矩阵快速幂
矩阵快速幂，就是矩阵乘法和快速幂的结合，所以在讲矩阵快速幂之前，先讲讲矩阵乘法和快速幂。
矩阵
矩阵的定义
什么是矩阵？由 \(m \times n\) 个数 \(a_{i,j}(i=1,2,\cdots,m;j=1,2,\cdots,n)\) 排成的一个 \(m\) 行 \(n\) 列的数表
被称为 \(m\) 行 \(n\) 列矩阵，简称 \(m \times n\) 矩阵。为了表示这是个整体总是加一个括弧，并用大写字母表示他，计做：
这个矩阵中的\(m \times n\)个数被称为矩阵\(A\)的元素，简称元。矩阵\(A\)也可被计做\(A_{m \times n}\)。
行矩阵（行向量）： 只有一行的矩阵。
列矩阵（列向量）： 只有一列的矩阵。
同型矩阵： 两个矩阵\(A\)、\(B\)的行数和列数都相等
单位矩阵： 在矩阵乘法中起着很大的作用，相当于乘法中的\(1\)，她是个方阵（即行数和列数相同的矩阵），左上角到右下角的对角线（被称为主对角线）上的元素都是\(1\)，除此之外都是\(0\)。如下就是一个\(4 \times 4\)的单位矩阵：
矩阵加法
我们定义两个m \(\times n\)的矩阵\(A\)和\(B\)相加为：
注意：
- 矩阵加法满足交换律和结合律
- 只有两个同型矩阵才可以做加法
矩阵乘法
我们定义两个矩阵 \(A_{m \times s}\) 和 \(B_{s \times n}\) 相乘得到一个矩阵 \(C_{m,n}\)，并且
并将此计做 \(C=AB\)。
注意： 矩阵乘法不满足交换律，但满足结合律和分配律。
\(\tiny{\text{这里没放图是因为放了也看不懂（逃}}\)
如果还不理解的话可以看这里
用代码写出来就是下面这个亚子：
struct matrix
{
int n,m;//n是行数，m是列数
ll e[105][105];
}a;
matrix mul(matrix a,matrix b)
{
matrix ans;
ans.n=a.n;
ans.m=b.m;
for(int i=1;i<=ans.n;i++)
for(int j=1;j<=ans.m;j++)
ans.e[i][j]=0;//初始化
for(int i=1;i<=a.n;i++)
for(int j=1;j<=b.m;j++)
for(int k=1;k<=a.m;k++)
ans.e[i][j]=(ans.e[i][j]+(a.e[i][k]*b.e[k][j])%mod)%mod;//矩阵乘法结果可能很大，所以要取模
return ans;
}
快速幂
一般我们求 \(x^y\) 的方法是一个个乘过去，但这种方法太慢了。我们需要一种新的，快速的方法来求，而这种方法就是快速幂。这里我们举例来理解，就比如求 \(3^{5}\)，用 \(ans\) 记录答案。\(5\) 转成二进制就是 \({(101)}_2\)，那么我们从右往左开始枚举，首先，有个1，那么我们就记录 \(ans=ans \times 3=1 \times 3=3\)，然后让 \(3\) 变成自己的平方，也就是 \(3^2=9\) ，然后接下来是个 \(0\)，那就不用乘，然后再让 \(9\) 变成自己的平方 \(81\)，然后又是个 \(1\)，所以 \(ans=ans \times 81=3 \times 81=243\)。最后，得到 \(3^5 = 243\)。手算一下可以发现这是对的。当然 \(x^y\) 很可能是个很大的数，所以一般都会取模。
代码实现长这个亚子：
long long power(long a,long b,long c)
{
long long ans=1;
while(b)//没有枚举完
{
if(b&1) ans=(ans*a)%c;//这一位是否是1
a=(a*a)%c;
b>>=1;//走到下一位
}
return ans%c;
}
矩阵快速幂
讲完了上面这些，那矩阵快速幂就很好理解了！就是把运算改成矩阵运算。
首先，\(ans\) 和返回值都应该是一个矩阵；然后，\(ans\) 应该初始化为单位矩阵，原因上面已经讲了；（1.1 矩阵的定义）再然后，里面的乘法应该改成矩阵乘法。最后提醒一句，矩阵快速幂必须是个方阵，否则要两个同型矩阵（自己乘自己，当然是同型矩阵啦~）可以实现矩阵乘法是不可能的。
代码实现：
struct matrix
{
int n,m;
ll e[105][105];
}a;
matrix mul(matrix a,matrix b)
{
matrix ans;
ans.n=a.n;
ans.m=b.m;
for(int i=1;i<=ans.n;i++)
for(int j=1;j<=ans.m;j++)
