【学习小记】常系数齐次线性递推
问题引入
给出数列 g g g,满足当 n > m n>m n>m时
g n = ∑ i = 1 m g n − i × a i g_n=\sum\limits_{i=1}^{m}g_{n-i}\times a_i gn=i=1∑mgn−i×ai
当 n < = m n<=m n<=m时, g n = c n g_n=c_n gn=cn
m比较小,n特别大,快速计算 g n g_n gn
Newbie的解法
暴力递推计算
时间复杂度 O ( n m ) O(nm) O(nm)
Pupil的解法
可以将转移和数列都写成 m × m m\times m m×m的矩阵的形式,矩阵快速幂即可
时间复杂度 O ( m 3 log n ) O(m^3\log n) O(m3logn)
Master的解法
我们需要一些数学知识进行铺垫:
Part 1 矩阵的特征值与特征多项式
我们知道一个矩阵乘一个列向量仍然是一个列向量。
若对于m阶矩阵A,有常数 λ \lambda λ,非零列向量 v ⃗ \vec v v ,满足 λ v ⃗ = A v ⃗ \lambda\vec v=A\vec v λv =Av 则称 λ \lambda λ为矩阵A的特征值, v ⃗ \vec v v 为矩阵的特征向量
上式也可以写作 ( λ I − A ) v ⃗ = 0 (\lambda I-A)\vec v=0 (λI−A)v =0其中 I I I为单位矩阵
此式有解的充要条件是 ∣ λ I − A ∣ = 0 |\lambda I-A|=0 ∣λI−A∣=0,即矩阵 λ I − A \lambda I-A λI−A的行列式为0
∣ λ I − A ∣ |\lambda I-A| ∣λI−A∣可以看做是关于 λ \lambda λ的一个m次多项式,记作 f ( λ ) f(\lambda) f(λ), f ( λ ) f(\lambda) f(λ)称作矩阵A的特征多项式,对于矩阵A的任意一个特征值 λ 0 \lambda_0 λ0,都有 f ( λ 0 ) = 0 f(\lambda_0)=0 f(λ0)=0。
Part 2 Hamilton-Cayley theorem
对于矩阵,也一样的定义多项式运算(把多项式中的x换乘矩阵A),加法就是直接对应相加,常数乘法就按位相乘,乘法是矩阵乘法,0次方是单位矩阵,它的结果仍然是一个矩阵。
显然,矩阵多项式满足交换律,即 f ( A ) g ( A ) = g ( A ) f ( A ) f(A)g(A)=g(A)f(A) f(A)g(A)=g(A)f(A)成立。
简单证明:考虑某两项相乘的结果 A x × A y A^x\times A^y Ax×Ay,由于前后都是A,矩阵乘法满足结合律,因此指数可以任意分配,换成 A y × A x A^y \times A^x Ay×Ax也是可以的
哈密顿—凯莱定理:对于矩阵A的特征多项式 f ( x ) f(x) f(x),满足 f ( A ) = 0 f(A)=0 f(A)=0
证明网上到处都有,此处就不赘述了。
Part 3 求解转移矩阵的特征多项式
回到原题,我们对于Pupil解法的转移矩阵A,求解它的特征多项式
考虑矩阵 λ I − A \lambda I-A λI−A
它长这样:
(1) λ I − A = ( λ − a 1 − a 2 ⋯ − a m − 1 − a m − 1 λ ⋯ 0 0 0 − 1 ⋯ 0 0 ⋮ ⋮ ⋱ ⋮ ⋮ 0 0 ⋯ − 1 λ ) \lambda I-A= \left( { \begin{matrix} \lambda-a_1 & -a_2 & \cdots &-a_{m-1} & -a_m \\ -1 & \lambda & \cdots & 0 &0 \\ 0 & -1 &\cdots & 0 & 0\\ \vdots & \vdots & \ddots & \vdots &\vdots \\ 0 & 0 & \cdots & -1 & \lambda \end{matrix} \tag{1} } \right) λI−A=⎝⎜⎜⎜⎜⎜⎛λ−a1−10⋮0−a2λ−1⋮0⋯⋯⋯⋱⋯−am−100⋮−1−am00⋮λ⎠⎟⎟⎟⎟⎟⎞(1)
