矩阵快速幂模板

最新推荐文章于 2024-10-25 17:33:50 发布

转载最新推荐文章于 2024-10-25 17:33:50 发布 · 95 阅读

0 ·

CC 4.0 BY-SA版权

原文链接：http://www.cnblogs.com/brotherHaiNo1/p/8413867.html

本文详细介绍了矩阵快速幂算法的实现方法，通过定义一个结构体来实现矩阵的乘法运算，并给出了具体的矩阵幂运算实现代码。该算法适用于解决一些特定类型的数学问题。

矩阵快速幂模板（手撸一遍，一下午修改的头要爆炸了！！！！！！！）

果然是菜原罪╮(╯▽╰)╭

#define N 20//根据需要自行修改

struct node
{
    int n;
    double rect[N][N];
    struct node operator* (const node b)
    {
        node tem;
        tem.n=n;
        for(int i=1;i<=n;i++)
            for(int j=1;j<=n;j++)
            {
                tem.rect[i][j]=0;
                for(int k=1;k<=n;k++)
                        tem.rect[i][j]+=rect[i][k]*b.rect[k][j];
            }
        return tem;
    };
};

node pin(node a,LL b)//aµÄb´ÎÃÝ
{
    node ans;
    ans.n=a.n;
    for(int i=1;i<=a.n;i++)
        for(int j=1;j<=a.n;j++)
        {
            if(i==j)
                ans.rect[i][j]=1;
            else
                ans.rect[i][j]=0;
        }
    while(b)
    {
        if(b&1)
            ans=a*ans;
        b>>=1;
        a=a*a;
    }
    return ans;
}

转载于:https://www.cnblogs.com/brotherHaiNo1/p/8413867.html

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

CSCD7272015

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

矩阵快速幂【模板】

优快云2151530018的博客

08-06

788

来源：牛客网。

矩阵快速幂模板以及其应用矩阵加速递推

M3ng@L的博客

08-27

1177

计算这样的递推次数很多的式子，我们需要一个更简化更快捷的计算方式，也就是矩阵快速幂。我们只需要构造最小限度能解决问题的矩阵就好，无论是矩阵初始值还是转移矩阵，所以还是需要具体问题具体分析地来构造矩阵。的矩阵，其实列向量还是行向量都可以，只要转移矩阵也是对应的即可）那么根据转移矩阵表现出来的与原数列的关系，我们可以这样来看。的矩阵初始值浪费了计算空间，所以构造其他形式的初始矩阵。的初始矩阵的话，对应数列的递推关系是不完整的；得到的新矩阵的第一项数据即是斐波那契数列的第。把矩阵乘法展开，得到。......

参与评论您还未登录，请先登录后发表或查看评论

【模板】矩阵快速幂

翻过这座山，他们就会听到你的故事

08-08

556

以洛谷P3390为例 #include&lt;cstdio&gt; #include&lt;cstring&gt; typedef long long ll; ll n,k; const ll mod=1e9+7; struct Matrix{ ll num[110][110]; }; Matrix Mul(Matrix mx,Matrix my)//矩阵乘法 { Matr...

洛谷 P3390：[模板] 矩阵快速幂

hnjzsyjyj的专栏

10-25

683

本算法代码是“矩阵快速幂”的模板代码。

快速幂及矩阵快速幂模板

s_h_w_s_n_g的博客

08-14

300

快速幂是基于减少运算次数来提高运算速度的方法普通快速幂 //求x的n次幂 int QuickPow(int x,int N) { int res=x; int ans=1; while(N) { if(N&1) { ans=ans*res; } res=res*res; N=N>>1; } return ans; } 矩阵快速幂...

矩阵快速幂的模板（C++）

最新发布

11-25

Buffer内存管理实战技巧中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip中国Cassandra数据库用户组开源社区项目_专注于Apache_Cassandra分布式NoSQL数据库技术研究与实践_提供技术文档下载与源码解析_集成Titan图数据库与Lu.zip

