的思想,可以在 Θ ( log n ) \Theta(\log n) Θ(logn) 的时间内计算出结果。
多次置换
问题描述
给你一个长度为 n n n 的序列和一个置换,把这个序列置换 k k k 次。
简单地把这个置换取 k k k 次幂,然后把它应用到序列 n n n 上即可。时间复杂度是 O ( n log k ) O(n \log k) O(nlogk) 的。
注意:给这个置换建图,然后在每一个环上分别做 k k k 次幂(事实上做一下 k k 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 ) O(n) O(n) 的复杂度。
加速几何中对点集的操作
三维空间中, n n n 个点 p i p_i pi ,要求将 m m m 个操作都应用于这些点。包含 3 种操作:
- 沿某个向量移动点的位置(Shift)。
- 按比例缩放这个点的坐标(Scale)。
- 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 k 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 ⋅ l e n g t h ) O(n \cdot length) O(n⋅length) 的时间内将这些变换应用到这个 n n n 个点,其中 l e n g t h length 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:
- Shift 操作:将每一维的坐标分别加上一个常量;
- Scale 操作:把每一维坐标分别乘上一个常量;
- 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 × 4 4\times 4 4×4 的矩阵来表示:
[ 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 ] \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} ⎣⎢⎢⎡a11a21a31a41a12a22a32a42a13a23a33a43a14a24a34a44⎦⎥⎥⎤
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):
[ 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 ] ⋅ [ x y z 1 ] = [ x ′ y ′ z ′ 1 ] \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} ⎣⎢⎢⎡a11a21a31a41a12a22a32a42a13a23a33a43a14a24a34a44⎦⎥⎥⎤⋅⎣⎢⎢⎡xyz1⎦⎥⎥⎤=⎣⎢⎢⎡x′y′z′1⎦⎥⎥⎤
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:
-
Shift 操作:让 x x x 坐标方向的位移为 5 5 5 , y y y 坐标的位移为 7 7 7 , z z z 坐标的位移为 9 9 9 :
[ 1 0 0 5 0 1 0 7 0 0 1 9 0 0 0 1 ] \begin{bmatrix} 1 & 0 & 0 & 5 \\ 0 & 1 & 0 & 7 \\ 0 & 0 & 1 & 9 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix} ⎣⎢⎢⎡1000010000105791⎦⎥⎥⎤
-
Scale 操作:把 x x x 坐标拉伸 10 倍, y , z y,z y,z 坐标拉伸 5 倍:
[ 10 0 0 0 0 5 0 0 0 0 5 0 0 0 0 1 ] \begin{bmatrix} 10 & 0 & 0 & 0 \\ 0 & 5 & 0 & 0 \\ 0 & 0 & 5 & 0 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix} ⎣⎢⎢⎡10000050000500001⎦⎥⎥⎤
-
Rotate 操作:绕 x x x 轴旋转 θ \theta θ 弧度,遵循右手定则(逆时针方向)
[ 1 0 0 0 0 cos θ sin θ 0 0 − sin θ cos θ 0 0 0 0 1 ] \begin{bmatrix} 1 & 0 & 0 & 0 \\ 0 & \cos \theta & \sin \theta & 0 \\ 0 & -\sin \theta & \cos \theta & 0 \\ 0 & 0 & 0 & 1 \\ \end{bmatrix} ⎣⎢⎢⎡10000cosθ−sinθ00sinθcosθ00001⎦⎥⎥⎤
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 ) O(m \log k) O(mlogk) 计算出整个变换序列最终形成的矩阵。最后将它应用到 n n n 个点上,总复杂度 O ( n + m log k ) O(n + m \log k) O(n+mlogk) 。
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 u,v u,v 间从 u u u 到 v v v ,长度为 k k 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 M_{i,j} Mi,j 就表示从 i i i 到 j j j 长度为 k k k 的路径的数目。该算法的复杂度是 O ( n 3 log k ) O(n^3 \log k) O(n3logk) 。
模意义下大整数乘法
计算 a × b m o d m , a , b ≤ m ≤ 1 0 18 a\times b\bmod m,\,\,a,b\le m\le 10^{18} a×bmodm,a,b≤m≤1018 。
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 ) O (\log_2 m) O(log2m) 的时内解决问题。递归方法如下:
a ⋅ b = { 0 if a = 0 2 ⋅ a 2 ⋅ b if a > 0 and a even 2 ⋅ a − 1 2 ⋅ b + b if a > 0 and a odd 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} a⋅b=⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧02⋅2a⋅b2⋅2a−1⋅b+bif a=0if a>0 and a evenif a>0 and a odd
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 × b m o d m = a × b − ⌊ a × b m ⌋ m a\times b\bmod m=a\times b-\left\lfloor\frac{a\times b}{m}\right\rfloor m a×bmodm=a×b−⌊ma×b⌋m 。由于 a , b < m a,b<m a,b<m ,因此 ⌊ a × b m ⌋ < m \left\lfloor\frac{a\times b}{m}\right\rfloor<m ⌊ma×b⌋<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 m m 的,我们只关心低位。这样再调整一下正负性就行了。
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 2^P−1 2P−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]);
}
return 0;
}