Berlekamp-Massey 算法

Berlekamp-Massey 算法是一种用于求数列的最短递推式的算法。给定一个长为 \(n\) 的数列，如果它的最短递推式的阶数为 \(m\)，则 Berlekamp-Massey 算法能够在 \(O(nm)\) 时间内求出数列的每个前缀的最短递推式。最坏情况下 \(m = O(n)\)，因此算法的最坏复杂度为 \(O(n^2)\)。

定义

定义一个数列 \(\{a_0 \dots a_{n - 1} \}\) 的递推式为满足下式的序列 \(\{r_0\dots r_m\}\)：

\(\sum_{j = 0} ^ m r_j a_{i - j} = 0, \forall i \ge m\)

其中 \(r_0 = 1\)。\(m\) 称为该递推式的阶数。

数列 \(\{a_i\}\) 的最短递推式即为阶数最小的递推式。

做法

与上面定义的稍有不同，这里定义一个新的递推系数 \(\{f_0 \dots f_{m - 1}\}\)，满足：

\(a_i = \sum_{j = 0} ^ {m - 1} f_j a_{i - j - 1}, \forall i \ge m\)

容易看出 \(f_i = -r_{i + 1}\)，并且阶数 \(m\) 与之前的定义是相同的。

我们可以增量地求递推式，按顺序考虑 \(\{a_i\}\) 的每一位，并在递推结果出现错误时对递推系数 \(\{f_i\}\) 进行调整。方便起见，以下将前 \(i\) 位的最短递推式记为 \(F_i = \{f_{i, j}\}\)。

显然初始时有 \(F_0 = \{\}\)。假设递推系数 \(F_{i - 1}\) 对数列 \(\{a_i\}\) 的前 \(i - 1\) 项均成立，这时对第 \(i\) 项就有两种情况：

递推系数对 \(a_i\) 也成立，这时不需要进行任何调整，直接令 \(F_i = F_{i - 1}\) 即可。
递推系数对 \(a_i\) 不成立，这时需要对 \(F_{i - 1}\) 进行调整，得到新的 \(F_i\)。

设 \(\Delta_i = a_i - \sum_{j = 0} ^ m f_{i - 1, j} a_{i - j - 1}\)，即 \(a_i\) 与 \(F_{i - 1}\) 的递推结果的差值。

如果这是第一次对递推系数进行修改，则说明 \(a_i\) 是序列中的第一个非零项。这时直接令 \(F_i\) 为 \(i\) 个 \(0\) 即可，显然这是一个合法的最短递推式。

否则设上一次对递推系数进行修改时，已考虑的 \(\{a_i\}\) 的项数为 \(k\)。如果存在一个序列 \(G = \{g_0 \dots g_{m' - 1}\}\)，满足：

\(\sum_{j = 0} ^ {m' - 1} g_j a_{i' - j - 1} = 0, \forall i' \in [m', i)\)

并且 \(\sum_{j = 0} ^ {m' - 1} g_j a_{i - j - 1} = \Delta_i\)，那么不难发现将 \(F_k\) 与 \(G\) 按位分别相加之后即可得到一个合法的递推系数 \(F_i\)。

考虑如何构造 \(G\)。一种可行的构造方案是令

\(G = \{0, 0, \dots, 0, \frac{\Delta_i}{\Delta_k}, -\frac{\Delta_i}{\Delta_k}F_k\}\)

其中前面一共有 \(i - k - 1\) 个 \(0\)，且最后的 \(-\frac{\Delta_i}{\Delta_k} F_k\) 表示将 \(F_k\) 每项乘以 \(-\frac{\Delta_i}{\Delta_k}\) 后接在序列后面。

不难验证此时 \(\sum_{j = 0} ^ {m' - 1} g_j a_{i - j - 1} = \Delta_k \frac{\Delta_i}{\Delta_k} = \Delta_i\)，因此这样构造出的是一个合法的 \(G\)。将 \(F_i\) 赋值为 \(F_k\) 与 \(G\) 逐项相加后的结果即可。

如果要求的是符合最开始定义的递推式 \(\{r_i\}\)，则将 \(\{f_j\}\) 全部取相反数后在最开始插入 \(r_0 = 1\) 即可。

从上述算法流程中可以看出，如果数列的最短递推式的阶数为 \(m\)，则算法的复杂度为 \(O(nm)\)。最坏情况下 \(m = O(n)\)，因此算法的最坏复杂度为 \(O(n^2)\)。

