79 lines
2.2 KiB
Markdown
79 lines
2.2 KiB
Markdown
---
|
||
title: 快速幂算法详解
|
||
createTime: 2026/01/09 16:05:00
|
||
cover: /images/elysia/9.jpg
|
||
coverStyle:
|
||
layout: left
|
||
permalink: /archives/1325a3bf-91d7-43ff-9630-e894549e12c1/
|
||
---
|
||
## 简介
|
||
|
||
快速幂算法是用于快速计算的算法，可以用于快速的处理大整数幂的场景。
|
||
|
||
最简单的 for 循环求数字的 n 次幂需要 $O(n)$ 的时间复杂度。快速幂方法可以达到 $O(\log N)$ 的时间复杂度。
|
||
|
||
快速幂的核心思想是将指数拆分，以达到快速计算的目的。
|
||
|
||
## 快速幂 - 二进制法
|
||
|
||
### 原理
|
||
|
||
二进制法的核心思想是将指数转换为二进制形式，通过逐位处理并结合平方运算减少乘法次数。
|
||
|
||
**二进制分解指数**
|
||
将指数 $n$ 表示为二进制形式，例如 $n=13$ 对应二进制为 `1101`，即 $13=8+4+1=2^3+2^2+2^0$。
|
||
|
||
**幂的拆分**
|
||
根据二进制分解，$a^n=a^{2^k} \times a^{2^{k-1}} \times \dots \times a^{2^0}$，其中仅当二进制位为 1 时，对应项被保留。
|
||
|
||
**逐位处理与平方加速**
|
||
- 从最低位到最高位依次处理二进制每一位。
|
||
- 若当前位为 1，则将当前的底数累乘到结果中。
|
||
- 每一步将底数平方，为处理更高位做准备。
|
||
|
||
### 代码示例
|
||
|
||
```python
|
||
def power(base, exp):
|
||
res = 1
|
||
while exp > 0:
|
||
if exp & 1:
|
||
res *= base
|
||
base *= base
|
||
exp >>= 1
|
||
return res
|
||
```
|
||
|
||
## 快速幂 - 折半法
|
||
|
||
### 原理
|
||
|
||
折半法的核心公式如下：
|
||
|
||
我们要快速计算 $a$ 的 $n$ 次方：
|
||
|
||
- 当 $n$ 为奇数的时候：$a^n = a \cdot (a^2)^{(n-1)/2}$
|
||
- 当 $n$ 为偶数的时候：$a^n = (a^2)^{n/2}$
|
||
- 当 $n$ 为 0 的时候，直接返回 1
|
||
|
||
通过递归或迭代，将大指数问题分解为小指数问题，最后合并结果。
|
||
|
||
### 代码示例
|
||
|
||
```python
|
||
def power(base, exp):
|
||
if exp == 0: return 1
|
||
half = power(base, exp // 2)
|
||
return half * half * (base if exp % 2 else 1)
|
||
```
|
||
|
||
## 两种方法对比
|
||
|
||
| 特性 | 二进制法 | 折半法 |
|
||
| :--- | :--- | :--- |
|
||
| **实现方式** | 迭代 + 位运算 | 递归/迭代 + 分治 |
|
||
| **时间复杂度** | $O(\log N)$ | $O(\log N)$ |
|
||
| **空间复杂度** | $O(1)$ | $O(\log N)$ （递归） |
|
||
|
||
两者都可以实现在指数时间解决问题，二进制方法比折半法更加的省空间。
|