图像处理基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）

11-25

【图像处理】基于电磁学优化算法的多阈值分割算法研究（Matlab代码实现）内容概要：本文研究基于电磁学优化算法（Electromagnetism-like Optimization, EMO）的多阈值图像分割方法，并通过Matlab代码实现。该方法借鉴电磁学中电荷间相互作用的机制，将图像分割问题转化为优化问题，利用EMO算法搜索最优阈值组合，以最大化分割效果的评价指标（如Otsu法或多级别熵）。文中详细介绍了EMO算法的基本原理、实现步骤及其在图像多阈值分割中的具体应用流程，展示了该算法能够有效避免传统方法易陷入局部最优的问题，从而获得更精确的分割结果。; 适合人群：具备图像处理基础知识和Matlab编程能力的高校学生、科研人员及工程技术人员。; 使用场景及目标：①解决复杂背景下图像的多目标分割问题，提升医学影像、遥感图像等领域的分割精度；②学习智能优化算法（如EMO）在图像处理中的实际应用，为研究新型分割算法提供技术参考和实现范例。; 阅读建议：在学习过程中应结合Matlab代码，深入理解EMO算法的寻优机制与图像分割评价函数的构建方法，建议自行调试不同参数对分割效果的影响，以加深对算法性能的理解。

DriverBooster12pro

11-25

DriverBooster12pro

Java8与Java21切换方法[项目代码]

11-25

本文介绍了如何通过设置环境变量实现Java8与Java21版本的自由切换，避免反复卸载安装。具体步骤包括分别安装Java8和Java21，设置JAVA_HOME环境变量指向所需版本，并调整Path变量中的路径顺序。此外，还提供了版本切换失效的解决方法，如重新打开cmd窗口或调整Path中路径的优先级。最后，文章提到了残留问题，如javac -version显示旧版本及java -version始终显示8版本的情况。

基于机器学习的糖尿病风险预测系统源码实现（含详细注释）

11-25

本研究提供一套运用机器学习技术进行糖尿病风险预测的系统源代码，该成果在学术评审中获得优异评价。程序结构清晰且附带详尽注释，便于初学者理解与应用。系统界面设计直观，功能模块完备，支持管理员高效管理操作。经过多轮严格测试验证，系统运行稳定可靠，具备显著的实践推广价值。本资源适用于毕业设计、课程结业作业及学术研究等场景，部署流程简单快捷，下载后即可直接投入教学或科研使用。所有程序文件均已完整包含在项目包内，确保开箱即用的便捷性。资源来源于网络分享，仅用于学习交流使用，请勿用于商业，如有侵权请联系我删除！

彩虹易支付快手支付插件 – 支持微信支付宝

11-25

这是一款彩虹易支付快手支付插件支持微信/支付宝支付，已适配彩虹易支付2025/06/02：3088 版本，将压缩包丢到网站根目录解压覆盖替换。进入后台支付接口->>支付插件->>刷新支付插件，喜欢的自行部署吧！

chrome142版本无更新组件安装包

11-25

chrome142版本无更新组件安装包

VIVADO AXI DMA SG模式解析[项目代码]

11-25

本文详细介绍了VIVADO官方AXI DMA模块在Scatter/Gather（SG）模式下的工作原理与应用。内容涵盖了AXI DMA的结构框图、引脚功能描述、寄存器内存地址映射以及SG描述符的详细说明。文章还提供了SG模式下典型的系统连接结构和使用流程，包括MM2S和S2MM端的操作步骤。此外，还介绍了VIVADO实际工程实现中的系统框图、各模块参数设置以及SDK工程实现中的重点结构体和代码逻辑。最后，文章提到了中断设置和实现代码的相关内容，为读者提供了全面的技术参考。

