[论文解读] Algorithms for determining integer complexity

Juan Arias de Reyna, J. Lune|arXiv (Cornell University)|Apr 8, 2014

Advanced Combinatorial Mathematics参考文献 5被引用 8

一句话总结

本文提出了一种优化算法，用于计算整数复杂度 ‖n‖（即仅使用 +、× 和括号表达 n 所需的最少 1 的个数）在所有 n ≤ N 范围内的值。通过借鉴 Martin N. Fuller 的工作，采用空间高效的分块方法，作者实现了 O(N^α) 的时间复杂度，其中 α ≈ 1.230175，空间复杂度为 O(N^{(1+β)/2} log log N)，显著优于以往的 O(N²) 和 O(N log²N) 方法。

ABSTRACT

We present three algorithms to compute the complexity $\Vert n\Vert$ of all natural numbers $ n\le N$. The first of them is a brute force algorithm, computing all these complexities in time $O(N^2)$ and space $O(N\log^2 N)$. The main problem of this algorithm is the time needed for the computation. In 2008 there appeared three independent solutions to this problem: V. V. Srinivas and B. R. Shankar [11], M. N. Fuller [7], and J. Arias de Reyna and J. van de Lune [3]. All three are very similar. Only [11] gives an estimation of the performance of its algorithm, proving that the algorithm computes the complexities in time $O(N^{1+β})$, where $1+β=\log3/\log2\approx1.584963$. The other two algorithms, presented in [7] and [3], were very similar but both superior to the one in [11]. In Section 2 we present a version of these algorithms and in Section 4 it is shown that they run in time $O(N^α)$ and space $O(N\log\log N)$. (Here $α= 1.230175$). In Section 2 we present the algorithm of [7] and [3]. The main advantage of this algorithm with respect to that in [11] is the definition of kMax in Section 2.7. This explains the difference in performance from $O(N^{1+β})$ to $O(N^α)$. In Section 3 we present a detailed description a space-improved algorithm of Fuller and in Section 5 we prove that it runs in time $O(N^α)$ and space $O(N^{(1+β)/2}\log\log N)$, where $α=1.230175$ and $(1+β)/2\approx0.792481$.

研究动机与目标

• 开发一种高效算法，用于计算所有 n ≤ N 的整数复杂度 ‖n‖，其中复杂度定义为仅使用 + 和 × 运算表达 n 所需的最少 1 的个数。
• 将暴力方法中 O(N²) 的时间复杂度降低至 O(N^α)，其中 α ≈ 1.230175，显著提升可扩展性。
• 通过引入受 Fuller 优化启发的分块内存管理策略，最小化空间使用量，将空间复杂度降低至 O(N^{(1+β)/2} log log N)。
• 正式证明改进后算法的时间与空间复杂度界限，填补了先前文献中此类分析缺失的空白。
• 通过提供理论严谨且高效的算法，实现所有 n ≤ 10^12 的整数复杂度计算，如后续工作所宣布。

提出的方法

• 采用动态规划方法，通过递推关系迭代计算复杂度值：‖n‖ = min{‖a‖ + ‖b‖}，其中 a,b < n 且满足 a + b = n 或 a × b = n。
• 引入 kMax 限制阈值，以限制每个 n 的基于求和的检查次数，减少冗余计算，提升时间效率。
• 实现分块内存模型：固定大小为 H 的块，以及 N/H 个大小为 L 的运行块，其中 L = 2ℓ 且 H ≈ N^{(1+β)/2}，以高效管理内存。
• 使用 b 进制数字分解及函数 D(b,r) 来控制复杂度的增长，通过在 b = 2^n 3^m 的基础上进行对数优化，推导出指数 α。
• 利用 zeta 函数界和几何级数进行渐近分析，证明跨块的求和与乘积操作总成本保持在 O(N^α)。
• 通过将块大小与可除性约束（ℓ | H, ℓ | N）对齐，优化块初始化与数据复制过程，确保正确性与效率。

实验结果

研究问题

• RQ1 使用动态规划结合加法与乘法运算时，计算所有 n ≤ N 的整数复杂度的最优时间复杂度是多少？
• RQ2 在保持接近最优时间性能的前提下，如何最小化此类计算中的内存使用量？
• RQ3 通过优化分块内存模型，能否改进先前算法（如 O(N^{1+β}) 方法，其中 β = log₃2 − 1 ≈ 0.584963）的性能？
• RQ4 使得算法在 O(N^α) 时间内运行的最小指数 α 是多少？该最小值在何种基底 b = 2^n 3^m 下取得？
• RQ5 能否对算法的理论时间与空间界限进行形式化证明，特别是针对受 Fuller 工作启发的空间优化版本？

主要发现

• 时间优化算法实现了 O(N^α) 的时间复杂度，其中 α ≈ 1.230175，该结果源于对涉及 b 进制数字贡献 D(b,r) 的对数表达式的最小化。
• 空间优化算法基于 Fuller 的分块优化思想，将空间使用量减少至 O(N^{(1+β)/2} log log N)，其中 (1+β)/2 ≈ 0.792481。
• 该算法可计算所有 n ≤ 10^12 的整数复杂度，如后续工作所宣布，展示了实际可扩展性。
• 理论分析证实，跨块的求和与乘积操作总成本保持在 O(N^α)，主导项为 j ≤ N/H 范围内的求和计算。
• 最优基底 b = 2^10 × 3^7 = 2,239,488 得到最小的 α ≈ 1.230174997，验证了该指数的理论下限。
• 通过 zeta 函数估计与几何级数，形式化证明了空间与时间界限，使该算法的效率超越经验观察，得到理论确立。