矩阵快速幂 模板

 

 1 #define maxn 15
 2 
 3 int n, k;    // n阶方阵的k次幂 
 4 
 5 struct matrix//定义一个结构体,方便传递值
 6 {
 7     int m[maxn][maxn];
 8 };
 9 
10 /*
11 mod由全局定义,mod根据需要可以省去
12 */
13 
14 matrix mul(matrix a, matrix b)    //矩阵求积, 矩阵乘法 
15 {
16     matrix ans;
17     for(int i = 1; i <= n; i++)
18     {
19         for(int j = 1; j <= n; j++)
20         {
21             ans.m[i][j] = 0;
22             for(int k = 1; k <= n; k++)
23             {
24                 ans.m[i][j] += (a.m[i][k] * b.m[k][j]) % mod;
25                 ans.m[i][j] %= mod;    // 这里一定要再次取模 
26             }
27         }
28     }
29     return ans;
30 }
31 
32 matrix quick_pow(matrix a, int b)    //矩阵快速幂
33 {
34     matrix ans;
35     for(int i = 1; i <= n; i++)
36     {
37         for(int j = 1; j <= n; j++)
38         {
39             if(i == j)
40                 ans.m[i][j] = 1;
41             else
42                 ans.m[i][j] = 0;//这里要初始化为单位矩阵,类比普通快速幂这里初始化为1
43         }
44     }
45     while(b != 0)//方法与普通快速幂相同,只有乘法的实现不同
46     {
47         if(b % 2 == 1)
48             ans = mul(a, ans);
49         a = mul(a, a);
50         b /= 2;
51     }
52     
53     return ans;
54 }

 

转载于:https://www.cnblogs.com/FengZeng666/p/11486321.html

内容概要:本文档主要介绍了Intel Edge Peak (EP) 解决方案,涵盖从零到边缘高峰的软件配置和服务管理。EP解决方案旨在简化客户的入门门槛,提供一系列工具和服务,包括Edge Software Provisioner (ESP),用于构建和缓存操作系统镜像和软件栈;Device Management System (DMS),用于远程集群或本地集群管理;以及Autonomous Clustering for the Edge (ACE),用于自动化边缘集群的创建和管理。文档详细描述了从软件发布、设备制造、运输、安装到最终设备激活的全过程,并强调了在不同应用场景(如公共设施、工业厂房、海上油井和移动医院)下的具体部署步骤和技术细节。此外,文档还探讨了安全设备注册(FDO)、集群管理、密钥轮换和备份等关键操作。 适合人群:具备一定IT基础设施和边缘计算基础知识的技术人员,特别是负责边缘设备部署和管理的系统集成商和运维人员。 使用场景及目标:①帮助系统集成商和客户简化边缘设备的初始配置和后续管理;②确保设备在不同网络环境下的安全启动和注册;③支持大规模边缘设备的自动化集群管理和应用程序编排;④提供详细的密钥管理和集群维护指南,确保系统的长期稳定运行。 其他说明:本文档是详细描述了Edge Peak技术及其应用案例。文档不仅提供了技术实现的指导,还涵盖了策略配置、安全性和扩展性的考虑,帮助用户全面理解和实施Intel的边缘计算解决方案。
### 矩阵快速幂算法的实现 矩阵快速幂是一种高效的算法,用于计算矩阵的高次。它基于分治的思想以及矩阵乘法的结合律来降低时间复杂度。以下是矩阵快速幂的一个通用代码模板: #### Python 实现 ```python import numpy as np def matrix_multiply(A, B, mod=None): """矩阵相乘""" rows_A, cols_A = len(A), len(A[0]) rows_B, cols_B = len(B), len(B[0]) if cols_A != rows_B: raise ValueError("无法进行矩阵乘法") result = [[0 for _ in range(cols_B)] for __ in range(rows_A)] for i in range(rows_A): for j in range(cols_B): temp_sum = 0 for k in range(cols_A): temp_sum += A[i][k] * B[k][j] if mod is not None: temp_sum %= mod result[i][j] = temp_sum return result def matrix_power(matrix, n, mod=None): """矩阵快速幂""" size = len(matrix) identity_matrix = [[int(i == j) for j in range(size)] for i in range(size)] result = identity_matrix base = matrix while n > 0: if n % 2 == 1: result = matrix_multiply(result, base, mod=mod) base = matrix_multiply(base, base, mod=mod) n //= 2 return result ``` 上述代码实现了两个核心函数: - `matrix_multiply`:完成两个矩阵之间的乘法操作,并支持模运算[^1]。 - `matrix_power`:通过快速幂的方式高效地计算矩阵的高次。 #### C++ 实现 对于更注重性能的语言如C++,也可以提供类似的实现方式: ```cpp #include <vector> using namespace std; // 定义矩阵大小和取模值 const int MOD = 1e9 + 7; typedef vector<vector<long long>> Matrix; Matrix multiply(const Matrix &A, const Matrix &B){ int r = A.size(), c = B[0].size(); Matrix C(r, vector<long long>(c, 0)); for(int i = 0;i < r;i++) { for(int j = 0;j < c;j++) { for(int k = 0;k < (int)B.size();k++) { C[i][j] = (C[i][j] + A[i][k]*B[k][j])%MOD; } } } return C; } Matrix power(Matrix base, long long exp){ int sz = base.size(); Matrix res(sz, vector<long long>(sz, 0)); // 单位矩阵初始化 for(int i = 0;i < sz;i++) res[i][i] = 1; while(exp > 0){ if(exp & 1){ // 如果当前指数为奇数 res = multiply(res, base); } base = multiply(base, base); // 平方更新基底 exp >>= 1; // 右移一位相当于除以2 } return res; } ``` 以上代码同样包含了两部分功能: - `multiply` 函数负责执行矩阵间的乘法并处理大整数溢出问题[^4]。 - `power` 函数则采用快速幂的方法加速矩阵次的计算。 #### 应用实例——斐波那契数列 假设我们需要使用矩阵快速幂求解第 \(n\) 项斐波那契数列,则可以通过如下构造矩阵来进行计算: \[ M = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix}, V_0 = \begin{bmatrix} F(1)\\ F(0) \end{bmatrix} = \begin{bmatrix} 1\\ 0 \end{bmatrix}. \] 那么有 \(\text{{result}} = M^{n-1} \times V_0\) 表示最终的结果向量[^3]。 --- ###
评论
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