在实现算法时，由于每次调整递推系数时都只需要用到上次调整时的递推系数 \(F_k\)，因此如果只需要求整个数列的最短递推式，可以只存储当前递推系数和上次调整时的递推系数，空间复杂度为 \(O(n)\)。

参考实现

C++
vector<int> berlekamp_massey(const vector<int> &a) {
  vector<int> v, last;  // v is the answer, 0-based, p is the module
  int k = -1, delta = 0;

  for (int i = 0; i < (int)a.size(); i++) {
    int tmp = 0;
    for (int j = 0; j < (int)v.size(); j++)
      tmp = (tmp + (long long)a[i - j - 1] * v[j]) % p;

    if (a[i] == tmp) continue;

    if (k < 0) {
      k = i;
      delta = (a[i] - tmp + p) % p;
      v = vector<int>(i + 1);

      continue;
    }

    vector<int> u = v;
    int val = (long long)(a[i] - tmp + p) * power(delta, p - 2) % p;

    if (v.size() < last.size() + i - k) v.resize(last.size() + i - k);

    (v[i - k - 1] += val) %= p;

    for (int j = 0; j < (int)last.size(); j++) {
      v[i - k + j] = (v[i - k + j] - (long long)val * last[j]) % p;
      if (v[i - k + j] < 0) v[i - k + j] += p;
    }

    if ((int)u.size() - i < (int)last.size() - k) {
      last = u;
      k = i;
      delta = a[i] - tmp;
      if (delta < 0) delta += p;
    }
  }

  for (auto &x : v) x = (p - x) % p;
  v.insert(v.begin(), 1);

  return v;  // $\forall i, \sum_{j = 0} ^ m a_{i - j} v_j = 0$
}

朴素的 Berlekamp-Massey 算法求解的是有限项数列的最短递推式。如果待求递推式的序列有无限项，但已知最短递推式的阶数上界，则只需取出序列的前 \(2m\) 项即可求出整个序列的最短递推式。（证明略）

应用

由于 Berlekamp-Massey 算法的数值稳定性比较差，在处理实数问题时一般很少使用。为了叙述方便，以下均假定在某个质数 \(p\) 的剩余系下进行运算。

求向量列或矩阵列的最短递推式

如果要求向量列 \(\mathbf{v}_i\) 的最短递推式，设向量的维数为 \(n\)，我们可以随机一个 \(n\) 维行向量 \(\mathbf u^T\)，并计算标量序列 \(\{\mathbf{u}^T\mathbf{v}_i\}\) 的最短递推式。由 Schwartz-Zippel 引理，二者的最短递推式有至少 \(1 - \frac n p\) 的概率相同。

求矩阵列 \(\{A_i\}\) 的最短递推式也是类似的，设矩阵的大小为 \(n \times m\)，则只需随机一个 \(1 \times n\) 的行向量 \(\mathbf u^T\) 和一个 \(m \times 1\) 的列向量 \(\mathbf{v}\)，并计算标量序列 \(\{\mathbf{u}^T A_i \mathbf{v}\}\) 的最短递推式即可。由 Schwartz-Zippel 引理可以类似地得到二者相同的概率至少为 \(1 - \frac{n + m} p\)。

优化矩阵快速幂

设 \(\mathbf{f}_i\) 是一个 \(n\) 维列向量，并且转移满足 \(\mathbf{f}_i = A \mathbf{f}_{i - 1}\)，则可以发现 \(\{\mathbf{f}_i\}\) 是一个不超过 \(n\) 阶的线性递推向量列。（证明略）

我们可以直接暴力求出 \(\mathbf{f}_0 \dots \mathbf{f}_{2n - 1}\)，然后用前面提到的做法求出 \(\{\mathbf{f}_i\}\) 的最短递推式，再调用常系数齐次线性递推即可。

如果要求的向量是 \(\mathbf{f}_m\)，则算法的复杂度是 \(O(n^3 + n\log n \log m)\)。如果 \(A\) 是一个只有 \(k\) 个非零项的稀疏矩阵，则复杂度可以降为 \(O(nk + n\log n \log m)\)。但由于算法至少需要 \(O(nk)\) 的时间预处理，因此在压力不大的情况下也可以使用 \(O(n^2 \log m)\) 的线性递推算法，复杂度同样是可以接受的。

求矩阵的最小多项式

方阵 \(A\) 的最小多项式是次数最小的并且满足 \(f(A) = 0\) 的多项式 \(f\)。

实际上最小多项式就是 \(\{A^i\}\) 的最小递推式，所以直接调用 Berlekamp-Massey 算法就可以了。如果 \(A\) 是一个 \(n\) 阶方阵，则显然最小多项式的次数不超过 \(n\)。