根据行列式的定义,将第一行展开
∣ λ I − A ∣ = ( λ − a 1 ) A 1 , 1 + a 2 × A 1 , 2 + ⋯ + a m × A 1 , m |\lambda I-A|=(\lambda-a_1)A_{1,1}+a_2\times A_{1,2}+\cdots+a_m\times A_{1,m} ∣λI−A∣=(λ−a1)A1,1+a2×A1,2+⋯+am×A1,m
其中 A i , j A{i,j} Ai,j表示矩阵A的代数余子式,即挖掉第i行和第j列以后剩下的矩阵的行列式。
我们发现所有的余子矩阵都是下三角矩阵,行列式就是对角线乘积。
化简整理,可得 f ( λ ) = ∣ λ I − A ∣ = λ m − ∑ i = 0 m − 1 a m − i λ i f(\lambda)=|\lambda I-A|=\lambda^m-\sum\limits_{i=0}^{m-1}a_{m-i}\lambda ^i f(λ)=∣λI−A∣=λm−i=0∑m−1am−iλi
负号都被行列式里面逆序对个数的负号消掉了。
Part 4 计算答案
我们设要求的数列 g g g的初始矩阵为 G G G,它是一个m行1列的矩阵(列向量),从第m行到第1行分别为 g 1 … m g_{1\dots m} g1…m(注意顺序是反的)
实际上我们想知道的 g n g_n gn就是矩阵 A n − 1 G A^{n-1}G An−1G的第m行第一列的值。
此时的关键就是 A n − 1 A^{n-1} An−1,因为 n − 1 n-1 n−1非常大,无法直接计算
然而根据前面的铺垫,我们有 f ( A ) = 0 f(A)=0 f(A)=0, A n − 1 A^{n-1} An−1我们可以看做只有一项的一个关于A的多项式
那么根据多项式除法相关知识,可以得到 A n − 1 = P ( A ) f ( A ) + Q ( A ) A^{n-1}=P(A)f(A)+Q(A) An−1=P(A)f(A)+Q(A),其中 Q ( A ) Q(A) Q(A)的次数是小于 f ( A ) f(A) f(A)的次数也就是小于m的, Q ( A ) Q(A) Q(A)相当于多项式 A n − 1 A^{n-1} An−1对多项式 f ( A ) f(A) f(A)取模
可能会有这样的疑问, f ( A ) = 0 f(A)=0 f(A)=0怎么能作除数呢?
其实并不要紧,我们并不需要知道 f ( A ) f(A) f(A)的实际值,我们相当于将 A n − 1 A^{n-1} An−1减去了若干个 f ( A ) f(A) f(A),将次数降低了,而结果不变。
实现上来说,由于 f f f的系数已知,我们可以先将式子里的矩阵A换成变量 x x x,代入,利用多项式取模算出Q的系数,然后再将x换回A,这样得出来的Q的系数是相同的。并且计算 Q ( A ) × G Q(A)\times G Q(A)×G与 A n − 1 × G A^{n-1}\times G An−1×G的结果是一样的。
为了求出 Q ( x ) Q(x) Q(x)的系数,我们可以采用快速幂的做法,初始 Q 0 ( x ) = x 1 Q_0(x)=x^1 Q0(x)=x1,然后不断的自己与自己相乘,乘完对多项式 f ( x ) f(x) f(x)取模
这一部分如果暴力取模,时间复杂度为 O ( m 2 log n ) O(m^2\log n) O(m2logn)
如果采用NTT优化多项式取模,时间复杂度为 O ( m log m log n ) O(m\log m\log n) O(mlogmlogn)
这样求出了 Q ( A ) Q(A) Q(A)的系数,不妨设 Q ( A ) = ∑ i = 0 m − 1 d i A i Q(A)=\sum\limits_{i=0}^{m-1}d_iA^i Q(A)=i=0∑m−1diAi
要求矩阵 Q ( A ) × G Q(A)\times G Q(A)×G的第m行第一列的值
也就是 ∑ i = 0 m − 1 d i A i G \sum\limits_{i=0}^{m-1}d_iA^iG i=0∑m−1diAiG的第m行第一列
