首页 > 其他分享 >Lifting The Exponent

Lifting The Exponent

时间:2025-01-22 19:53:22浏览次数:1  
标签:end Exponent limits sum mid aligned nu Lifting

全文默认 \(p\) 为素数

用 \(a,b\) 代表任意整数,用 \(x,y\) 代表不是 \(p\) 的倍数的整数

Lemma 0

Part 1 直接的因式分解

\[\begin{aligned} & a^n - b^n \\ =& (a-b) \sum\limits_{i=0}^{n-1} a^i b^{n-1-i} \end{aligned}\]

Part 2 凑 \(a-b\) 专用

\[\begin{aligned} & a^n - b^n \\ =& ((a-b) + b)^n - b^n \\ =& \sum\limits_{i=1}^n \binom n i (a-b)^i b^{n-i} \\ =& (a-b) \sum\limits_{i=1}^{n} \binom n i (a-b)^{i-1} b^{n-i} \end{aligned}\]

通用的柿子

Lemma 1

若 \(p^k \mid (a-b)\),则 \(p^{k+1} \mid (a^p - b^p)\)。

经典的特殊情况:若 \(p \mid (a-b)\),则 \(p^2 \mid (a^p - b^p)\)。

Proof

由 Lemma 0,

\[\begin{aligned} & a^p - b^p \\ =& (a-b) \sum\limits_{i=1}^p \binom p i (a-b)^{i-1} b^{p-i} \end{aligned}\]

每一项都是 \(p^{k+1}\) 的倍数。

Theorem 1

若 \(p \mid (a-b)\):

\[\nu_p(a^n - b^n) \ge \nu_p(a - b) + \nu_p(n) \]

Proof

令 \(k = \nu_p(n)\)。

给 \(p^{\nu_p(a-b)} \mid a-b\) 套 \(k\) 层 Lemma 1 可知 \(p^{\nu_p(a-b) + k} \mid a^{p^k} - b^{p^k}\)。

由于 \(p^k \mid n\),可知 \(a^{p^k} - b^{p^k} \mid a^n - b^n\)。(把 \(n\) 看成 \(p^k \times m\),然后 \((a^{p^k})^m - (b^{p^k})^m\) 因式分解)

根据整除的传递性 \(p^{\nu_p(a-b) + k} \mid a^n - b^n\),即 \(\nu_p(a^n - b^n) \ge \nu_p(a - b) + \nu_p(n)\)。

Example 1 经典老题

\(n\) 是正整数,\(a,b\) 是互不相等的整数,\(n \mid (a^n - b^n)\)。证明:\(n \mid \frac {a^n - b^n} {a - b}\)。

Proof

只要证 \(\forall p \mid n, \nu_p(\frac {a^n - b^n} {a-b}) \ge \nu_p(n)\)。

若 \(p \mid a - b\),则由 Theorem 1 可知直接成立。

若 \(p \nmid a - b\):\(\nu_p(\frac {a^n - b^n} {a-b}) = \nu_p(a^n - b^n)\),再根据题目条件 \(\nu_p(a^n - b^n) \ge \nu_p(n)\)。

特殊条件下的等式

上面因为 \(a,b\) 自身可能是 \(p\) 的倍数,性质不好,得到的都是不等式。接下来我们换成 \(x,y\),就能得到许多等式了。

切记本文用 \(x,y\) 代表 \(p \nmid x, p \nmid y\),没有这个条件时可能导致定理不成立

Lemma 2

对于 \(p \nmid n\),\(p \mid x-y\),有

\[\nu_p(x^n - y^n) = \nu_p(x-y) \]

Proof

\[\begin{aligned} & x^n - y^n \\ =& (x-y) \sum\limits_{i=0}^{n-1} x^i y^{n-i-1} \\ =& (x-y) \sum\limits_{i=0}^{n-1} x^i (x+kp)^{n-i-1} \end{aligned}\]

求和算出来与 \(n \times x^{n-1}\) 在 \(\bmod p\) 下同余,因为 \(p \nmid n\) 且 \(p \nmid x\) 而不能为 \(0\)。

LTE

\(p\) 为素数,\(x,y\) 不是 \(p\) 的倍数,\(p \mid (x-y)\)。则对于任意正整数 \(n\),有

\[\nu_p(x^n - y^n) = \nu_p(x - y) + \nu_p(n) \]

\[\nu_p\left(\frac {x^n - y^n} {x-y}\right) = \nu_p(n) \]

Proof

对于 \(p \nmid n\) 的情况已经在 Lemma 2 证过了。所以接下来只关心 \(p \mid n\)。

\[\begin{aligned} & \frac {x^n - y^n} {x-y} \\ =& \sum\limits_{i=0}^{n-1} x^i y^{n-1-i} \\ =& \sum\limits_{i=0}^{n-1} ((x-y) + y)^i y^{n-i-1} \\ =& \sum\limits_{i=0}^{n-1} \sum\limits_{j=0}^i \binom i j (x-y)^j y^{n-j-1} \end{aligned}\]

考虑 Special Case: \(n=p\)。

\[\begin{aligned} & \frac {x^p - y^p} {x-y} \\ =& \sum\limits_{i=0}^{p-1} \sum\limits_{j=0}^i \binom i j (x-y)^j y^{p-j-1} \end{aligned}\]

当 \(j \ge 2\) 时,\(\binom i j (x-y)^j y^{p-j-1}\) 必为 \(p^2\) 倍数,不管了。对于其余项:

\[\begin{aligned} & \sum\limits_{i=0}^{p-1} y^{p-1} + i (x-y) y^{p-2} \\ =& p \times y^{p-1} + \frac {p (p-1)} 2 (x-y) y^{p-2} \\ \equiv& p \times y^{p-1} \pmod {p^2} \end{aligned}\]

