Cf1151f dp+矩阵快速幂

矩阵快速幂求概率

0有x个,1有y个;定义dp[i][j]:i次时前x位置有j个1的概率;可以从加减不变转移;k很大用矩阵快速幂

#include <iostream>
#include <cstdio>
#include <cstring>
#include <string>
#include <algorithm>
#include <cmath>

using namespace std;

long long n,k;
int a[105];
int N=100;

long long mod=1e9+7;

struct node
{
    long long mat[105][105];
    friend node operator*(node x,node y)
    {
        node c;
        for(int i=0;i<=N;i++)
        {
            for(int j=0;j<=N;j++)
            {
                c.mat[i][j]=0;
                for(int k=0;k<=N;k++)
                {
                    c.mat[i][j]+=(x.mat[i][k]*y.mat[k][j])%mod;
                }
                c.mat[i][j]%=mod;
            }
        }
        return c;
    }
}sta,p,anss;

node powd(node x,long long y)
{
    node ans;
    for(int i=0;i<=N;i++)
        for(int j=0;j<=N;j++)
            if(i==j)
                ans.mat[i][j]=1;
            else
                ans.mat[i][j]=0;

    while(y>0)
    {
        if(y%2==1)
            ans=ans*x;
        x=x*x;
        y/=2;
    }
    return ans;
}

long long powd(long long x,long long y)
{
    long long ans=1;
    while(y>0)
    {
        if(y%2==1)
            ans=ans*x%mod;
        x=x*x%mod;
        y/=2;
    }
    return ans;
}
long long afac(long long x)
{
    return powd(x,mod-2);
}

int main() {

    while(~scanf("%lld%lld",&n,&k))
    {
        int sum=0;
        for(int i=1;i<=n;i++)
            scanf("%d",&a[i]),sum+=a[i];

        long long x=n-sum,y=sum;
        long long sum1=0,sum2=0;
        for(int i=1;i<=x;i++)
        {
            if(a[i]==1)
                sum1++;
        }
        sum2=sum-sum1;

        long long ac=afac(n*(n-1)/2);

        for(int i=0;i<=N;i++)
        {
            for(int j=0;j<=N;j++)
            {
                if(j==0 && i==sum1)
                    sta.mat[i][j]=1;
                else
                    sta.mat[i][j]=0;

                p.mat[i][j]=0;
                if(i>x || j>x)
                    continue;

                long long p1,p2;
                p1=(x-j)*(sum-j)%mod;p1=p1*ac%mod;
                p2=j*(j)%mod;p2=p2*ac%mod;

                if(j==i)
                    p.mat[i][j]=(1-p1-p2)%mod;
                else if(j==i-1)
                    p.mat[i][j]=p1;
                else if(j==i+1)
                    p.mat[i][j]=p2;
            }
        }

        anss=powd(p,k)*sta;
        long long tans=anss.mat[0][0]%mod;
        tans=(tans+mod)%mod;
        printf("%lld\n",tans);
    }
    return 0;
}

 

