常系数齐次线性递推优化矩阵快速幂-bzoj4161-4944

---

常系数齐次线性递推式

$$f_k=\sum _{i=1}^n{a}_i{f}_{k-i}$$

形如上式的$dp$转移式($f$表示$dp$状态，$a$表示转移系数)即为常系数齐次线性递推式。对于这样的$dp$式，给定$f_{1,2,..,n},a_{1,2,...,n}$，即可递推出$f_k(k>n)$。

常系数：每一项均由前$n$项乘以固定系数得到。齐次：都为一次式。线性递推：显然。

矩阵快速幂优化上式达到$O(n^3\log k)$的复杂度(但这不是本文的重点)。

而常系数齐次线性递推式的转移矩阵的特征多项式可以$O(读入)$求出，所以通过特征多项式可以进一步优化到$O(n^2\log k)$，再进一步优化多项式取模后可以做到$O(n\log n\log k)$(本文讲解$O(n^2\log k)$的暴力取模方法)。

---

特征值&特征向量&特征多项式

设$A$为$n$阶矩阵，如果存在常数$\lambda$及非零向量$\vec{v}$，使得$A\vec{v}=\lambda \vec{v}$，则称$\lambda$为$A$的特征值(也称缩放系数)，非零向量$\vec{v}$为**$A$的对应于特征值$\lambda$的特征向量**。

则：
$A\vec{v}=\lambda \vec{v}⟺(\lambda I-A)\vec{v}=0$

其有非零解的充要条件：$det(\lambda I-A)=|\lambda I-A|=0$
($det(A),|A|$是矩阵$A$的行列式的两种等价的表示方式)
(并不会证明，似乎$det()=0$的一个矩阵可以想象成拍扁成了向量？而一个可逆的($det()̸=0$的矩阵乘上一个向量并不能得到0)。

方程$|\lambda I-A|=0$称为$A$的特征方程。

设$A=a(ij)$的秩(列秩/行秩)为$n$(令$A$是满秩的)，则$A$的有$n$组线性不相关特征值和特征向量(唔，证明没有找到)。
则有:
$(1){\lambda }_1+{\lambda }_2+...+{\lambda }_n=a_{11}+a_{22}+...+a_{}$