Miller-Rabin与Pollard-Rho算法（素性测试与质因数分解）

最新推荐文章于 2021-08-03 21:55:40 发布

dianweinie5108

最新推荐文章于 2021-08-03 21:55:40 发布

阅读量260

点赞数 1

原文链接：http://www.cnblogs.com/ftotl/p/11556442.html

版权

前置

费马小定理（即若P为质数，则\(A^P\equiv A \pmod{P}\)）。
欧几里得算法（GCD）。
快速幂，龟速乘。

素性测试

引入

素性测试是OI中一个十分重要的事，在数学毒瘤题中有着举足轻重的地位。
常见的素性测试如下：

int check(int N){
    for(int i=2;i*i<=N;i++)
        if(N%i==0)return 0;
    return 1;
}

以上是一个\(O(\sqrt{N})\)的算法，虽然不优，但在绝大多数情况下是可以的。
但是，假如\(N\)的范围达到了\(1e18\)，以上算法很明显就不行了，我们得考虑更优的算法。
引入Miller-Rabin算法。

定理1

定理1：如果\(P\)为一个大于2的素数，那么方程\(X^2\equiv1 \pmod{P}\)的解只有1或者-1。

~~（是真得水的）~~ 证明如下：
由\(X^2\equiv1 \pmod{P}\)，得\((X^2-1)\equiv0 \pmod{P}\)，
即\({(X+1)(X-1)}\equiv0 \pmod{P}\)。
则\(P | (X+1)\)或\(P|(X-1)\)，
即\((X+1)\equiv0 \pmod{P}\)或\((X-1)\equiv0 \pmod{P}\)。
则\(X\equiv-1 \pmod{P}\)或\(X\equiv1 \pmod{P}\)，即证。
（注:由于P>2，不能同时满足\(X\equiv-1 \pmod{P}\)与\(X\equiv1 \pmod{P}\)。）

定理1的延伸

定理1的逆否定理即为：
如果有\(P>2\)且\(X^2\equiv1 \pmod{P}\)且\(X\not\in\{1,-1\}\)，则\(P\)不为质数。

证明如下：
假设\(P\)为质数，则\(P\)满足定理1，即方程\(X^2\equiv1 \pmod{P}\)的解只有1或者-1。
与条件矛盾，故\(P\)不为质数。

Miller-Rabin

基于以上定理，我们可以开始了。
假如我们要验证\(P(P>2)\)是否是一个质数。

先设\(P\)是一个素数。
那么对于所有满足\(A^2\equiv1 \pmod{P}\)的整数\(A\)，都有\(A\in\{1,-1\}\)。
但如果我们枚举\(A\)来暴力判断，则复杂度又上升到了\(O(N)\)。
（不妨令\(A<P\)，以下\(A\)均小于\(P\)）

考虑做判断时，如何快速的找到满足\(A^2\equiv1 \pmod{P}\)的整数\(A\)。
我们考虑将\((P-1)\)分解成\(2^S·D\)的形式，其中\(D\)为奇数。
（由于\(P>2\)且\(P\)为素数，则\((P-1)\)为偶数，即\(S\ge1\)）
则根据费马小定理，有
\[A^{P-1}\equiv 1\pmod{P}\]
\[A^{2^S·D}\equiv 1\pmod{P}\]
\[({A^{2^{S-1}·D}})^2\equiv 1\pmod{P}\]
则此时\(A^{2^{S-1}·D}\)又变成了在\(A^2\equiv1 \pmod{P}\)的新的\(A\)值。
不妨设\(A\)值数组为\(\{A_0,A_2,A_3,A_4....A_{S-1}\}\)，其中\(A_i=A^{2^i·D}\)。
（注：不难发现对于任意满足\(0<i<S\)的\(i\)，都有\(A_i=2·A_{i-1}\)）
这样的话对于每个初始值\(A\)，我们可以知道所构成的\(A\)数组值。
此时我们可以考虑从\(A_0\)走到\(A_{S-1}\)（即从\(A^D\)到\(A^{2^{S-1}·D}\)）。