<think>首先,用户的问题是关于矩阵快速幂的介绍以及它与斐波那契数列的关联。用户参考了站内引用,这些引用提供了相关信息,我需要基于这些内容构建回答。 关键点从引用中提取: - 引用[1]:斐波那契数列可以表示为矩阵乘法,具体是初始矩阵乘以矩阵[[1,1],[1,0]]的n次方。使用快速幂算法可以实现O(log n)时间复杂度的方法。 - 引用[2]:详细描述了矩阵快速幂方法,包括matrix_multiply, matrix_power, 和 fibonacci_matrix 函数。 - 引用[3]:提到了矩阵快速幂作为斐波那契数列的一种高效解法,时间复杂度为O(log n)。 我的回答需要: 1. 结构清晰,逐步解释。 2. 使用中文回答。 3. 遵守LaTeX语法规则:行内数学表达式用$...$,独立公式用$$...$$并单独成段。 4. 在引用的段落末尾添加自然地引用标识,如[^1]。 5. 生成相关问题。 回答结构: - 引言:介绍矩阵快速幂及其重要性。 - 解释矩阵快速幂:什么是矩阵快速幂?它是如何工作的? - 斐波那契数列与矩阵的关联:展示斐波那契数列如何用矩阵表示。 - 结合矩阵快速幂求解斐波那契数列:详细描述算法。 - 代码示例:提供或参考代码(如引用中的)。 - 性能分析:讨论时间复杂度。 - 总结。 - 生成相关问题。 确保LaTeX正确: - 例如,矩阵表示为:$\begin{bmatrix} a & b \\ c & d \end{bmatrix}$ - 斐波那契数列:$F_n$ - 矩阵乘法等。 引用处理: - 基于用户提供的引用添加标识。例如,提到斐波那契矩阵表示时,引用[^1]。 完整回答大纲: 1. **矩阵快速幂介绍**: - 快速幂是计算$a^b$的高效算法,扩展到矩阵。 - 基本思想:利用二进制分解减少乘法次数。 - 时间复杂度O(log n)。 2. **斐波那契数列定义**: - Fibonacci sequence: $F_0 = 0, F_1 = 1, F_n = F_{n-1} + F_{n-2}$ for $n \geq 2$。 3. **斐波那契与矩阵关联**: - 引用[1]:斐波那契数列可以用矩阵表示: $$ \begin{pmatrix} F_{n} \\ F_{n-1} \end{pmatrix} = \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix} \begin{pmatrix} F_{n-1} \\ F_{n-2} \end{pmatrix} $$ 因此, $$ \begin{pmatrix} F_{n} \\ F_{n-1} \end{pmatrix} = \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}^{n-1} \begin{pmatrix} F_{1} \\ F_{0} \end{pmatrix} = \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix}^{n-1} \begin{pmatrix} 1 \\ 0 \end{pmatrix} $$ 这启发了使用矩阵快速幂计算$F_n$[^1]。 4. **矩阵快速幂算法**: - 类似于快速幂: - 初始化结果矩阵为单位矩阵。 - 遍历指数二进制位,如果当前位为1,则乘以base矩阵。 - base矩阵平方,指数右移。 - 代码参考引用[2]。 5. **代码示例**: - 提供类似引用[2]的Python代码,但要确保正确。 - 使用独立代码块。 6. **优势**: - 时间复杂度O(log n),优于迭代法O(n)和递归法O(2^n)[^3]。 7. **总结**。 生成相关问题: - 基于内容,如: 1. 矩阵快速幂的其他应用场景? 2. 斐波那契数列的其他高效算法? 3. 如何优化矩阵乘法以进一步提高性能? 4. 矩阵表示法的数学推导细节? 最终输出: - 回答部分。 - §§相关问题§§部分。 </think>### 矩阵快速幂介绍及其在斐波那契数列中的应用 矩阵快速幂是将快速幂算法扩展到矩阵运算的高效方法。快速幂的核心思想是通过二进制分解指数,减少乘法次数,从而将计算幂次的时间复杂度从$O(n)$优化到$O(\log n)$。当应用于矩阵时,该算法特别适用于求解线性递推关系(如斐波那契数列),能显著提升计算效率[^1]。 #### 1. **快速幂算法基础** 快速幂用于标量计算$a^b$: - 将指数$b$表示为二进制形式。 - 迭代过程中,如果二进制当前位为1,则累乘base;否则,base自乘,指数右移。 - 示例代码(标量版): ```python def quick_pow(base, exp): res = 1 while exp: if exp & 1: # 检查最低位是否为1 res *= base base *= base # base自乘 exp >>= 1 # 指数右移一位 return res ``` 例如,计算$2^{10}$:$10 = (1010)_2$,只需4次乘法(vs. 10次迭代)。 