瓶颈在于求出 \(A^i\)，因为如果直接每次做矩阵乘法的话复杂度会达到 \(O(n^4)\)。但考虑到求矩阵列的最短递推式时实际上求的是 \(\{\mathbf{u}^T A^i \mathbf{v}\}\) 的最短递推式，因此我们只要求出 \(A^i \mathbf{v}\) 就行了。

假设 \(A\) 有 \(k\) 个非零项，则复杂度为 \(O(kn + n^2)\)。

求稀疏矩阵行列式

如果能求出方阵 \(A\) 的特征多项式，则常数项乘上 \((-1)^n\) 就是行列式。但是最小多项式不一定就是特征多项式。

实际上如果把 \(A\) 乘上一个随机对角阵 \(B\)，则 \(AB\) 的最小多项式有至少 \(1 - \frac {2n^2 - n} p\) 的概率就是特征多项式。最后再除掉 \(\text{det}\;B\) 就行了。

设 \(A\) 为 \(n\) 阶方阵，且有 \(k\) 个非零项，则复杂度为 \(O(kn + n ^ 2)\)。

求稀疏矩阵的秩

设 \(A\) 是一个 \(n\times m\) 的矩阵，首先随机一个 \(n\times n\) 的对角阵 \(P\) 和一个 \(m\times m\) 的对角阵 \(Q\), 然后计算 \(Q A P A^T Q\) 的最小多项式即可。

实际上不用调用矩阵乘法，因为求最小多项式时要用 \(Q A P A^T Q\) 乘一个向量，所以我们依次把这几个矩阵乘到向量里就行了。答案就是最小多项式除掉所有 \(x\) 因子后剩下的次数。

设 \(A\) 有 \(k\) 个非零项，且 \(n \le m\)，则复杂度为 \(O(kn + n ^ 2)\)。

解稀疏方程组

问题：已知 \(A \mathbf x = \mathbf b\), 其中 \(A\) 是一个 \(n \times n\) 的满秩稀疏矩阵，\(\mathbf b\) 和 \(\mathbf x\) 是 \(1\times n\) 的列向量。\(A, \mathbf b\) 已知，需要在低于 \(n^\omega\) 的复杂度内解出 \(x\)。

做法：显然 \(\mathbf x = A^{-1} \mathbf b\)。如果我们能求出 \(\{A^i \mathbf b\}\)(\(i \ge 0\)) 的最小递推式 \(\{r_0 \dots r_{m - 1}\}\)(\(m \le n\)), 那么就有结论

\(A^{-1} \mathbf b = -\frac 1 {r_{m - 1}} \sum_{i = 0} ^ {m - 2} A^i \mathbf b r_{m - 2 - i}\)

（证明略）

因为 \(A\) 是稀疏矩阵，直接按定义递推出 \(\mathbf b \dots A^{2n - 1} \mathbf b\) 即可。

同样地，设 \(A\) 中有 \(k\) 个非零项，则复杂度为 \(O(kn + n^2)\)。

参考实现

C++
vector<int> solve_sparse_equations(const vector<tuple<int, int, int> > &A,
                                   const vector<int> &b) {
  int n = (int)b.size();  // 0-based

  vector<vector<int> > f({b});

  for (int i = 1; i < 2 * n; i++) {
    vector<int> v(n);
    auto &u = f.back();

    for (auto [x, y, z] : A)  // [x, y, value]
      v[x] = (v[x] + (long long)u[y] * z) % p;

    f.push_back(v);
  }

  vector<int> w(n);
  mt19937 gen;
  for (auto &x : w) x = uniform_int_distribution<int>(1, p - 1)(gen);

  vector<int> a(2 * n);
  for (int i = 0; i < 2 * n; i++)
    for (int j = 0; j < n; j++) a[i] = (a[i] + (long long)f[i][j] * w[j]) % p;

  auto c = berlekamp_massey(a);
  int m = (int)c.size();

  vector<int> ans(n);

  for (int i = 0; i < m - 1; i++)
    for (int j = 0; j < n; j++)
      ans[j] = (ans[j] + (long long)c[m - 2 - i] * f[i][j]) % p;

  int inv = power(p - c[m - 1], p - 2);

  for (int i = 0; i < n; i++) ans[i] = (long long)ans[i] * inv % p;

  return ans;
}

例题

本页面的全部内容在 小熊老师 - 莆田青少年编程俱乐部 0594codes.cn 协议之条款下提供，附加条款亦可能应用