投稿作者 OIer,目前对计算机及算法的了解主要在信息学竞赛方面。
本文主要讲解平方求幂(快速幂)相关,凡涉及大整数,都会进行对定值取模等处理,所以存储越界导致的错误、位数过多导致的单次运算缓慢的问题,不在考虑范围之内。
“幂”在许多地方常被用到,如 Hash 相关、费马小定理、进制转换等。
一般来说,我们要求 ,只需要将 乘 次即可,时间复杂度为 。
但有时, 极大,这种方法需要的时间开销是不可接受的。
比如,求 。
如果我们直接计算多个这样的式子,至少在目前主流计算机中,所用时间以分钟计。
我们考虑如何优化对 的计算。
以计算 为例。
我们发现, ,所以我们可以先计算出 ,再计算 。
于是我们想到一种方法:先计算 ,
再计算 。
这样,我们就可以通过把 分解为约 个大小为 的块,将时间复杂度由 降为 。
事实上,如果递归下去,这个做法可以做到 ,但常数较大,经测试速度约为下面两种做法的 。
我们仍然以 为例,考虑一下 可以表示成什么。
我们考虑 ,于是我们考虑通过 的值求出 。设 ,有:
这样我们就可以写出一份递归的伪代码:
function power(a, n):
if n = 0 then return 1
t := power(a, (n - n mod 2) / 2)
if n mod 2 = 1
then: return t^2 * a
else: return t^2
每次将数据规模缩小为原来的一半,这种方法的时空复杂度是 。
接下来仍然以计算 为例,假设你什么也不知道,只会由小向大计算,那么:
第一次乘法,只能计算 。
第二次,考虑得到尽量大的值,于是计算得 。
第三次,进一步, 。
我们发现,第 次可以得到 。
。
……
第 次,
第 次,。
第 次, 。
第 次, 。
先计算存储下来再求值,不失为一种好方法;但亦可以在计算 的同时判断 分解为 的幂(即转为 进制)后是否含 ,边计算边乘。
形式化地,对于 位,其代表的幂 为 ( )。
这样,我们由低位向高位计算,每次将底数平方即可。
下面两份伪代码,分别对应这种方法的如上两种实现。
function power(a, n):
pow[0...log n], pow[0] := 1
for i: 1 to inf
if (2^i > n) break
else pow[i] = pow[i - 1]^2
res := 1
for i: 1 to inf
if (2^i > n) break
else:
if (n bitand 2^i) res = res * pow[i]
return res
# n bitand 2^i 可理解为 n 在二进制表示下含 2^i 位
function power(a, n):
res := 1, p := a
while n > 0:
if (n bitand 1) then res = res * a
p = p^2, n = n >> 1
return res
# bitand 表示按二进制位与,>> 表示按二进制位右移(可理解为除以 2 下取整)。
这样的时间复杂度仍为 ,空间复杂度为 。
这种方法,就是平方求幂,也叫快速幂。
在一些其他的地方,也会用到这种思想。
比如:求 , 。
要知道,绝大部分语言中,能存储的最大整数都只是 。如果我们直接计算,可能会自然溢出造成答案错误。
这时,我们就想到平方求幂的思想。
我们考虑, ,于是我们考虑通过 求出 。即:
function times(a, b, m):
if b = 0 then return 0
t := times(a, (b - b mod 2) / 2, m)
if b mod 2 = 1
then: return ((t + t) mod m + a mod m) mod m
else: return (t + t) mod m
同样地,也可以对 进行二进制拆分。
function power(a, b, m):
res := 0
while b > 0:
if (b bitand 1) then res = (res + a) mod m
a = (a + a) mod m, b = b >> 1
return res
# bitand 表示按二进制位与,>> 表示按二进制位右移(可理解为除以 2 下取整)。
这样,我们用 的时间复杂度算出了大数乘积取模的值。俗称“龟速乘”。
事实上,平方求幂的思想,在任何具有结合律的、参与运算的数据相同的运算中,都可以使用。
如矩阵乘法等。
好了,快速求幂的方法就讲到这里,如果对你有哦帮助,欢迎点赞哦~~