标签：log int 质数 算法 几种 枚举 复杂度 Rabin

有一个正整数 \(n\) ，试判断 \(n\) 是不是质数。

经典模板了属于是
主要有质数筛、枚举因子、Miller Rabin 算法三种做法

1. 质数筛

分为埃氏筛和欧拉筛（线性筛）两种

埃氏筛应该是判断质数的最基础方法了
从 \(2\) 开始从小到大依次枚举整数
如果没被筛过就说明是质数，同时应将其所有倍数（除本身外）筛去

    v[1]=1; // 值为 1 表示非质数，0 表示是质数
    for (int i=2; i<=n; ++i) if (!v[i])
        for (int j=(i<<1); j<=n; j+=i) v[j]=1;

时间复杂度 \(O(n\log \log n)\)

欧拉筛同样是筛倍数，但用了一些技巧将时间复杂度降至了 \(O(n)\)

    v[1]=1;
    for (int i=2; i<=n; ++i) {
        if (!v[i]) p[++cnt]=i;
        for (int j=1; j<=cnt&&p[j]*i<=n; ++j) {
            v[p[j]*i]=1;
            if (i%p[j]==0) break;
        }
    }

关键在于每个数恰好被其最小质因子筛一次
看懂这个结论之后 正确性和时间复杂度就都很显然了

2. 枚举因子

质数的定义：只有两个正因数（\(1\) 和本身）的自然数是质数。
所以只需判断 \(2\sim n-1\) 中有没有 \(n\) 的因子
\(x\) 的因子是成对出现的，每一对因子中较小者必然不超过 \(\sqrt n\) ，因此从 \(2\) 枚举到 \(\sqrt n\) 即可

int isp(int x) { //判断质数，是则返回 1 ，否则返回 0
    if (x==1) return 0; // 1 既不是质数也不是合数
    for (int i=2; i*i<=x; ++i)
        if (x%i==0) return 0;
    return 1;
}

时间复杂度为 \(O(\sqrt n)\)

细想一下发现仅枚举质因子即可保证正确性
所以有一种优化思路是尽量避免枚举合数

考虑如下结论：
大于 \(3\) 的质数必然和 \(6\) 的倍数相邻。

设 \(k\) 为正整数，则 \(6k-2,6k,6k+2,6k+3\) 显然都为合数
因此只需枚举形如 \(6k\pm 1(k\in\mathbb N^*)\) 的数即可

int isp(int x) {
    if (x<5) return (x==2||x==3); // 注意 2,3 需要特判
    if (x%6!=1&&x%6!=5) return 0;
    for (int i=5; i*i<=x; i+=6)
        if (x%i==0||x%(i+2)==0) return 0;
    return 1;
}

时间复杂度依然为 \(O(\sqrt n)\) ，但实际运行要比优化前快几倍，而且代码也不长，日常做题推荐使用

3. Miller-Rabin 素性检测

这篇文章讲得非常详细了：link

时间复杂度 \(O(k\log n)\) ，其中 \(k\) 为测试次数

OI 中可以选择固定的几个常数做测试，在保证准确的前提下：
\(2^{32}\) 以内选择 \(2,7,61\) 三个数即可
\(10^{16}\) 以内选择 \(2,3,7,13,61,24251\) 六个数即可
数据范围更大时还是建议换成随机数，具体实现可参考上面提到的文章

4. 总结

\(O(n)-O(1)\) 表示预处理 \(O(n)\) ，回答单次询问 \(O(1)\) （埃氏筛时间复杂度同理）

如果数据范围较小，用暴力随便搞搞就行了
如果询问次数很多且 \(n\) 不是很大，应使用筛法（推荐线性筛）
Miller-Rabin 代码量大，写起来比较耗时，尽量少用
考场上很少会出现必须用 Miller-Rabin 的情况，所以这个算法不用练得太熟 差不多得了

标签：log,int,质数,算法,几种,枚举,复杂度,Rabin
来源： https://www.cnblogs.com/REKonib/p/15345371.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。