①考虑初始情况的\(A_0\)（即为\(A^D\)），
它如果满足\(A_0\equiv1 \pmod{P}\)或\(A_0\equiv-1 \pmod{P}\)。
则对于任意\(A_i\)（\(0<i< S\)），都有\(A_i\equiv1 \pmod{P}\)，即通过本次测试。
（注：通过测试只能说明它可能为素数，而没通过则说明它一定不是素数。）

②考虑过程中的情况：设有一满足\(0<t<S\)的\(t\)。

若有\(A_t\equiv-1\pmod{P}\)，则说明
对于任意满足\(t<i<S\)的\(i\)，都有\(A_i\equiv1\pmod{P}\)，即通过此次测试。
若有\(A_t\equiv1\pmod{P}\)，则说明\({A_{t-1}}^2\equiv1\pmod{P}\)，
而\(A_{t-1}\)又不满足\(A_{t-1}\equiv-1\pmod{P}\)或\(A_{t-1}\equiv-1\pmod{P}\)，
因为如果\(A_{t-1}\)满足以上条件，则在上一次或\(A_0\)时就已经判了。
故存在一个\(A\)，使得\(A^2\equiv1\pmod{P}\)且\(A\not\in\{1,-1\}\)（定理1的延伸）。
故未通过此次测试。

注：若\(P(P>2)\)为素数：则\(A^2\equiv1\pmod{P}\)只有\(A\)满足
\(A\equiv1\pmod{P}\)或\(A\equiv-1\pmod{P}\)时满足（由定理1得）。
但\(A^2\equiv-1\pmod{P}\)对于\(A\)的取值却没有特殊性。

③考虑结尾情况：
若对于这一组\(A\)都没有一个\(A\)使得\(A^2\equiv1\pmod{P}\)，
则在判\(A_{S-1}\)时，实际上判的是\({({A^{2^{S-1}·D}})}^2\not\equiv1\pmod{P}\)
即\(A^{P-1}\not\equiv1\pmod{P}\)，故\(P\)不满足费马小定理，即\(P\)未通过测试。

为保证算法的正确性与高效性，
我们考虑随机化许多个整数\(A\)来多次判断使得\(P\)为素数的概率尽量大。
那么我们要随机多少次才能使得\(P\)素数的概率能让我们接受呢？
根据大佬们的研究表明，Prime是一个RP问题（通过大量数据来算概率），
而对于每次测试的期望失败概率是比\(\frac{1}{4}\)要小的。（通过试验得到的结论）
即我们做K次成功的测试然后判错\(P\)的概率即为\(4^{-K}\)。
这个失败率在代码中也是可以接受的。
（注：经过试验，当A值取\(\{2,3,5,7,11,13,17,19,23,29\}\)时，可以过long long级别的询问）

代码

int MillerTest(LL N){//素数测试
    if(N<=1||N==4)return 0;//特判N比较小情况
    if(N<=3)return 1;
    LL D=N-1;
    while(D%2==0)D/=2;
    for(int i=1;i<=PK;i++){
        if(Prime[i]>=N)return 1;
        int Ok=0;
        LL A=Prime[i];
        LL x=quick_Pow(A,D,N);
        if(x==1||x==N-1)
            continue;
        while(D!=N-1){
            x=quick_Mul(x,x,N);//龟速乘防爆long long
            D*=2;
            if(x==1)return 0;
            if(x==N-1){Ok=1;break;}
        }
        if(!Ok)return 0;
    }
    return 1;
}

质因数分解

引入（同上）

质因数分解是OI中一个十分重要的事，在数学毒瘤题中有着举足轻重的地位。
常见的质因数分解如下：

void divide(int N){
    for(int i=2;i*i<=N;i++){
        int cnt=0;
        while(N%i==0)cnt++,N/=i;
        if(cnt)printf("%d %d\n",i,cnt);
    }
    if(N!=1)printf("%d 1\n",N);
}

