Faster Interpolation Algorithms for Sparse Multivariate Polynomials Given by Straight-Line Programs\
在本文中,我们提出了新的确定性和蒙特卡罗插值算法的稀疏多元多项式表示的直线程序。令$f$是由直线程序给出的$n$变量多项式,其具有次数界$D$和项界$T$。我们的确定性算法是二次$n,T$和立方$\log D$在Soft-Oh意义上,这具有更好的复杂性比现有的确定性插值算法在大多数情况下。我们的Monte Carlo插值算法有更好的复杂性比现有的Monte Carlo插值算法,是第一个算法的复杂性是线性的$nT$在软哦意义上。由于$nT$是$f$的大小的一个因素,我们的蒙特卡罗算法是最佳的$n$和$T$在软哦意义。
2018-07-17 cs.SC
Gr{ö}bner Basis over Semigroup Algebras: Algorithms and Applications for Sparse Polynomial Systems
Gr {<$} bner基是算法非线性代数中最有力的工具之一。它们的计算是一个本质上很难的问题,其复杂性至少是变量数量的单指数。然而,在大多数情况下,来自应用程序的多项式系统具有某种结构。例如,计算机辅助设计、机器人、视觉、生物学、运动学、密码学和优化中的几个问题涉及稀疏系统,其中输入多项式具有一些非零项。我们利用稀疏性的方法是将系统嵌入到一个半群代数中,并计算这个代数上的Gr {<$} bner基。到目前为止,遵循这种方法的算法仅在所有多项式具有相同的稀疏结构(即相同的牛顿多面体)的情况下才受益于稀疏性。我们介绍的第一个算法,克服了这一限制。在正则性假设下,它不执行冗余计算。进一步,我们将该算法推广到计算标准代数中的Gr {<$} bner基和求解环面$(C*)^n$上的稀疏多项式系统.算法的复杂度取决于牛顿多面体。
2019-02-01 cs.SC
Linear Time Interactive Certificates for the Minimal Polynomial and the Determinant of a Sparse Matrix
计算问题证书是每个输出的附加数据结构,它可以被证明每个输出正确性的可能随机化验证算法使用。在本文中,我们给出了一个算法,计算一个证书的最小多项式的稀疏或结构化的nxn矩阵在一个抽象的领域,足够大的基数,其蒙特卡罗验证的复杂性需要一个单一的矩阵向量乘法和线性数量的额外的字段操作。我们还提出了一种新的预条件,确保不可约的特征多项式的一般预条件矩阵。这个预处理器需要线性时间来应用,并且只使用两个随机条目。然后,我们结合这两种技术给出算法,计算证书的行列式,从而为特征多项式,其蒙特卡洛验证的复杂性,因此也是线性的。
2019-12-02 cs.SC
Sparse Polynomial Divisibility Test over Finite Field is CoNP-hard
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);Shandong University(山东大学)
本文证明在BPP多一归约下,判定稀疏多项式在有限域上是否不整除另一个稀疏多项式是NP难的,即稀疏多项式整除性测试是CoNP难的,解决了长期悬而未决的复杂度问题。
2026-06-11 cs.CC cs.SC
Towards Mixed Gr{ö}bner Basis Algorithms: the Multihomogeneous and Sparse Case
计算代数中最大的开放问题之一是设计有效的Gr{<$}bner基计算算法,该算法考虑了输入多项式的稀疏性。我们可以在非混合多项式系统的情况下执行这样的计算,即具有相同支持的多项式的系统,使用Faug{è}re,Spaenlehauer和Svartz [ISSAC'14]的方法。我们提出了两个算法的稀疏Gr{<$}bner基计算的混合系统。第一种方法利用混合稀疏系统进行计算,并利用多项式的支持。在正则性假设下,它不执行归零。对于混合,平方和0维多齐次多项式系统,我们提出了一个专用的,可能更有效的,算法,利用不同的代数属性,不执行减少到零。我们给出了计算中出现的最大度的显式界。
