[技术]浅谈OI中矩阵快速幂的用法

前言

矩阵是高等代数学中的常见工具,也常见于统计分析等应用数学学科中,矩阵的运算是数值分析领域的重要问题。

基本介绍

(该部分为入门向,非入门选手可以跳过)

由 m行n列元素排列成的矩形阵列。矩阵里的元素可以是数字、符号或数学式。

比如一个$m\times n$的矩阵可以表示为:

$$ A=\begin{bmatrix}
a_{11} & a_{12} & \cdots & a_{1n}\\
a_{21} & a_{22} & \cdots & a_{2n}\\
a_{31} & a_{32} & \cdots & a_{3n}\\
\vdots & \vdots & \ddots & \vdots \\
a_{m1} & a_{m2} & \cdots & a_{mn}
\end{bmatrix} $$

这$ m\times n$个数称为矩阵的元素,简称为元。数$ a_{ij} $位于矩阵的第i行第j列,称为矩阵的$ (i,j) $ 元,以数$ a_{ij}$为$(i,j)$元的矩阵可记为$(a_{ij})$或$(a_{ij})_{m\times n}$,$m\times n$矩阵A也记为$A_{mn}$

元素是实数的矩阵称为实矩阵,元素是复数的矩阵称为复矩阵。而行数和列数都等于n的矩阵称为n阶矩阵或n阶方阵。n阶方阵中所有$i=j$的元素$a_{ij}$组成的斜线称为(主)对角线,所有$i+j=n+1$的元素$a_{ij}$组成的斜线称为辅对角线。

本文讨论的重点运算——矩阵乘

两个矩阵的乘法仅当第一个矩阵A的列数和第二个矩阵B的行数相等时才能定义。如A是$m\times n$矩阵、B是$n\times p$矩阵,他们的乘积C是一个$m\times p$矩阵$c=(c_{ij})$,它的任意一个元素值为:

$$c_{i,j}=a_{i,1}b_{1,j}+a_{i,2}b_{2,j}+\cdots+a_{i,n}b_{n,j}=\sum_{r=1}^{n}a_{i,r}b_{r,j}$$

并将此乘积记为:$C=AB$。例如:

[技术]浅谈OI中矩阵快速幂的用法

矩阵乘满足结合律、左分配律、右分配律,但是不满足交换律。即:
$(AB)C=A(BC)$

$(A+B)C=AC+BC$

$C(A+B)=CA+CB$

上一波代码:

 struct matrix{
int data[][];
matrix operator*(const matrix &a){
matrix tmp;
for(int i=;i<;i++)
for(int j=;j<;j++){
tmp.data[i][j]=;
for(int k=;k<;k++)
tmp.data[i][j]+=data[i][k]*a.data[k][j];
}
return tmp;
}
matrix operator*=(const matrix &a){
*this=*this*a;
return *this;
}
};

关于重载什么的,可以参考我的另一篇博文——[技术]浅谈重载操作符

裸乘自然不会怎么出现,OI中,一般都是用的矩阵快速幂,而矩阵快速幂与普通快速幂并没有什么差别,原理也是相同的。

普通快速幂科普:

首先我们考虑,$a^{11}$可以怎样求?

朴素法:$O(n)$,一个一个乘

快速幂:$O(logn)$,$a^{11}=a^{2^{0}+2^{1}+2^{3}}$也就是说,我们只需不断乘上$a^{2^{x}}$即可计算,而这样的计算,可以由指数得到,复杂度为$O(logn)$

代码:

inline int po(int x,int p){
int ret();
while(p){
if(p&)//判断是否为奇数
ret*=x;
x*=x;
p>>=;//除以2
}
return ret;
}

那么矩阵快速幂就很简单了

代码如下:

struct matrix{
int data[][];
matrix operator*(const matrix &a){
matrix tmp;
for(int i=;i<;i++)
for(int j=;j<;j++){
tmp.data[i][j]=;
for(int k=;k<=;k++)
tmp.data[i][j]+=data[i][k]*a.data[k][j];
}
return tmp;
}
matrix operator*=(const matrix &a){
*this=*this*a;
return *this;
}
void identity(){
memset(data,,sizeof(data));
for(int i=;i<;i++)
data[i][i]=;
}
};
inline matrix pow(const matrix &a,int p){
matrix tmp;
tmp.identity();
while(p){
if(p&)
tmp*=a;
a*=a;
p>>=;
}
return tmp;
}

