23、浮点LLL算法：理论与实践方面

浮点LLL算法：理论与实践方面

1. 浮点LLL算法执行问题

在一些库（如NTL）中执行浮点LLL算法时，它与有理LLL的执行有较大不同。在NTL的LLL里，会尝试给定的精度。若执行时间过长，用户需停止并以更高精度或更可靠的变体重新启动，但却不清楚是算法本身表现不佳（此时提高精度可能有帮助），还是只是执行时间长（这种情况下提高精度会让过程更慢）。从用户角度看，缺乏错误检测和解释很烦人，在NTL和LiDia中，可能要尝试多个变体才能成功。

2. L2算法的实现

在实现L2算法时，实践中应先尝试启发式变体，再使用有保证的L2算法。可以从两个方面弱化L2算法：一是只使用基矩阵而非Gram矩阵；二是使用比理论上足够的精度低很多的浮点精度。下面介绍几种底层浮点运算的层次：
- 双精度 ：速度极快，但指数位有限（11位），精度也有限（53位）。指数限制使得能转换小于1022位的整数（若要转换Gram矩阵，位数约减半）。有限的精度虽不太严重，但限制了高维情况的处理。
- 带额外指数的双精度（dpes） ：速度仍较快，但精度限制依旧存在。
- 启发式扩展精度 ：若需要更高精度，可使用任意精度的浮点数。根据L2算法分析，精度 ℓ ≈ log((1 + η)² / (δ - η²)) * d 总是足够的，但可先尝试启发式的较低精度。
- 可证明的扩展精度 ：使用任意精度浮点数，尾数大小为 ℓ ≈ log((1 + η)² / (δ - η²)) * d