以上是一个\(O(\sqrt{N})\)的算法，虽然不优，但在绝大多数情况下是可以的。
但是，假如\(N\)的范围达到了\(1e18\)，以上算法很明显就不行了，我们得考虑更优的算法。
引入Pollard-Rho算法。

随机化

说起Pollard-Rho算法，我们可能不太熟悉。
但提到随机化，大家应该多少都有些了解。

//随机化找N的一个因数
int i=0;do{
    i=rand()%(N-2)+2;
}while(N%i);
printf("I found %d \n",i);

我们不难发现：随机化一次找到某个因数的概率十分小。
当\(N=P·Q\)时（\(P，Q\)均为素数），成功的概率为\(\frac{2}{N-1}\)。
期望次数为\(O(N)\)级别，（甚至不如暴力）。

但是，如果我们加上一些优化呢？

优化1

考虑每次随机化。
其实对于随机的某个数\(i\)，只要\(gcd(i,N)\not=1\)就可以找到一个因数。
（时间复杂度仿佛还是\(O(N)\)....）

优化2(生日悖论)

我们考虑用生日悖论来优化随机化。
尽管听起来特别玄学，但是此做法还是有一定科学依据的。

生日悖论：

生日悖论，指如果一个房间里有23个或23个以上的人，那么至少有两个人的生日相同的概率要大于50%。这就意味着在一个典型的标准小学班级(30人)中，存在两人生日相同的可能性更高。对于60或者更多的人，这种概率要大于99%。

以上是生日悖论的一个例子，其函数图像大致如下。
在这里插入图片描述
考虑换一种思考方式，我们随机化\(N\)个数出来，得到\(N^2\)个差值。
然后我们用这些差值来执行优化1，时间复杂度将明显降低。

考虑生日相同的情况，其可以被描述为某两个人的生日值差值为0。
从以上描述差值为0的图像中，可以明显发现选取的人数\(N\)越大，则概率越大。
则可以发现\(N\)的升大对于所有\(K\)的概率均有提升。
（易发现\(N^2\)对于每个\(K\)的期望值为总值域\(W\)的根号\(O(\sqrt{W})\)）

然后，我们使\(N\)值固定。
我们设\(P(K)\)表示以\(K\)为差值的概率。
则感性发现：\(P(1)>P(0),P(W-1)>P(W)\)
感性推出：实际的\(P\)图像其实是在前方激增，中间接近1，后方再次猛降。
故我们在判断时，得特判差值出现在前面的情况。
（注：\(N\)越大时，\(P\)图像的前方激增斜率便越大。）

Pollard-Rho

应用优化1与优化2，考虑如何找到\(N^2\)个差值，
（可以认为生日悖论中的某个差值\(K\)是我们所需要的答案）
我们考虑随机出两个数\(X\)，\(Y\)，然后用\(abs(X-Y)\)作为差值。
然后令\(f(X)=(X^2+P) \mod W,X=f(X),Y=f(Y)\)。
这样的话，我们只用随机化两个初值，一个常数\(P\)，就可以了。
但是易发现这样可能重复，即走进一个无解的循环里。
所以我们让\(X,Y\)的初值相等，每次随机的时候令\(Y=f(f(Y))\)，
即出发点一样，\(Y\)的速度为\(X\)的两倍，若有无解循环，
则总有一次\(X,Y\)会相遇（复杂度至多为经过的点数量），此时我们就可以直接退出了。
（注：\(f(X)=(X^2+P) \mod W\)是一个先人传下的神奇函数）
（其神奇之处在于玄学般地大幅提升了代码效率）

其实随机这些差值的本质还是随机化，依旧是\(N^2\)个差值，但复杂度却玄学降低了。
???
故这个算法的复杂度十分看RP，
在一些数据的复杂度甚至超过了\(O(\sqrt{W}\)），
不过能解决一些long long的数据还是很强大了。

质因数分解

结合Miller-Rabin与Pollard-Rho算法。
我们对于一个整数\(N\)，先用Miller-Rabin判断其是否为质数。
若是，则上传N。
若不是，则用Pollard-Rho找一个因数出来，
将其分解成更小的两个数继续递推。