基本运用

矩阵快速幂可以用来求一些递推关系,比如说最简单的就是斐波那契数列了

我们知道,斐波那契数列的基本递推公式为:

$$f_{i}=f_{i-1}+f_{i-2}$$

那么我们可以设矩阵A和B(其实这玩意儿是向量):

\[A=\begin{bmatrix} f_{i-1}\\ f_{i-2} \end{bmatrix}\]

\[B=\begin{bmatrix} f_{i}\\ f_{i-1} \end{bmatrix}\]

然后我们的问题就转化为,如何找到一个矩阵X使其能够达到如下转移:

$$B=XA$$

我们考虑矩阵乘法的定义,也就是说,我们要找到一个[技术]浅谈OI中矩阵快速幂的用法的矩阵才能满足前后两个矩阵的行列数(如果一定要说为啥的话,可能会扯一些线性代数什么奇奇怪怪的东西)。那么我们可以设该矩阵X为:

\begin{bmatrix}
a_{11} &a_{12}\\
a_{21} &a_{22}
\end{bmatrix}

那么XA的运算过程为:

[技术]浅谈OI中矩阵快速幂的用法

我们令

$$a_{11}\times f_{i-1}+a_{12}\times f_{i-2}=f_{i}$$

$$a_{21}\times f_{i-1}+a_{22}\times f_{i-2}=f_{i-1}$$

由斐波那契数列通项公式:

$$f_{i}=f_{i-1}+f_{i-2}$$

可以解得第一个方程中$a_{11}=1,a_{12}=1$

而显然,第二个方程中,令$a_{21}=1,a_{22}=0$,则等式恒成立

所以解得

[技术]浅谈OI中矩阵快速幂的用法

我们再设初始矩阵[技术]浅谈OI中矩阵快速幂的用法

[技术]浅谈OI中矩阵快速幂的用法

那么:

[技术]浅谈OI中矩阵快速幂的用法

我们就可以轻松地取出斐波那契数了

代码:

 #include<string>
#include<cstring>
#include<cstdio>
using namespace std;
const int mod=;
class matrix{
public:
int a[][];
matrix()
{
memset(a,,sizeof(a));
}
matrix operator*(matrix &x){
matrix b;
for(int i=;i<;i++)
for(int j=;j<;j++){
b.a[i][j]=;
for(int k=;k<;k++)
b.a[i][j]+=(a[i][k]*x.a[k][j]);
b.a[i][j]%=mod;
}
return b;
}
matrix operator*=(matrix &x){
*this=*this*x;
return *this;
}
};
matrix init(){
matrix res;
for(int i=;i<;i++)
for(int j=;j<;j++)
res.a[i][j]=(i==j);
return res;
}
matrix ks(matrix x,int k){
matrix res=init();
while(k){
if(k&)
res=res*x;
k>>=;
x=x*x;
}
return res;
}
int n;
int main(){
matrix con;
con.a[][]=;
con.a[][]=;
con.a[][]=;
con.a[][]=;
matrix f;
f.a[][]=;
f.a[][]=;
while(cin>>n&&n!=-){
if(n==){
cout<<<<endl;
continue;
}
if(n==||n==){
cout<<<<endl;
continue;
}
matrix res=ks(con,n-);
res*=f;
cout<<res.a[][]<<endl;
}
}

同样的,我们也可以把这种思想转移至其他递推关系中,比如说,我们有以下递推关系:
$$f_{i}=a_{1}f_{i-1}+a_{2}f_{i-2}+\cdots +a_{k}f_{i-k}$$

我们可以用同样的思路求解转移矩阵X,来达到优化求解的目的

比如说上述递推关系的转移矩阵就为:

\begin{bmatrix}
a_{1} & a_{2} & a_{3} & a_{4}& a_{5}\\
1 & 0 & 0 & \cdots & 0\\
0 & 1 & 0 & \cdots & 0 \\
\vdots &\vdots &\vdots & \ddots & \vdots \\
0 & 0 & \cdots & 1 & 0
\end{bmatrix}

请读者用项数较小的递推关系证明该矩阵的正确性

进阶

我们有了这样一个工具,但是显然,除非是入门向的裸题,我们首先要能想到矩阵,才能使用它。那么,什么样的题目容易让人想到矩阵呢?

  1. 数据范围极大,比如$10^{18}$什么的,$O(n)$都过不去的,可以尝试用矩阵转移
  2. 有明显可以使用矩阵快速幂的递推关系的(这个等一会 会说到)
  3. 实在想不出来怎么用其他算法,只能乱搞的时候

貌似目前想不到什么了,(可能还是我比较弱,没做过太多题吧)

那么,什么叫明显可以使用矩阵快速幂的递推关系呢?

