Численная мощность матрицы/показатель по модулю?

Можно ли использовать numpy linalg.matrix_power с модулем, чтобы элементы не становились больше определенного значения?

Ответ 1

Чтобы предотвратить переполнение, вы можете использовать тот факт, что вы получаете тот же результат, если сначала принимаете по модулю каждого из ваших номеров ввода; на самом деле:

(M**k) mod p = ([M mod p]**k) mod p,

для матрицы M. Это происходит из следующих двух основных тождеств, которые справедливы для целых чисел x и y:

(x+y) mod p = ([x mod p]+[y mod p]) mod p  # All additions can be done on numbers *modulo p*
(x*y) mod p = ([x mod p]*[y mod p]) mod p  # All multiplications can be done on numbers *modulo p*

То же самое верно и для матриц, так как сложение и умножение матрицы можно выразить через скалярное сложение и умножение. При этом вы только выражаете незначительные числа (n mod p, как правило, намного меньше n) и гораздо реже получат переполнения. Поэтому в NumPy вы просто делаете

((arr % p)**k) % p

чтобы получить (arr**k) mod p.

Если этого еще недостаточно (т.е. если существует риск того, что [n mod p]**k вызывает переполнение, несмотря на то, что n mod p является небольшим), вы можете разбить экспоненцию на несколько экспоненций. Фундаментальные тождества выше дают

(n**[a+b]) mod p = ([{n mod p}**a mod p] * [{n mod p}**b mod p]) mod p

и

(n**[a*b]) mod p = ([n mod p]**a mod p)**b mod p.

Таким образом, вы можете разбить мощность k как a+b+… или a*b*… или любую их комбинацию. Вышеупомянутые тождества позволяют выполнять только экспоненциальные числа небольших чисел по малым числам, что значительно снижает риск переполнения целых чисел.

Ответ 2

Использование реализации из Numpy:

https://github.com/numpy/numpy/blob/master/numpy/matrixlib/defmatrix.py#L98

Я адаптировал его, добавив модульный термин. ОДНАКО, есть ошибка, в которой, если происходит переполнение, не возникает OverflowError или любое другое исключение. С этого момента решение будет неправильным. Существует отчет об ошибке здесь.

Вот код. Используйте с осторожностью:

from numpy.core.numeric import concatenate, isscalar, binary_repr, identity, asanyarray, dot
from numpy.core.numerictypes import issubdtype    
def matrix_power(M, n, mod_val):
    # Implementation shadows numpy matrix_power, but with modulo included
    M = asanyarray(M)
    if len(M.shape) != 2 or M.shape[0] != M.shape[1]:
        raise ValueError("input  must be a square array")
    if not issubdtype(type(n), int):
        raise TypeError("exponent must be an integer")

    from numpy.linalg import inv

    if n==0:
        M = M.copy()
        M[:] = identity(M.shape[0])
        return M
    elif n<0:
        M = inv(M)
        n *= -1

    result = M % mod_val
    if n <= 3:
        for _ in range(n-1):
            result = dot(result, M) % mod_val
        return result

    # binary decompositon to reduce the number of matrix
    # multiplications for n > 3
    beta = binary_repr(n)
    Z, q, t = M, 0, len(beta)
    while beta[t-q-1] == '0':
        Z = dot(Z, Z) % mod_val
        q += 1
    result = Z
    for k in range(q+1, t):
        Z = dot(Z, Z) % mod_val
        if beta[t-k-1] == '1':
            result = dot(result, Z) % mod_val
    return result % mod_val

Ответ 3

Что не так с очевидным подходом?

например.

import numpy as np

x = np.arange(100).reshape(10,10)
y = np.linalg.matrix_power(x, 2) % 50