代码

//该代码只是找到了N的一个因数,可能并不是素数
LL PollardRho(LL N){//找因数
    if(N==1)return -1;
    for(int i=1;i<=PK;i++)
        if(N%Prime[i]==0)
            return Prime[i];//特判出奇迹
    LL x=(rand()%(N-2))+2,y=x;
    LL P=(rand()%(N-1))+1,D=1;
    while(D==1){
        x=(quick_Mul(x,x,N)+P)%N;
        y=(quick_Mul(y,y,N)+P)%N,y=(quick_Mul(y,y,N)+P)%N;
        D=gcd(abs(x-y),N);//x=y时,D值为N
    }
    return D;
}

例题及代码

板题：Prime Test
大意：找到\(N\)的最小的质因数。

#include<ctime>
#include<cstdio>
#include<algorithm>
using namespace std;
#define LL long long
const int MAXK=15;
const long long INF=1e18;
int PK=10,Prime[MAXK]={0,2,3,5,7,11,13,17,19,23,29};
//此行数对于long long范围内的素性测试已够用了
long long N;
LL Add(LL x,LL y,LL p){
    if(x+y<p)return x+y;
    return x+y-p;
}
LL gcd(LL x,LL y){//最大公因数
    if(x==0)return y;
    return gcd(y%x,x);
}
LL quick_Mul(LL x,LL y,LL p){//龟速乘
    x%=p;y%=p;
    LL ret=0;
    while(y){
        if(y&1)ret=Add(ret,x,p);
        x=Add(x,x,p);
        y>>=1;
    }
    return ret;
}
LL quick_Pow(LL x,LL y,LL p){//快速幂
    LL ret=1;
    while(y){
        if(y&1)ret=quick_Mul(ret,x,p);
        x=quick_Mul(x,x,p);
        y>>=1;
    }
    return ret;
}
int MillerTest(LL N){//素数测试
    if(N<=1||N==4)return 0;
    if(N<=3)return 1;
    LL D=N-1;
    while(D%2==0)D/=2;
    for(int i=1;i<=PK;i++){
        if(Prime[i]>=N)return 1;
        int Ok=0;
        LL A=Prime[i];
        LL x=quick_Pow(A,D,N);
        if(x==1||x==N-1)
            continue;
        while(D!=N-1){
            x=quick_Mul(x,x,N);
            D*=2;
            if(x==1)return 0;
            if(x==N-1){Ok=1;break;}
        }
        if(!Ok)return 0;
    }
    return 1;
}
LL PollardRho(LL N){//找因数
    if(N==1)return -1;
    for(int i=1;i<=PK;i++)
        if(N%Prime[i]==0)
            return Prime[i];//特判出奇迹
    LL x=(rand()%(N-2))+2,y=x;
    LL P=(rand()%(N-1))+1,D=1;
    while(D==1){
        x=(quick_Mul(x,x,N)+P)%N;
        y=(quick_Mul(y,y,N)+P)%N,y=(quick_Mul(y,y,N)+P)%N;
        D=gcd(abs(x-y),N);
    }
    return D;
}
LL Min_Div(LL N){//最小质因数
    if(N==1)return INF;
    if(MillerTest(N))return N;
    LL X=PollardRho(N);
    return min(Min_Div(X),Min_Div(N/X));
}
int main(){
    //srand(time(NULL));
    while(~scanf("%lld",&N)){
        printf("%lld\n",Min_Div(N));
    }
}

转载于:https://www.cnblogs.com/ftotl/p/11556442.html

dianweinie5108

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
Miller-Rabin与Pollard-Rho算法（素性测试与质因数分解）

前置费马小定理（即若P为质数，则\(A^P\equiv A \pmod{P}\)）。欧几里得算法（GCD）。快速幂，龟速乘。素性测试引入素性测试是OI中一个十分重要的事，在数学毒瘤题中有着举足轻重的地位。常见的素性测试如下：int check(int N){ for(int i=2;i*i<=N;i++) if(N%i==0)return 0...
复制链接

扫一扫