回答此问题可获得 20 贡献值,回答如果被采纳可获得 50 分。
<p>几周前,我在Google+上看到一条评论,其中有人演示了一种直接计算Fibonacci数的方法,这种方法不基于递归,也不使用记忆。他实际上只是记住了最后两个数字,并不断地将它们相加。这是一个O(n)算法,但他实现得非常干净。所以我很快指出,一个更快的方法是利用它们可以计算为[[0,1],[1,1]]矩阵的幂,而且只需要O(log(N))计算。在</p>
<p>当然,问题是,这远远不是超过某一点的最佳值。只要数值不太大,它是有效的,但长度以N*log(phi)/log(10)的速率增长,其中N是第N个斐波纳契数,phi是黄金比率(1+sqrt(5))/2~1.6。事实证明,log(phi)/log(10)非常接近1/5。所以第N个Fibonacci数大概有N/5位数。在</p>
<p>矩阵乘法,甚至是数字乘法,当数字开始有数百万或数十亿位数时,变得非常缓慢。所以F(100000)计算大约需要0.03秒(在Python中),而F(1000000)大约需要5秒。这几乎不是O(logn)增长。我的估计是,这种方法在没有改进的情况下,只将计算优化为O((log(N))^(2.5))左右。在</p>
<p>以这样的速度计算第十亿个斐波纳契数会非常慢(尽管它只有大约1000000000/5位数字,所以很容易放入32位内存中)。在</p>
<p>有没有人知道一种实现或算法可以使计算速度更快?也许可以计算出万亿次的斐波纳契数。在</p>
<p>为了清楚起见,我不是在寻找一个近似值。我在寻找精确的计算结果(精确到最后一位)。在</p>
<p><strong>编辑1:</strong>我正在添加Python代码,以显示我认为是O((logn)^2.5))算法。在</p>
<pre><code>from operator import mul as mul
from time import clock
class TwoByTwoMatrix:
__slots__ = "rows"
def __init__(self, m):
self.rows = m
def __imul__(self, other):
self.rows = [[sum(map(mul, my_row, oth_col)) for oth_col in zip(*other.rows)] for my_row in self.rows]
return self
def intpow(self, i):
i = int(i)
result = TwoByTwoMatrix([[long(1),long(0)],[long(0),long(1)]])
if i <= 0:
return result
k = 0
while i % 2 == 0:
k +=1
i >>= 1
multiplier = TwoByTwoMatrix(self.rows)
while i > 0:
if i & 1:
result *= multiplier
multiplier *= multiplier # square it
i >>= 1
for j in xrange(k):
result *= result
return result
m = TwoByTwoMatrix([[0,1],[1,1]])
t1 = clock()
print len(str(m.intpow(100000).rows[1][1]))
t2 = clock()
print t2 - t1
t1 = clock()
print len(str(m.intpow(1000000).rows[1][1]))
t2 = clock()
print t2 - t1
</code></pre>
<p><strong>编辑2:</strong>
看起来我没有考虑到<code>len(str(...))</code>会对测试的整个运行时做出重大贡献这一事实。将测试更改为</p>
^{pr2}$
<p>将运行时间缩短到.008秒和.31秒(当使用<code>len(str(...))</code>时,从.03秒和5秒缩短到.008秒和.31秒)。在</p>
<p>因为M=[[0,1],[1,1]]的幂N是[[F(N-2),F(N-1)],[F(N-1),F(N)],
另一个明显的效率低下的原因是计算矩阵的(0,1)和(1,0)元素,好像它们是不同的一样。这个(我换成了Python3,但是Python2.7倍是相似的):</p>
<pre><code>class SymTwoByTwoMatrix():
# elments (0,0), (0,1), (1,1) of a symmetric 2x2 matrix are a, b, c.
# b is also the (1,0) element because the matrix is symmetric
def __init__(self, a, b, c):
self.a = a
self.b = b
self.c = c
def __imul__(self, other):
# this multiplication does work correctly because we
# are multiplying powers of the same symmetric matrix
self.a, self.b, self.c = \
self.a * other.a + self.b * other.b, \
self.a * other.b + self.b * other.c, \
self.b * other.b + self.c * other.c
return self
def intpow(self, i):
i = int(i)
result = SymTwoByTwoMatrix(1, 0, 1)
if i <= 0:
return result
k = 0
while i % 2 == 0:
k +=1
i >>= 1
multiplier = SymTwoByTwoMatrix(self.a, self.b, self.c)
while i > 0:
if i & 1:
result *= multiplier
multiplier *= multiplier # square it
i >>= 1
for j in range(k):
result *= result
return result
</code></pre>
<p>在9.51秒内计算出F(100000)in.006,F(1000000)in.235和F(10000000)。在</p>
<p>这是意料之中的。它产生的结果比最快的测试快45%,预期增益应该渐近接近
功率因数/(1+2*功率因数+功率因数*功率因数)~23.6%。在</p>
<p>M^N的(0,0)元素实际上是N-2nd斐波纳契数:</p>
<pre><code>for i in range(15):
x = m.intpow(i)
print([x.a,x.b,x.c])
</code></pre>
<p>给予</p>
<pre><code>[1, 0, 1]
[0, 1, 1]
[1, 1, 2]
[1, 2, 3]
[2, 3, 5]
[3, 5, 8]
[5, 8, 13]
[8, 13, 21]
[13, 21, 34]
[21, 34, 55]
[34, 55, 89]
[55, 89, 144]
[89, 144, 233]
[144, 233, 377]
[233, 377, 610]
</code></pre>
<p>我认为不必计算元素(0,0)将产生额外的1/(1+phi+phi*phi)~19%的加速。但F(2N)和F(2N-1)<a href="https://stackoverflow.com/a/38445336/1219722">solution given by Eli Korvigo below</a>的<code>lru_cache</code>实际上给出了4倍的<strong>加速(即75%)。所以,虽然我还没有找到一个正式的解释,但我很想认为它在N的二进制展开中缓存了1的跨距,并且做了必要的最小数量的乘法。这就避免了寻找这些范围的需要,预先计算它们,然后在N的展开中的正确点乘以它们。<code>lru_cache</code>允许从上到下的计算,这将是一个更复杂的按钮到顶部的计算。在</p>
<p>当N增长10倍时,<code>SymTwoByTwoMatrix</code>和lru缓存-of-F(2N)-和-F(2N-1)都要花费大约40倍的时间来计算。我认为这可能是由于Python实现了长整型的乘法。我认为大数的乘法和加法应该是可并行化。因此,多线程sub-O(N)解决方案应该是可能的,即使(正如Daniel Fisher在评论中所说)F(N)解决方案是<code>Theta(n)</code>。在</p>