[论文解读] GPGCD, an Iterative Method for Calculating Approximate GCD of Univariate Polynomials, with the Complex Coefficients

Akira Terui|arXiv (Cornell University)|Jul 12, 2010

Polynomial and algebraic computation参考文献 15被引用 3

一句话总结

本文将 GPGCD 方法——一种用于计算具有实系数的一元多项式近似最大公因式（GCD）的迭代优化方法——扩展至处理具有复系数的多项式。通过将近似 GCD 问题重新表述为约束优化问题，并利用改进的牛顿法求解，该方法在扰动程度上与基于 STLN 的方法相当，但在中等次数多项式的计算中，性能最高可提升 30 倍。

ABSTRACT

We present an extension of our GPGCD method, an iterative method for calculating approximate greatest common divisor (GCD) of univariate polynomials, to polynomials with the complex coefficients. For a given pair of polynomials and a degree, our algorithm finds a pair of polynomials which has a GCD of the given degree and whose coefficients are perturbed from those in the original inputs, making the perturbations as small as possible, along with the GCD. In our GPGCD method, the problem of approximate GCD is transfered to a constrained minimization problem, then solved with a so-called modified Newton method, which is a generalization of the gradient-projection method, by searching the solution iteratively. While our original method is designed for polynomials with the real coefficients, we extend it to accept polynomials with the complex coefficients in this paper.

研究动机与目标

• 将原本专为实系数多项式设计的 GPGCD 方法扩展，以处理复系数多项式。
• 在计算指定次数的复系数多项式近似 GCD 时，保持系数扰动最小化。
• 与现有方法（如基于 STLN 的算法）相比，提升计算效率。
• 在复多项式输入存在噪声和病态条件的情况下，确保收敛性和准确性。

提出的方法

• 将近似 GCD 问题转化为最小化系数扰动 2-范数的约束优化问题。
• 采用改进的牛顿法——梯度投影法的推广形式——迭代求解该约束优化问题。
• 解依赖于结式条件：扰动后多项式的第 (d−1) 个结式必须为零，以确保 GCD 的次数为 d。
• 通过将复系数拆分为实部和虚部分量，将其作为优化框架中的独立变量处理。
• 该算法计算近似 GCD、扰动 ΔF 和 ΔG，以及满足线性关系 A·F̃ + B·G̃ = 0 的互因子 A 和 B。
• 通过设定更新向量范数的阈值 ε = 1.0×10⁻⁸ 来控制收敛。

实验结果

研究问题

• RQ1 GPGCD 方法能否在保持精度的前提下，有效扩展至复系数多项式？
• RQ2 在扰动大小和计算时间方面，复系数 GPGCD 方法与基于 STLN 的方法相比表现如何？
• RQ3 改进的牛顿法是否能确保复系数多项式近似 GCD 问题的收敛性和稳定性？
• RQ4 多项式次数和噪声水平对复系数下 GPGCD 方法的准确性和效率有何影响？

主要发现

• GPGCD 方法计算出的近似 GCD 扰动程度与基于 STLN 的方法几乎完全相同，所有测试案例中的误差范围为 3.72×10⁻³ 至 4.84×10⁻³。
• 与基于 STLN 的方法相比，GPGCD 方法实现了 10 至 30 倍的速度提升，计算时间分别为 0.15 至 6.00 秒（GPGCD）与 1.79 至 199.48 秒（STLN）之间。
• 两种方法在全部 10 个测试案例中均成功收敛，表明对次数为 10 至 100、近似 GCD 次数为 5 至 50 的多项式具有鲁棒性和可靠性。
• GPGCD 与 STLN 的迭代次数几乎相同，表明尽管执行时间存在差距，但收敛行为相似。
• 随着多项式次数增加，该方法仍保持高精度，扰动水平在次数达到 30 及以上时稳定在约 4.5×10⁻³ 左右。