然而 A i G A^iG AiG的第m行第一列的值就是 g i + 1 g_{i+1} gi+1
所以 g n = ∑ i = 0 m − 1 d i g i + 1 = ∑ i = 0 m − 1 d i c i + 1 g_n=\sum\limits_{i=0}^{m-1}d_ig_{i+1}=\sum\limits_{i=0}^{m-1}d_ic_{i+1} gn=i=0∑m−1digi+1=i=0∑m−1dici+1
还有一种情况,前m项并没有直接给出,也是通过递推得出的,暴力递推求前m项的复杂度是 O ( m 2 ) O(m^2) O(m2)的
考虑优化
考虑数列 g g g的一般生成函数 G ( x ) G(x) G(x)(与矩阵G不同)
转移序列 a a a的一般生成函数 A ( x ) A(x) A(x)
由于 G ( x ) G(x) G(x)是无限长的一个序列,我们可以得到 G ( x ) = G ( x ) A ( x ) + r G(x)=G(x)A(x)+r G(x)=G(x)A(x)+r
其中 r r r是一个常数,相当于第0项
移项,可以得到 G ( x ) = r 1 − A ( x ) G(x)={r\over 1-A(x)} G(x)=1−A(x)r
在模 x m + 1 x^{m+1} xm+1意义下多项式求逆即可
时间复杂度是 O ( m log m ) O(m\log m) O(mlogm)的
模板题([BZOJ4161] Shlw loves matrixI)
Code
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <cmath>
#include <iostream>
#include <algorithm>
#define fo(i,a,b) for(int i=a;i<=b;++i)
#define fod(i,a,b) for(int i=a;i>=b;--i)
#define N 4005
#define mo 1000000007
#define LL long long
using namespace std;
LL f[N],g[N],h[N],s1[N],a[N],u1[N];
int n,m;
void mul(LL *x,LL *y,LL *z)
{fo(i,0,2*m-2) u1[i]=0;fo(i,0,m-1) fo(j,0,m-1) u1[i+j]=(u1[i+j]+x[i]*y[j])%mo;fod(i,2*m-2,m){fo(j,0,m) u1[i-m+j]=(u1[i-m+j]-f[j]*u1[i])%mo; }fo(i,0,m-1) z[i]=u1[i];
}
int main()
{cin>>n>>m;fo(i,1,m) scanf("%lld",&a[i]),f[m-i]=-a[i];f[m]=1;g[1]=1;s1[0]=1;for(int t=n;t;t>>=1){if(t&1) mul(s1,g,s1);mul(g,g,g);}fo(i,0,m-1) scanf("%lld",&h[i]);LL ans=0;fo(i,0,m-1) ans=(ans+s1[i]*h[i]%mo+mo)%mo;printf("%lld\n",ans);
}
【学习小记】常系数齐次线性递推相关推荐
- 【模板】BM + CH(线性递推式的求解,常系数齐次线性递推)
这里所有的内容都将有关于一个线性递推: $f_{n} = \sum\limits_{i = 1}^{k} a_{i} * f_{n - i}$,其中$f_{0}, f_{1}, ... , f_{k ...
- 常系数齐次线性递推学习笔记
定义 对于数列fff,如果有递推式 fn=∑i=1kai×fn−i(n≥k)f_n=\sum_{i=1}^k a_i\times f_{n-i} \quad (n\geq k)fn=i=1∑kai ...
- BZOJ4161 常系数齐次线性递推
问了数竞的毛毛搞了一番也没太明白,好在代码蛮好写先记下吧. 1 #include<bits/stdc++.h> 2 using namespace std; 3 const int N=4 ...
