斐波那契数列与矩阵
数学推导
[ 1 1 1 0 ] [ F ( n ) F ( n − 1 ) ] = [ F ( n ) + F ( n − 1 ) F ( n ) ] = [ F ( n + 1 ) F ( n ) ] ⇓ [ 1 1 1 0 ] n [ F ( 1 ) F ( 0 ) ] = [ F ( n + 1 ) F ( n ) ] \begin{equation} \begin{aligned} \begin{bmatrix} 1&1\\ 1&0 \end{bmatrix} \begin{bmatrix} F(n)\\ F(n - 1) \end{bmatrix} = \begin{bmatrix} F(n) + F(n - 1)\\ F(n) \end{bmatrix} = \begin{bmatrix} F(n + 1)\\ F(n) \end{bmatrix} \\ \end{aligned} \end{equation} \\ \begin{aligned} \Downarrow \\ \end{aligned} \\ \begin{equation} \begin{aligned} \begin{bmatrix} 1&1\\ 1&0 \end{bmatrix}^{n} \begin{bmatrix} F(1)\\ F(0) \end{bmatrix} = \begin{bmatrix} F(n + 1)\\ F(n) \end{bmatrix} \\ \end{aligned} \end{equation} \\ [1110][F(n)F(n−1)]=[F(n)+F(n−1)F(n)]=[F(n+1)F(n)]⇓[1110]n[F(1)F(0)]=[F(n+1)F(n)]
- 因此,只要对 [ 1 1 1 0 ] \begin{bmatrix} 1&1\\ 1&0 \end{bmatrix} [1110]进行n次幂运算后,点乘 [ 1 0 ] \begin{bmatrix} 1\\ 0\end{bmatrix} [10],即可得到F(n)和F(n+1)的值。
复杂度分析
-
矩阵乘法
const matrixMultiplication = (M1, M2) => { const M1_Rows = M1.length const M1_Columns = M1[0].length const M2_Rows = M2.length const M2_Columns = M2[0].length if (M1_Columns !== M2_Rows) { return new Error('M1,M2不能执行乘法运算') } const res = [] for(let i = 0; i < M1_Rows; i++) { const resRow = [] for(let j = 0; j < M2_Columns; j++) { let rowSum = 0 for(let k = 0; k < M1_Columns; k++) { rowSum += (M1[i][k] * M2[k][j]) % (1e9+7) } resRow.push(rowSum) } res.push(resRow) } return res }
- two 对于矩阵 A m ∗ k A_{m*k} Am∗k和矩阵 B k ∗ p B_{k*p} Bk∗p,该算法的时间复杂度是 O ( m ∗ k ∗ p ) O(m*k*p) O(m∗k∗p)。
-
矩阵幂运算
const matrixPower = (M, n) => { let res = M for (let i = 1; i < n; i++) { res = matrixMultiplication(M, res) } return res }
- 对方阵 A m ∗ m A_{m*m} Am∗m求n次幂的时间复杂度是 O ( n ) ∗ O ( m 3 ) = O ( n m 3 ) O(n)*O(m^{3})=O(nm^{3}) O(n)∗O(m3)=O(nm3)。
-
最终,求解 ( A m ) n F m ∗ k (A_{m})^{n}F_{m*k} (Am)nFm∗k的时间复杂度是 O ( n m 3 ) + O ( m 2 k ) O(nm^{3})+O(m^{2}k) O(nm3)+O(m2k)
-
但在本题中,A、m、F是确定的,即 A = [ 1 1 1 0 ] , F = [ 1 0 ] , m = 2 A=\begin{bmatrix} 1&1\\ 1&0 \end{bmatrix}, F=\begin{bmatrix} 1 \\ 0 \end{bmatrix},m = 2 A=[1110],F=[10],m=2,所以时间复杂度是 O ( 8 n ) + O ( 8 ) = O ( n ) O(8n)+O(8) = O(n) O(8n)+O(8)=O(n)。
进一步优化
- 幂运算可以进一步优化
const getPower = (base, power) = > { let res = 1 while (power > 0) { // 奇数 if ((power & 1) === 1) { res = res * base } // 右移1位,相当于 / 2 power >>= 1 base = base * base } return res }
- 应用到矩阵上
const matrixPower = (M, n) => { // 单位矩阵 let res = [[1, 0], [0, 1]] while (n > 0) { if ((n & 1) === 1) { // 单位矩阵A*M = M*A res = matrixMultiplication(M, res) } n >>= 1 M = matrixMultiplication(M, M) } return res }
- 时间复杂度为O(lgn)