扩展到矩阵时,算法相同,但需自定义矩阵乘法: - 输入:矩阵$A$,指数$n$。 - 输出:$A^n$。 - 时间复杂度:$O(\log n)$,其中矩阵乘法开销取决于维度(如$2 \times 2$矩阵乘法为$O(1)$)。 #### 2. **斐波那契数列的矩阵表示** 斐波那契数列定义为: $$ F_0 = 0, \quad F_1 = 1, \quad F_n = F_{n-1} + F_{n-2} \quad (n \geq 2) $$ 关键发现:斐波那契数列可转化为矩阵幂的形式。 令: $$ \mathbf{v}_n = \begin{pmatrix} F_n \\ F_{n-1} \end{pmatrix}, \quad A = \begin{pmatrix} 1 & 1 \\ 1 & 0 \end{pmatrix} $$ 则递推关系等价于: $$ \mathbf{v}_n = A \mathbf{v}_{n-1} $$ 初始条件:$\mathbf{v}_1 = \begin{pmatrix} F_1 \\ F_0 \end{pmatrix} = \begin{pmatrix} 1 \\ 0 \end{pmatrix}$。 通过迭代可得: $$ \mathbf{v}_n = A^{n-1} \mathbf{v}_1 = A^{n-1} \begin{pmatrix} 1 \\ 0 \end{pmatrix} $$ 因此,$F_n$是矩阵$A^{n-1}$的第一行第一列元素。这建立了斐波那契数列与矩阵幂的直接关联[^1][^2]。 #### 3. **结合矩阵快速幂求解斐波那契数列** 步骤: 1. **矩阵乘法函数**:计算两个$2 \times 2$矩阵乘积。 $$ \begin{pmatrix} a & b \\ c & d \end{pmatrix} \times \begin{pmatrix} e & f \\ g & h \end{pmatrix} = \begin{pmatrix} ae + bg & af + bh \\ ce + dg & cf + dh \end{pmatrix} $$ 2. **矩阵快速幂函数**:计算$A^n$。 3. **斐波那契计算函数**:取$A^{n-1}$的首元素。 Python实现(参考并优化引用[2]): ```python def matrix_multiply(A, B): """计算两个2x2矩阵的乘积""" return [ [A[0][0]*B[0][0] + A[0][1]*B[1][0], A[0][0]*B[0][1] + A[0][1]*B[1][1]], [A[1][0]*B[0][0] + A[1][1]*B[1][0], A[1][0]*B[0][1] + A[1][1]*B[1][1]] ] def matrix_power(matrix, exp): """矩阵快速幂:计算matrix^exp""" # 初始化结果矩阵为单位矩阵 result = [[1, 0], [0, 1]] base = matrix while exp: if exp & 1: result = matrix_multiply(result, base) base = matrix_multiply(base, base) # base自乘 exp >>= 1 # 指数右移 return result def fib_matrix(n): """使用矩阵快速幂计算斐波那契数列第n项""" if n == 0: return 0 # 定义特征矩阵A A = [[1, 1], [1, 0]] # 计算A^(n-1) A_exp = matrix_power(A, n - 1) # A^(n-1)乘以初始向量[F1, F0]^T = [1, 0]^T return A_exp[0][0] # F_n = 结果矩阵的(0,0)元素 # 示例:计算F_10 print(fib_matrix(10)) # 输出: 55 ``` #### 4. **性能分析与优势** - **时间复杂度**:矩阵快速幂的乘法次数为$O(\log n)$,每次矩阵乘法为$O(1)$(固定$2 \times 2$矩阵),因此总时间为$O(\log n)$。 对比其他方法: - 递归法:$O(2^n)$,指数级爆炸。 - 迭代法:$O(n)$,线性但慢于大$n$。 - 动态规划:$O(n)$,需存储中间状态[^3]。 - **空间复杂度**:$O(1)$,仅需常数空间。 - **适用性**:特别适合计算超大$n$(如$n > 10^6$),在实际应用中(如密码学或图形学)高效可靠[^2][^3]。 #### 5. **总结** 矩阵快速幂通过将斐波那契数列建模为矩阵幂问题,并利用快速幂的二进制分解,实现了$O(\log n)$的高效计算。该方法不仅数学优美(基于线性代数),还展示了算法优化在解决递归问题中的强大威力[^1][^2]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值