(在这个地方用到了 \(p\) 是奇数的性质,导致了以后 \(p=2\) 需要单独讨论)

这意味着 \(\nu_p\left(\frac {x^n - y^n} {x-y}\right) = 1\)。Special Case 证毕。

对于剩余情况,令 \(n = p^a \times b\),其中 \(p \nmid b\)。

\[\begin{aligned} & \nu_p(x^n - y^n) \\ =& \nu_p((x^{p^a})^b - (y^{p^a})^b) \\ =& \nu_p(x^{p^a} - y^{p^a}) & \text{Lemma 2} \\ =& \nu_p((x^{p^{a-1}})^p - (y^{p^{a-1}})^p) \\ =& \nu_p(x^{p^{a-1}} - y^{p^{a-1}}) + 1 & \text{Special Case} \\ =& \nu_p(x-y) + a & \text{Mathematical induction} \end{aligned}\]

证毕。

标签:end,Exponent,limits,sum,mid,aligned,nu,Lifting
From: https://www.cnblogs.com/AugustLight/p/-/Lifting-The-Exponent

相关文章

  • Exponential Recency Weighted Average Branching Heuristic for SAT SolversExponent
    1.CHB(conflicthistory-basedbranchingheuristic)分支策略1.1奖励函数\(numConflicts\)从搜索开始发生冲突的总次数\(lastConflict[v]\)文字\(v\)在冲突分析出现,则\(lastConflict[v]=numConflicts\)\(multiplier\)取值为1.0或0.9。\(multiplier=1.0\)当分支、传播......
  • python 实现matrix exponentiation矩阵求幂算法
    matrixexponentiation矩阵求幂算法介绍矩阵求幂算法(MatrixExponentiation)是一种通过利用矩阵乘法的结合律来高效地计算矩阵的幂的算法。这种方法特别适用于在算法竞赛和计算机科学领域中解决需要快速计算矩阵幂的问题,如求解线性递推关系、图论中的路径计数等。基本思想......
  • pyro ExponentialLR 如何设置优化器 optimizer的学习率 pytorch 深度神经网络 bnn,
     第一。pyro不支持“ReduceLROnPlateau”,因为需要Loss作为输入数值,计算量大pytorch的学习率调整视频看这个博主的视频05-01-学习率调整策略_哔哩哔哩_bilibili第二,svi支持 scheduler注意点,属于 pyro.optim.PyroOptim的有三个AdagradRMSPropClippedAdamDC......
  • 时间序列分析论文翻译与笔记:The correct way to start an Exponential Moving Average
            在之前的笔记中,我们初步认识了指数移动平均(指数加权移动平均),本文将通过翻译一篇DavidOwen 在2017年的一篇博客,讨论如何确保移动平均数能够通过识别记录信息的时长,来适应新的信息。原文链接:点击这里(原文的代码为R,本文将补充py代码)目录如何正确地开始指数移......
  • IfcDimensionalExponents
    IfcDimensionalExponents实体定义注:定义依据ISO/CD10303-41:1992任何量的维数都可以表示为基本量的维数的幂的乘积。维度指数实体定义基本量的维度的幂。所有物理量都基于七个基本量(ISO31(第2条))。注:长度、质量、时间、电流、热力学温度、物质量和发光强度是七个基本量。示例2毫......
  • 52 Things: Number 24: Describe the binary, m-ary and sliding window exponentiati
    52Things:Number24:Describethebinary,m-aryandslidingwindowexponentiationalgorithms.52件事:第24件:描述二进制、m进制和滑动窗口求幂算法。 Thisisthelatestinaseriesofblogpoststoaddressthelistof '52ThingsEveryPhDStudentShouldKnow......
  • 无涯教程-toExponential()函数
    此方法返回一个以指数表示形式表示数字对象的字符串。toExponential()-语法number.toExponential([fractionDigits])fractionDigits   - 一个整数,指定小数点后的位数。toExponential()-返回值一个字符串,以指数表示形式表示Number对象,其小数点前有一位数字,四舍......
  • P8392 BalticOI 2022 Day1 Uplifting Excursion
    P8392BalticOI2022Day1UpliftingExcursion贪心加动规,好题,这两个甚至完全相反的东西可以融进一道题……思路物品较少,贡献较小,体积较小,但总体积巨大。直接上\(dp\)容易把心态搞炸。我们可以先考虑贪心,使贡献最多还剩\(m\)。然后考虑背包填满剩下的体积,且\(i\)和\(-i......
  • 神经网络优化篇:详解指数加权平均的偏差修正(Bias correction in exponentially weighte
    指数加权平均的偏差修正\({{v}_{t}}=\beta{{v}_{t-1}}+(1-\beta){{\theta}_{t}}\)在上一个博客中,这个(红色)曲线对应\(\beta\)的值为0.9,这个(绿色)曲线对应的\(\beta\)=0.98,如果执行写在这里的公式,在\(\beta\)等于0.98的时候,得到的并不是绿色曲线,而是紫色曲线,可以注意到紫色曲线......
  • 神经网络优化篇:理解指数加权平均数(Understanding exponentially weighted averages)
    理解指数加权平均数回忆一下这个计算指数加权平均数的关键方程。\({{v}_{t}}=\beta{{v}_{t-1}}+(1-\beta){{\theta}_{t}}\)\(\beta=0.9\)的时候,得到的结果是红线,如果它更接近于1,比如0.98,结果就是绿线,如果\(\beta\)小一点,如果是0.5,结果就是黄线。进一步地分析,来理解如何计......