2018-05-15 cs.SC
Fast interpolation of sparse multivariate polynomials
本文针对整数系数的稀疏多元多项式,在模黑盒表示下,首次提出准最优的稀疏插值算法,以恢复其稀疏形式。
2023-12-29 cs.SC math.AC
Multiplication of sparse Laurent polynomials and Poisson series on modern hardware architectures
在本文中,我们提出了两个算法的乘法稀疏洛朗多项式和泊松级数(后者是代数结构中常见的天体力学从应用微扰理论)。这两种算法都是先利用Kronecker代换技术将多元乘法化简为一元乘法,然后再利用教科书方法进行一元乘法运算。第一种算法,适合于适度稀疏乘法,使用从单变量乘法产生的单项式的指数作为系数的一维查找阵列中的平凡散列值。第二种算法适用于高度稀疏乘法,使用缓存优化的哈希表,该哈希表存储从使用指数作为键的乘法产生的系数-指数对。这两种算法已经实现了注意现代计算机硬件架构。特别关注的是,通过高速缓存阻塞技术和高速缓存友好的术语排序,有效地利用当代存储层次结构。第一种算法已经被并行化用于共享内存多核架构,而第二种算法正在被并行化的过程中。我们提出的基准比较我们的算法的例程的其他计算机代数系统,无论是在顺序和并行模式。
2010-04-26 cs.SC
Nearly Optimal Sparse Polynomial Multiplication
在稀疏多项式乘法问题中,要求将两个稀疏多项式f和g在时间上相乘,该时间与输入的大小加上输出的大小成比例。多项式分别通过其系数F和G的列表给出。Cole和Hariharan(STOC 02)给出了一个接近最优的算法,当系数为正时,Arnold和Roche(ISSAC 15)设计了一个算法,该算法在时间上与乘积的“结构稀疏性”成比例,即supp(F)+supp(G)。后一种算法在乘积中的系数没有“太多消除”时特别有效。在这项工作中,我们给出了一个干净的,几乎最优的算法稀疏多项式乘法问题。
2020-04-20 cs.DS cs.SC
Factoring sparse polynomials fast
本文提出基于稀疏插值的多变量稀疏多项式快速分解算法,涵盖gcd、无平方分解等任务,并给出概率复杂度界限。
2025-02-25 cs.SC math.AC
Faster Sparse Multivariate Polynomial Interpolation of Straight-Line Programs
给定一个线性规划,其输出是输入的多项式函数,我们提出了一个新的算法来计算该未知函数的简洁表示。我们的算法可以处理任何情况下,未知函数是一个多元多项式,在任意有限域的系数,并具有合理数量的非零项,但可能非常大的程度。它是竞争力与以前已知的稀疏插值算法,工作在一个任意的有限域,并提供了一个改进时,有大量的变量。
2014-12-15 cs.DS cs.SC
Output-sensitive algorithms for sumset and sparse polynomial multiplication
我们提出了随机算法来计算两个整数集合的和集(Minkowski和),并乘以两个一元整数多项式的稀疏表示。我们的算法sumset成本软线性的输入和输出的组合大小。这被用作我们稀疏乘法算法的一部分,其成本在输入,输出和输入支持的和集的组合大小中是软线性的。作为一个子程序,我们提出了一个新的方法来计算系数的稀疏多项式,给定一个集包含其支持。我们的乘法算法扩展到多元洛朗多项式有限域和有理数。我们的技术是基于稀疏插值算法和解析数论的结果。
2015-04-24 cs.CC cs.DS cs.SC
Sparse Differential Resultant for Laurent Differential Polynomials
本文首先引入了Laurent微分本质系统的概念,并给出了Laurent微分本质系统的支撑判别准则。然后定义了Laurent微分本质系统的稀疏微分结式,并证明了它的基本性质。特别地,给出了稀疏微分结式的阶和度的界。在此基础上,提出了一种计算稀疏微分结式的算法,该结式对于待定项个数、系统的Jacobi数和系统的规模是单指数的.