给出标准矩阵快速幂模板并加上详细的注释，不要使用过多stl

10-15

<think>我们要求一个不使用过多STL的矩阵快速幂模板，也就是尽量用原生数组或者固定大小的数组（比如二维数组）来实现。由于斐波那契数列的转移矩阵是2x2的，我们可以写一个固定大小的矩阵乘法（比如2x2）。但为了模板的通用性，我们可以考虑写一个固定维度的矩阵类（比如维度k=2，3等）。但是用户可能希望一个比较通用的模板，可以适用于任意大小的方阵？然而，题目要求“不使用过多STL”，所以我们避免使用vector<vector<>>，而使用二维数组。但二维数组作为函数参数传递需要知道大小，因此我们可以用模板参数指定矩阵的大小，或者用全局常量指定。这里我们采用模板参数指定矩阵大小（用一个整数N表示大小，即N*N的矩阵）。这样我们可以处理任意大小的方阵，但大小在编译时确定。另外，用户要求详细注释。我们以斐波那契数列为例，但提供通用的矩阵快速幂模板。注意：矩阵快速幂通常用于方阵，所以我们只考虑方阵。步骤： 1. 定义一个模板类或模板函数来处理矩阵乘法？或者直接用函数模板？ 2. 矩阵快速幂函数，输入一个矩阵和幂次，输出结果矩阵。 3. 注意：单位矩阵的初始化。由于要求详细注释，我们在每一句关键代码上加注释。我们写两个函数： - 矩阵乘法：multiply<N>(A, B) 计算两个N*N矩阵的乘积 - 矩阵快速幂：matrix_power<N>(base, exponent) 计算base矩阵的exponent次幂然后我们用这个模板来计算斐波那契数列。斐波那契数列的矩阵表示： [ F(n) ] = [1 1]^(n-1) [ F(1) ] [ F(n-1) ] [1 0] [ F(0) ] 其中F(0)=0, F(1)=1，因此F(n)等于矩阵[1 1; 1 0]的(n-1)次幂的左上角元素。注意：当n=0时，我们直接返回0；n=1时，返回1。为了不使用STL，我们使用原生二维数组，但是原生数组不能直接返回，我们可以用结构体封装或者用指针传递结果。这里我们选择用结构体封装一个固定大小的矩阵。但是，如果我们用结构体封装，那么矩阵大小N作为模板参数，结构体内部可以用二维数组存储。定义如下：模板参数：size_t N (矩阵大小) struct Matrix { long long data[N][N]; }; 然后我们重载运算符或者写函数来进行乘法和快速幂。但是用户要求模板，所以我们写函数模板。然而，考虑到斐波那契数列通常用2x2矩阵，但模板可以适用于任意N。我们这样设计： 1. 定义一个模板结构体Matrix，包含一个二维数组。 2. 提供矩阵乘法和快速幂的函数模板。但是，为了简化，也可以不定义结构体，直接用二维数组，然后通过模板参数传递大小。但是二维数组作为参数传递时，类型是复杂的（比如int [N][N]），而且函数返回二维数组也很麻烦。所以还是用结构体封装更清晰。因此，我们定义： ```cpp template <size_t N> struct Matrix { long long data[N][N]; // 矩阵数据 }; ``` 然后写两个函数模板： - 矩阵乘法：Matrix<N> multiply(const Matrix<N>& A, const Matrix<N>& B) - 矩阵快速幂：Matrix<N> matrix_power(const Matrix<N>& base, unsigned long long exponent) 注意：快速幂中的矩阵乘法会多次调用，所以乘法函数要高效。另外，由于不使用STL，我们避免使用vector，所以用循环。接下来我们实现：乘法：三重循环。 快速幂：初始化一个单位矩阵，然后使用快速幂算法。单位矩阵：对角线为1，其余为0。最后，在斐波那契函数中，我们使用2x2矩阵调用这个模板。考虑到long long可能会溢出，我们在矩阵乘法中每一步都可以取模（如果需要），但这里用户没有要求取模，我们先不取模。如果需要，可以增加一个模板参数表示模数，或者由调用者决定。但是，题目要求详细注释，所以我们在代码中每一句关键操作加上注释。由于用户要求不使用过多STL，我们没有使用任何STL容器，只使用了基本类型和数组。下面我们写代码：注意：指数exponent是非负整数。我们以n=0,1为边界，然后对于n>=2，计算矩阵的n-1次幂。但是注意：当n=2时，计算矩阵的1次幂（即自身），然后取左上角元素，应该是1（F2=1），正确。代码示例：注意：如果n很大，long long也会溢出，所以通常题目会要求取模。我们这里先不考虑取模，但实际应用中一般需要。为了通用，我们可以增加一个模数参数，但用户没有要求，我们就先按无取模写。但是斐波那契数列增长很快，所以我们可以提供一个带模数的版本，或者让用户自己修改。为了灵活性，我们在注释中说明，如果需要取模，可以在乘法运算中每一步取模。下面我们写一个带模数和不带模数均可扩展的版本？但是用户要求详细注释，我们先写一个不带模数的，然后在注释中说明如何添加取模。实际上，我们可以把乘法函数改为模板函数，支持一个可选的模数参数。但是为了简单，我们先不考虑，用户需要时自行添加。