先上个简单例题:

GT考试

在这道题中,我们忽略字符串因素,(忽略个鬼,就这玩意难),剩下的就是一个很简单的递推,我们发现,该递推关系中,我们用到了加法原理与乘法原理,这是很多递推求方案数的关键点。

我们重新观察一下上述矩阵乘的表达式:

$$c_{i,j}=a_{i,1}b_{1,j}+a_{i,2}b_{2,j}+\cdots+a_{i,n}b_{n,j}=\sum_{r=1}^{n}a_{i,r}b_{r,j}$$

我们由一步递推开始讨论,设一初始矩阵A:

$$ A=\begin{bmatrix}
a_{11} & a_{12} & \cdots & a_{1n}\\ 
a_{21} & a_{22} & \cdots & a_{2n}\\ 
a_{31} & a_{32} & \cdots & a_{3n}\\ 
\vdots & \vdots & \ddots & \vdots \\ 
a_{m1} & a_{m2} & \cdots & a_{mn}
\end{bmatrix} $$

其中[技术]浅谈OI中矩阵快速幂的用法表示由第i种状态一步转移到第j种状态的方案数,那么我们让A平方一下,会发生什么呢?

$$A^{2}$$

$$= \begin{bmatrix}
a_{11} & a_{12} & \cdots & a_{1n} \\
a_{21} & a_{22} & \cdots & a_{2n} \\
a_{31} & a_{32} & \cdots & a_{3n} \\
\vdots & \vdots & \ddots & \vdots \\
a_{n1} & a_{n2} & \cdots & a_{nn}
\end{bmatrix}^{2}$$

$$= \begin{bmatrix}
\sum_{r=1}^{n}a_{1r}\times a_{r1} & \sum_{r=1}^{n}a_{1r}\times a_{r2} & \cdots & \sum_{r=1}^{n}a_{1r}\times a_{rn} \\
\sum_{r=1}^{n}a_{2r}\times a_{r1} & \sum_{r=1}^{n}a_{2r}\times a_{r2} & \cdots & \sum_{r=1}^{n}a_{2r}\times a_{rn} \\
\sum_{r=1}^{n}a_{3r}\times a_{r1} & \sum_{r=1}^{n}a_{3r}\times a_{r2} & \cdots & \sum_{r=1}^{n}a_{3r}\times a_{rn} \\
\vdots & \vdots & \ddots & \vdots \\
\sum_{r=1}^{n}a_{nr}\times a_{r1} & \sum_{r=1}^{n}a_{nr}\times a_{r2} & \cdots & \sum_{r=1}^{n}a_{nr}\times a_{rn}
\end{bmatrix}$$

看着这个式子一定还是会十分有点懵,那么我们就拿出平方后的$(1,1)$元来研究。

$(1,1)$元显然等于:

$$\sum_{r=1}^{n}a_{1r}a_{r1}$$

我们感性理解一下,想象当前有n个节点,每两点可以互相到达,并有不同的方案,从节点一经两步回到节点一的方案有多少?

由分类加法原理可得:

$$1\rightarrow 1(two steps)=1\rightarrow 1\rightarrow 1+1\rightarrow 2\rightarrow 1+\cdots +1\rightarrow n\rightarrow 1$$

而由分步乘法原理可得:

$$1\rightarrow x\rightarrow 1=(1\rightarrow x)\times (x\rightarrow 1)$$

那么我们从节点一走两步回到节点一的方案数即为:

$$\sum_{i=1}^{n}(1\rightarrow i)\times (i\rightarrow 1)$$

而$1\rightarrow i$不就是$a_{1i}$吗?所以,当前这个式子的结果,正好是进行矩阵乘之后$a_{11}$的值。

同样的,我们可以把这个结果推广到n步的情况,我们得到初始矩阵之后,用快速幂求解,就可以得到n步之后,各个状态之间的转移情况了。

所以,这可能就是我们常见的运用矩阵快速幂的情况吧。

题表

递推关系(裸题)

GT考试(矩阵&字符串)

五彩的色子

兔农

EX-香蕉(容斥原理)

矩阵幂之和

总结

当出现明显可以使用矩阵解决递推关系时,试着推出递推式

当出现求某种转移方案数时,尝试向矩阵快速幂靠拢,从而使用矩阵

正确理解矩阵,考试不会出裸题,只有想到能用它才是正解,才能将其变成自己的东西

谢谢您的阅读,希望对您有用!

上一篇:洛谷.4512.[模板]多项式除法(NTT)


下一篇:短信文本pdu模式解析