- [常系数(非)齐次线性递推]
从一个朴素的问题出发:我们需要求出一个序列b[],使得符合递推式 f(n)=∑i=1..kcif(n−i) f ( n ) = ∑ i = 1.. k c i f ( n − i ) f(n)=\su ...
- 【组合数学】递推方程 ( 常系数线性齐次递推方程 | 常系数、线性、齐次 概念说明 | 常系数线性齐次递推方程公式解法 | 特征根 | 通解 | 特解 )
文章目录 一.常系数线性齐次递推方程 二.常系数.线性.齐次 概念说明 三.常系数线性齐次递推方程公式解法 四.常系数线性齐次递推方程公式解法内容概要 一.常系数线性齐次递推方程 常系数线性齐次递推方 ...
- bzoj#4161-Shlw loves matrixI【常系数线性齐次递推】
正题 题目链接:https://darkbzoj.tk/problem/4161 题目大意 给出序列aaa,和hhh的0∼k−10\sim k-10∼k−1项,满足 hn=∑i=1naihn−ih_n ...
- 常系数齐次线性微分方程的解及其在求解微幅波控制方程中的运用
文章目录 一.齐次线性微分方程及其求解 | 解的结构: | 例如: 二.常系数齐次线性微分方程及其求解 | 特征方程的解 (1)两个不同的实数根: (2)两个相同的实数根: (3)两个不同的共轭复数根 ...
- 7.7 常系数齐次线性微分方程
上一篇内容主要是线性微分方程的解的结构,本篇更偏重于实际的解题过程和方法. 本篇内容为常系数齐次线性微分方程的求解.关于常系数齐次线性微分方程的求解,我们主要总结的是二阶方程,对于二阶以上的部分,在篇 ...
- 【数字信号处理】线性常系数差分方程 ( 使用递推解法求解 “ 线性常系数差分方程 “ | “ 线性常系数差分方程 “ 初始条件的重要性 )
文章目录 一.使用递推解法求解 " 线性常系数差分方程 " 二." 线性常系数差分方程 " 初始条件的重要性 一.使用递推解法求解 " 线性常系数差分 ...
最新文章
- 010 异步处理Rest服务
- 阿里云云计算 46 阿里云DDoS防护
- edius隐藏快捷键_EDIUS快捷键大全
- 下载和安装Visual C ++ 2008 Express Edition的说明
- 快压、360压缩、WinRAR关于打开快压通过超高压缩比压缩后的文件不兼容的问题
- 关于微信小程序,你不知道的那些事
- 如何有效的屏蔽百度蜘蛛
- Variable used in lambda expression should be final or effectively final报错解决方案
- PVE系列教程(十三)、安装黑苹果MacOS(Catalina版本)
- Windows10系统Qt调试ffmpeg.c
- python编程实现人民币和美元的互相转换_java人民币转换美元的实验报告
- 免费数据 | CnOpenData国际足球比赛结果数据
- WPS英文和数字会默认为中文字体原因
- Ios开发-第一天-Tom猫
- 论文英文翻译绝招:OCR+grammarly
- 当有人知道你的愿望想帮你实现你会是怎样
- html表格不随字数变化,设置table中的宽度不随文字改变让其固定
- LeetCode-1374-生成每种字符都是奇数个的字符串
- 多元线性回归(OLS+稳健误)python代码实现
- r7 270 linux,装个puppy linux 低配机器也能流畅运行
热门文章
- intelx79服务器芯片组,流言终结者!Intel X79规格全面介绍
- 变量的作用域和生存期:_生存分析简介:
- 【JavaScript实现十进制转换成二进制】
- sigsuspend 与sigwait 的区别
- Day 96/100 ‘X-Frame-Options‘ to ‘sameorigin‘后如何嵌入iframe
- TI公司与MSP430单片机
- 最强TI蓝牙5.0方案CC2652R芯片模块
- 2013-8-25 上周工作总结
- c 语言程序设计形考4,国开学习网电大C语言程序设计形考任务4答案
- ABS系统的Simulink仿真