开始编写： </think>### 不使用STL的矩阵快速幂模板（C++详细注解版）下面是使用原生数组实现的高效矩阵快速幂模板，每行代码均添加详细注释，适用于斐波那契数列等线性递推问题的求解： ```cpp #include <iostream> using namespace std; const int MOD = 1000000007; // 模数防止大数溢出 /** * 矩阵乘法 (固定尺寸) * @param n 矩阵维度 * @param A 输入矩阵A (n x n) * @param B 输入矩阵B (n x n) * @param res 输出结果矩阵 (n x n) */ void matrix_multiply(int n, long long A[][2], long long B[][2], long long res[][2]) { long long temp[2][2] = {{0}}; // 临时存储结果，避免覆盖原数据 // 三重循环实现矩阵乘法 for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { for (int k = 0; k < n; k++) { // 累加乘积并取模 temp[i][j] = (temp[i][j] + (A[i][k] * B[k][j]) % MOD) % MOD; } } } // 将结果复制到输出矩阵 for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { res[i][j] = temp[i][j]; } } } /** * 矩阵快速幂 * @param n 矩阵维度 * @param base 基底矩阵 (n x n) * @param exp 指数 * @param res 结果矩阵 (n x n) */ void matrix_power(int n, long long base[][2], long long exp, long long res[][2]) { // 初始化结果矩阵为单位矩阵 long long identity[2][2] = {{1, 0}, {0, 1}}; // 将单位矩阵复制到结果矩阵 for (int i = 0; i < n; i++) { for (int j = 0; j < n; j++) { res[i][j] = identity[i][j]; } } // 快速幂算法核心 while (exp > 0) { // 若当前二进制位为1，乘入结果 if (exp & 1) { matrix_multiply(n, res, base, res); // res = res * base } // 基底矩阵平方 matrix_multiply(n, base, base, base); // base = base * base // 指数右移一位 exp >>= 1; } } /** * 使用矩阵快速幂计算斐波那契数 * @param n 斐波那契数列索引 * @return 第n个斐波那契数 (Fₙ) */ long long fibonacci_matrix(long long n) { if (n == 0) return 0; // F₀ = 0 if (n == 1) return 1; // F₁ = 1 // 斐波那契的特征矩阵 [1 1] // [1 0] long long base[2][2] = {{1, 1}, {1, 0}}; // 存储矩阵幂的结果 long long result_matrix[2][2]; // 计算特征矩阵的(n-1)次幂 matrix_power(2, base, n - 1, result_matrix); // Fₙ = 结果矩阵左上角元素 return result_matrix[0][0]; } int main() { cout << "F(10) = " << fibonacci_matrix(10) << endl; // 输出: 55 cout << "F(50) = " << fibonacci_matrix(50) << endl; // 输出: 12586269025 // 验证公式: Fₙ = Fₙ₋₁ + Fₙ₋₂ cout << "F(20) + F(19) = " << fibonacci_matrix(20) + fibonacci_matrix(19) << " vs F(21) = " << fibonacci_matrix(21) << endl; return 0; } ``` ### 代码关键点解析 1. **矩阵维度处理** - 固定使用二维数组存储矩阵 (`long long [][2]`) - 显式传递维度参数 (`int n`) 保持灵活性 2. **矩阵乘法优化** ```cpp long long temp[2][2] = {{0}}; // 临时结果缓冲区 ``` - 避免在计算过程中直接修改结果矩阵 - 防止迭代计算时的数据污染问题 3. **快速幂核心逻辑** ```cpp while (exp > 0) { if (exp & 1) { // 二进制位检测 matrix_multiply(n, res, base, res); } matrix_multiply(n, base, base, base); // 基底平方 exp >>= 1; // 指数右移 } ``` - 时间复杂度优化：$O(\log n)$ 替代 $O(n)$ - 二进制分解指数减少计算量 4. **斐波那契特化实现** ```cpp return result_matrix[0][0]; // 数学原理: Fₙ = Mⁿ⁻¹[0][0] ``` - 基于矩阵关系：$\begin{pmatrix} Fₙ \\ Fₙ₋₁ \end{pmatrix} = \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}^{n-1} \begin{pmatrix} 1 \\ 0 \end{pmatrix}$ ### 算法优势 1. **高性能** - 计算 $F_{10^6}$ 仅需约20次矩阵乘法 - 单次矩阵乘法时间复杂度：$O(k^3)$ ($k$为矩阵维度) 2. **避免STL开销** - 使用原生数组替代 `vector<vector<>>` - 固定栈内存分配，避免动态内存管理 3. **数值稳定性** - 模运算防止大数溢出 - 临时缓冲区避免迭代污染 ### 扩展建议如需应用于其他递推关系（如Tribonacci数列），只需修改特征矩阵： ```cpp // Tribonacci特征矩阵 (三阶) long long base[3][3] = {{1,1,1}, {1,0,0}, {0,1,0}}; ```