线性递推数列_学习笔记

前置知识：线代基础（越多越好

发现了一位老哥写的笔记，精炼得相当到位 (这是博客地址嗷) 。

---

线性递推数列

基本性质

定理1.1.

对于无限数列 { a 0 , a 1 , a 2 . . . } \{a_0, a_1, a_2 ...\} {a0​,a1​,a2​...} 和有限非空数列 { r 0 , r 1 , r 2 . . . r m − 1 } \{r_0,r_1,r_2 ...r_{m−1}\} {r0​,r1​,r2​...rm−1​}，设数列 $a$ 和数列 $r$ 所对应的生成函数为 $A$ 和 $R$，数列 $r$ 为数列 $a$ 的线性递归式等价于存在次数不超过 $m-2$ 的多项式 $S$ 满足 $AR+S=0$。

定理1.2.

对于一个 $n\times n$ 的矩阵 $M$，无限数列 $I,M,M^2,M^3\cdot \cdot \cdot$ 是一个线性递推数列，它的最短线性递推式阶数不超过 $n$。

定理1.3.

由于太占篇幅了所以就略了。

定理1.4.

对于线性递推数列 $a_0,a_1,a_2...$，若它的最短线性递推式阶数不超过 $s$，那么 $a_0,a_1,a_2...a_{s+s-1}$ 的最短线性递推式即为 a 的最短线性递推式。

求数列的最小线性递推式，BM算法

zzq的博客 Berlekamp-Massey算法简单介绍

常见应用

求向量列、矩阵列最小线性递推式

考虑求 $n$ 维行向量列 { t 0 , t 1 , t 2 . . . } \{t_0, t_1, t_2...\} {t0​,t1​,t2​...} 的线性递推式。假设考虑在模 $p$ 意义下随机 一个 $n$ 维列向量 $v$，转而计算 { t 0 v , t 1 v , t 2 v . . . } \{t_0v, t_1v, t_2v...\} {t0​v,t1​v,t2​v...} 这个标量序列的最短线性递推式。根据SchwartzZippel引理，正确率至少为 $\frac{p-n}{n}$ 。列向量同理。
对于大小为 $n\times m$ 的矩阵就先乘以一个长度为 $m$ 的随机的列向量，转而成为求向量列递推式即可。

求矩阵最小多项式

$n\times n$ 的矩阵 $M$ 的最小多项式是次数最小使得 $f(M)=0$ 的多项式 $f$ 。
对于方阵 $M$ ，其最小多项式即为矩阵列 $I,M,M^2...$ 的最短线性递推式，直接求解即可。时间复杂度 $O(n^3)$ 。若矩阵中有 $e$ 个非 $0$ 位置，则时间复杂度可降为 $O(n(n+e))$ 。

优化动态规划

已知一个递推式 $f(i,j)={\sum }_{t=0}^{m-1}f(i-1,t)c(t,j)$ ，需要求出 $f(n,j),j\in [0,m)$ 。记 $F(i)$ 为 $f(i,j)(j\in [0,m))$ 的行向量，$C$ 为 $c$ 对应的矩阵，则 $F(n)=F(0)C^n$ 。所以 $F(0),F(1)...F(n)$ 是线性递推数列，用求线性递推数列的某一项的方法求出即可。时间复杂度 $O(m^3+m\log (m)\log (n))$ ，比直接矩阵快速幂只少了一个 $\log$ ，所以十分没用。

解稀疏线性方程组

有一个 $n\times n$ 的满秩矩阵 $A$ 和一个长度为 $n$ 的行向量 $b$，我们需要求出一个长度为 $n$ 的行向量 $x$ 满足 $Ax=b$，即 $x=A^{-1}b$ 。
设 $b,Ab,A^{2}b...$ 的最短线性递推式为 $r_0...r_m$ ，有 ${\sum }_{i=0}^m{A}^{i}b{r}_{m-i}=0$ ，两遍同时左乘 $A^{-1}$，再移项可得 $A^{-1}b=-\frac{1}{r_m}{\sum }_{i=0}^{m-1}{A}^{i}b{r}_{m-i-1}$。若 $A$ 中有 $e$ 个非 $0$ 位置，则时间复杂度为 $O(n(n+e))$ 。

求稀疏矩阵行列式

已知一个大小大小为 $n\times n$ 的满秩矩阵 $A$，求 $det(A)$ 对 $p$ 取模的值。
随机一个大小和 $A$ 相等对角矩阵 $B$ ，至少有 $1-\frac{2n^2-n}{p}$ 的概率 $AB$ 的最小多项式就是其特征多项式，又因为特征多项式的常数等于行列式乘以 $(-1{)}^n$ ，所以我们就能求出 $det(AB)$ ，最后 $det(A)=\frac{det(AB)}{det(B)}$ 。若 $A$ 中有 $e$ 个非 $0$ 位置，则时间复杂度为 $O(n(n+e))$ 。