什么是快速幂，为什么要使用快速幂？
Macw: 快速幂有好多好处。
Penelope: 例如？
Macw: 它比较快。
见名知意，快速幂算法可以在非常短的时间内求出一个数的 \(n\) 次幂。虽然快速幂在初学阶段的应用不算太多，但是快速幂背后的思想是非常值得我们去理解的。
举例而言，如果我们要求出 \(3^4\) 的值是多少？我们当然可以暴力求解 \(3 \times 3 \times 3 \times 3 = 81\)。如果要求出 \(3^{n}\) 是多少呢？暴力也还不为过...
暴算法力求解一个数的次幂的时间复杂度是 \(O(n)\)。如果我们要求解的次幂非常高的时候，那么速度就会变得非常慢。众所周知，普通64位测评机每秒也就能处理 \(10^8\) 左右的数据。因此我们需要找到一个更优的算法来解决这个问题。
快速幂算法的核心思想就是幂运算的乘法法则。
我们以求 \(3^{16}\) 为例，根据“同底次幂相乘，底数不变，指数相加的法则”，我们可以把问题看作成求解 \(3^{8} \times 3^{8}\) 的值。不难看出，这样的话我们只需要知道 \(3^8\) 的值，我们就可以快速求出 \(3^{16}\) 的值了，不再需要在 \(3^8\) 的基础上再乘 \(8\) 遍来得到最终结果。相同地，我们也可以以同样的方法快速求出 \(3^8\) 的值，这样子程序运行的速度将会大大减少：
再以计算 \(3^{16}\) 次方为例：
- 我们先计算 \(3^2\) 的值。
- 然后就可以立刻计算出 \(3^4\) 的值。
- 然后就又可以计算出 \(3^8\) 的值。
- 最后就能快速地计算出 \(3^{16}\) 的值了。
比较新的快速幂的算法和普通的暴力算法，可以看到原本需要运行 \(16\) 次的乘法运算现在只需要运算 \(4\) 次就可以计算出答案了。当数据量越大的时候，两个算法的速度差距就会越明显。（稍微学过初高等数学的人可以推断出快速幂算法的时间复杂度约为 \(O(log_2(n))\)，对数时间复杂度远优于线性时间复杂度）。
快速幂算法的进一步拓展
然而，大家也都发现了，普通的快速幂算法只能解决要求解次幂为 \(2\) 的指数的情况（将代码稍做修改其实也可以解决所有以偶数作为次幂的情况）（例如：\(1, 2, 4, 8, \dots, 2^n\)）。难道对于那些非 \(2\) 的指数倍的次幂就没有办法了吗？当然不是。
我们都知道，任意一个数字都可以被查分成多个 \(2\) 的次幂的和。
例如数字 \(34\)，可以写成二进制形式 \(100100_{(Base\space2)}\)。那么 \(32\) 这个数字就可以被分解成 \(2^5 + 2^2\)。再根据幂运算的乘法法则，若要计算出任意数字 \(x^{34}\)，只需要计算出 \(x^{2^5}\) 和 \(x^{2^2}\)，即 \(x^{32}\) 和 \(x^{4}\) 就可以再按照之前的快速幂方法快速求解答案。
因此，对于求任意一个指数非 \(2\) 的次幂的值，我们可以将这个指数分解成多个 \(2\) 的次幂相加的和并依次求解出最后的答案即可。其中，这多个 \(2\) 的次幂的数字我们也可以通过普通的快速幂算法快速求得答案。
到目前为止，快速幂算法就迎刃而解了。
快速幂算法的代码以及实现
这个是 C++ 代码的快速幂模版：
这段代码通过递归求解问题，将一个大的次幂转变成两个小的次幂的积进行运算。
// 计算以 base 为底数的 exponent 次方的值
long long quick_power_recursive(int base, int exponent) {
if (exponent == 0)
// 如果指数为0，返回1
return 1;
else if (exponent % 2 == 0) {
// 如果指数为偶数，递归计算底数的一半指数幂
long long temp = quick_power_recursive(base, exponent / 2);
// 返回底数的一半指数幂的平方
return temp * temp;
} else {
// 如果指数为奇数，递归计算底数的一半指数幂
long long temp = quick_power_recursive(base, (exponent - 1) / 2);
// 返回底数乘以底数的一半指数幂的平方
return base * temp * temp;
}
}
这个是经过位运算优化过后的快速幂模板：
// 计算以 base 为底数的 exponent 次方的值
long long quick_power(int base, int exponent) {
// 初始化结果为 1
long long result = 1;
// 当指数不为0时进行循环
while (exponent) {
// 如果指数为奇数，将当前底数乘到结果中
if (exponent & 1)
result *= base;
// 底数平方
base *= base;
// 将指数右移一位，相当于除以 2
exponent >>= 1;
}
return result; // 返回结果
}
矩阵快速幂 - 结束语
学过线性代数的同学们看过来！
快速幂算法不光可以求解普通的快速幂问题，我们还可以用同样的方法对一个任意大小的矩阵求快速幂。快速幂在矩阵乘法中的作用非常的大，普通的两个矩阵相乘的时间复杂度约为 \(O(n^3)\)，其中 \(n \times n\) 为矩阵的大小。
\[Matrix = \begin{bmatrix} a_{1,1} & a_{1,2} & a_{1,3} \\ a_{2,1} & a_{2,2} & a_{2,3} \\ a_{3,1} & a_{3,2} & a_{3,3} \end{bmatrix}^n \]相比较普通快速幂，矩阵快速幂只需要重新定义乘法的运算规则即可。这里提供一个用结构体来重定义运算符的方法：
struct matrix{
int a[5][5];
matrix() { memset(a, 0, sizeof a); }
matrix operator * (const matrix &b) const {
matrix res;
for (int i=1; i<=2; i++){
for (int j=1; j<=2; j++){
for (int k=1; k<=2; k++){
res.a[i][j] = (res.a[i][j] + a[i][k] * b.a[k][j]) % MOD;
}
}
}
return res;
}
} ans, base;
矩阵快速幂的一个常见应用场景就是动态规划，也就是我们常说的矩阵加速动态规划算法。有关这方面的知识我会在后期单独出一篇文章来详细讲解。
标签：知识点,exponent,矩阵,底数,long,算法,base,快速 From： https://www.cnblogs.com/Macw07/p/18159695