[论文解读] An Efficient Algorithm for Factoring Polynomials over Algebraic Extension Field

Yao Sun, Dingkang Wang|arXiv (Cornell University)|Jul 14, 2009

Polynomial and algebraic computation参考文献 12被引用 4

一句话总结

本文提出了一种在由多项式环中极大理想定义的代数扩张域上因式分解多项式的新型高效算法。通过使用通用线性映射将问题约化为基域上的单变量因式分解，并复用现有的格罗布纳基而不重新计算，该方法在复杂情况下实现了显著的性能提升，相较于王氏算法等现有方法表现出更优的性能。

ABSTRACT

A new efficient algorithm is proposed for factoring polynomials over an algebraic extension field. The extension field is defined by a polynomial ring modulo a maximal ideal. If the maximal ideal is given by its Groebner basis, no extra Groebner basis computation is needed for factoring a polynomial over this extension field. Nothing more than linear algebraic technique is used to get a polynomial over the ground field by a generic linear map. Then this polynomial is factorized over the ground field. From these factors, the factorization of the polynomial over the extension field is obtained. The new algorithm has been implemented and computer experiments indicate that the new algorithm is very efficient, particularly in complicated examples.

研究动机与目标

• 开发一种更高效的算法，用于在现有方法计算成本过高的情况下，对代数扩张域上的多元多项式进行因式分解。
• 消除当扩张域由已知格罗布纳基的极大理想定义时，额外计算格罗布纳基的需求。
• 通过线性代数技术，将扩张域上的因式分解问题转化为基域上的单变量因式分解。
• 确保不可约因式可在无需额外计算的情况下验证，克服先前概率方法的局限性。
• 在特征为零和有限域中均提升性能，尤其适用于高维或复杂系统。

提出的方法

• 该算法使用通用线性映射将扩张域上的多项式提升为基域上的多项式，从而将因式分解问题约化为基域上的单变量因式分解。
• 其依赖于商环 $ \mathcal{A}_k(Q) = k[x_1,\dots,x_n]/I $ 上的线性映射 $ m_r $，其特征多项式编码了扩张域中的代数关系。
• 当 $ I $ 为极大理想时，$ m_r $ 的极小多项式为不可约，从而在变换中保持了域结构。
• 该方法通过复用定义扩张域的极大理想 $ I $ 的输入格罗布纳基，避免了重新计算格罗布纳基。
• 在基域上使用标准单变量因式分解方法进行因式分解，然后通过线性映射将结果回传至扩张域。
• 该算法在 Magma 中实现，并与 Maple 7 中的王氏算法进行比较，复杂示例中表现出显著的性能提升。

实验结果

研究问题

• RQ1 是否可以在不重新计算格罗布纳基的情况下，将代数扩张域上的多项式因式分解问题约化为基域上的单变量因式分解？
• RQ2 如何通过利用线性代数和现有格罗布纳基来提升代数扩张上因式分解的效率？
• RQ3 使用通用线性映射对因式分解过程的复杂度和正确性有何影响？
• RQ4 通过该方法获得的不可约因式是否可在无需额外计算的情况下验证，从而确保完整性和正确性？
• RQ5 该算法在运行时间和可扩展性方面与现有方法（如王氏算法）相比表现如何？

主要发现

• 新算法显著优于王氏算法：efactor 在 63.578 秒内完成 $ f^{(9)} $ 的因式分解，而王氏算法在 2 小时后仍超时。
• 对于 $ f^{(3)} $，新算法耗时 0.734 秒，而王氏算法耗时 12.171 秒，速度提升达 16 倍。
• 该算法在高维系统中尤为高效：含 7 个变量、维数为 64 的 $ f^{(10)} $ 在 96.344 秒内完成，而王氏算法超过 2 小时。
• 使用通用线性映射避免了王氏算法中因变量代换和伪余数映射导致的系数膨胀问题。
• 计算特征多项式的复杂度为多项式时间，而王氏算法涉及指数时间的特征集计算，解释了性能差距。
• 该算法具有完备性和可验证性：不可约因式可保证无须额外验证步骤，而不同于蒙尼科的不完整初等分解方法。