ans.e[i][j]=0;
for(int i=1;i<=a.n;i++)
for(int j=1;j<=b.m;j++)
for(int k=1;k<=a.m;k++)
ans.e[i][j]=(ans.e[i][j]+(a.e[i][k]*b.e[k][j])%mod)%mod;//快速幂的取模就在这里了！
return ans;
}//代码和上面的区别
matrix power(matrix a,ll b)
{
matrix ans;
ans.n=a.n;
ans.m=a.m;
for(int i=1;i<=ans.n;i++)
for(int j=1;j<=ans.m;j++)
if(i==j) ans.e[i][j]=1;
else ans.e[i][j]=0;//初始化为单元矩阵
while(b)
{
if(b&1) ans=mul(ans,a);//要把乘换成矩阵乘法哦！
a=mul(a,a);//这里也一样呢
b>>=1;
}//快速幂板子
return ans;
}
实际应用
先挂上神仙同学的矩阵加速友链。
矩阵快速幂可以应用到很多递推题上。
先放出一道例题：洛谷P1962 斐波那契数列
这题看到 \(n < 2^{63}\) 就知道，直接递推肯定不行，我们就要用矩阵快速幂来加加速。
我们知道，这题是由初始的两个数递推得来的，那么我们有没有什么办法让他用更快的速度来递推呢？
当然是用矩阵啦~
由于递推 \(F_n\) 需要用到 \(F_{n-1},F_{n-2}\) 两个项，所以我们就构建有两个项的初始矩阵：
然后，显而易见地，目标矩阵长这个样子：
然后，就有了一个递推式子：
但是我们不知道这个 \(C\) 是什么呀。
没关系，我们来把上面的式子拆开来：
为了让结果等于 \(B\)，必须要让
- \(f_{n-1} \times c_{1,1}+f_{n-2} \times c_{2,1} = f_{n-1}+f_{n-2}\)，所以 \(c_{1,1},c_{2,1}\) 都应该等于 \(1\)。
- \(f_{n-1} \times c_{1,2}+f_{n-2} \times c_{2,2} = f_{n-1}\)，所以 \(c_{1,2}=1,c_{2,2}=0\)。
于是就得到了
但是，这样不还是 \(O(n)\) 递推吗？
观察一下，可以发现每次乘的是同一个矩阵，而原来的递推每次的项是不一样的。
这样有什么好处呢？我们可以先让所有的 \(C\) 都乘起来，再乘 \(A\) 就行了。
能这样做，还是因为矩阵乘法满足结合律。
那么要乘几个 \(C\) 呢？是 \(n-2\) 次。为什么呢？因为初始矩阵中已经有了两项：\(F_1\) 和 \(F_2\)。
最终代码如下：
#include<cstdio>
#define ll long long
#define mod 1000000007
using namespace std;
ll n;
struct matrix
{
int n,m;
ll e[105][105];
}a,b;
matrix mul(matrix a,matrix b)
{
matrix ans;
ans.n=a.n;
ans.m=b.m;
for(int i=1;i<=ans.n;i++)
for(int j=1;j<=ans.m;j++)
ans.e[i][j]=0;
for(int i=1;i<=a.n;i++)
for(int j=1;j<=b.m;j++)
for(int k=1;k<=a.m;k++)
ans.e[i][j]=(ans.e[i][j]+(a.e[i][k]*b.e[k][j])%mod)%mod;
return ans;
}
matrix power(matrix a,ll b)
{
matrix ans;
ans.n=a.n;
ans.m=a.m;
for(int i=1;i<=ans.n;i++)
for(int j=1;j<=ans.m;j++)
if(i==j) ans.e[i][j]=1;
else ans.e[i][j]=0;
while(b)
{
if(b&1) ans=mul(ans,a);
a=mul(a,a);
b>>=1;
}
return ans;
}
int main()
{
scanf("%lld",&n);
if(n<=2)
{
printf("1");
return 0;
}
a.n=2,a.m=2;
a.e[1][1]=a.e[1][2]=a.e[2][1]=1;
a=power(a,n-2);
b.n=1,b.m=2;
b.e[1][1]=b.e[1][2]=1;
printf("%lld",mul(b,a).e[1][1]);
return 0;
}