2012-06-17 cs.SC math.AG
Decomposable sparse polynomial systems
Macaulay2包DecomposableSparseSystems实现了研究和数值求解可分解稀疏多项式系统的方法。我们描述了可分解的稀疏系统的结构,并解释了如何在这个包中的方法可以用来利用这种结构,与例子。
2020-06-04 cs.NA cs.SC math.AG
Essentially Optimal Sparse Polynomial Multiplication
我们提出了一个概率算法来计算两个一元稀疏多项式的产品在一个字段与一些位操作是准线性的输入和输出的大小。我们的算法适用于任何领域的特征零或大于度。我们主要依靠稀疏插值和验证稀疏产品,也有一个准线性的时间复杂度的新算法。利用Kronecker替换技术,我们将我们的结果推广到多变量的情况。
2020-06-05 cs.CC cs.DS cs.SC
Sparse Polynomial Interpolation and Division in Soft-linear Time
给定一种计算具有整数系数的未知多项式的方法,我们提出了恢复其非零系数和相应指数的新算法。作为一个应用,我们适应这种插值算法的问题,计算两个给定的多项式的确切商。这些方法在稀疏表示的位长度方面是有效的,即非零项的数量、系数的大小、变量的数量和度的对数。在我们的研究结果的核心是一个新的蒙特卡罗随机算法来恢复多项式$f(x)$与整数系数的方式来评估$f(θ) \bmod m$为任何选定的整数$θ$和$m$。该算法具有接近最优的比特复杂度,这意味着探测器的总比特长度以及计算运行时间在所得稀疏多项式的比特长度中是软线性的(忽略对数因子)。据我们所知,这是第一个稀疏插值算法的软线性位复杂度的总输出大小。对于具有整数系数的多项式,先前已知的最佳结果至少对指数的位长度具有立方依赖性。
2022-05-18 cs.CC cs.SC
Affine solution sets of sparse polynomial systems
本文主要研究由稀疏多项式系统定义的仿射簇的等维分解。对于具有固定支撑的一般系统,我们给出了正维分量存在的组合条件,这些正维分量表征了相关仿射簇的等维分解。这一结果被应用于设计一般稀疏系统的等维分解算法。对于任意稀疏系统的n个多项式在n个变量与固定的支持,我们得到了一个上界的程度的仿射品种的定义,我们提出了一个算法,计算有限集的点表示其等维组件。
2012-11-15 cs.DS cs.SC math.AC
Elimination for generic sparse polynomial systems
我们提出了一个新的概率符号算法,给定一个在n维仿射空间中由具有固定支撑的一般稀疏系统定义的簇,计算其投影到l维坐标仿射空间(l < n)上的Zapriki闭包。该算法的复杂性多项式依赖于与支持相关的组合不变量。
2014-01-23 cs.CC cs.SC math.AC
Sparse Polynomial GCD Cannot Be Computed in Fixed-output Polynomial Time
State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院数学科学重点实验室);University of Chinese Academy of Sciences(中国科学院大学);Shandong University(山东大学)
证明在有限域上计算两个稀疏单变元多项式的最大公因子(输出敏感)是NP难的,除非NP⊆BPP。
2026-10-19 cs.CC cs.SC
A Polyhedral Method to Compute All Affine Solution Sets of Sparse Polynomial Systems
为了有效地计算稀疏多项式系统的解,我们必须利用其牛顿多面体的结构。虽然多面体方法的应用自然排除了零分量的解,但在仿射空间中通常理解簇的不可约分解,也包括零坐标的那些分量。提出了一种计算多项式系统所有仿射解集的多面体方法。该方法列举了促成广义永久性的所有因素。复曲面的解决方案集恢复作为这种枚举的特殊情况。对于稀疏系统作为相邻的2乘2未成年人,我们的方法比数值代数几何的技术更好地扩展。
2013-10-15 cs.SC math.AG math.CO
Sparse Polynomial Interpolation Based on Derivative
本文提出了两种新的用直线程序(SLP)表示的稀疏多元多项式插值算法。这两个算法都适用于任意具有大特征的有限域$F_q$。第一种是蒙特卡罗随机算法。其算术复杂度与$f$的非零项的数目$T$、变量的数目$n$成线性关系。如果$q$是$O((nTD)^{(1)})$,其中$D$是偏度界,那么我们的算法比现有的算法有更好的复杂度.第二种是确定性算法。在大特征域上,它比现有的确定性算法具有更好的复杂度。在$n,T,\log D$中,其算术复杂度是二次的,即,在稀疏表示的大小上是平方的。对于有限域上的SLP所给出的多项式(对于大特征),我们的确定性算法的复杂性与Bläser等人的确定性零检验算法的复杂性相同.
2020-01-21 cs.SC math.RA
Toric Eigenvalue Methods for Solving Sparse Polynomial Systems
本文研究了紧致复环面簇$X$的零维子格式中点的齐次坐标的计算问题。我们的出发点是$X$的Cox环中的齐次理想$I$,这在实践中可能产生于稀疏多项式系统。我们证明了一个新的特征值定理的复曲面紧设置,从而导致一个新的,强大的数值方法来解决这个问题。我们的方法特别适用于具有任意多重性的孤立解的系统。它依赖于$I$的多级正则性。我们研究这些属性,并提供边界上的矩阵出现在我们的方法时,$I$是一个完整的交集的大小。
2022-03-11 cs.SC math.AG
Highly Scalable Multiplication for Distributed Sparse Multivariate Polynomials on Many-core Systems
我们提出了一个高度可扩展的算法乘以稀疏的多元多项式表示的分布式格式。该算法不仅针对共享存储器多核计算机,而且针对计算机集群或附接到主机计算机的专用硬件,诸如图形处理单元或众核协处理器。通过在主并行步骤期间缺乏同步、锁定和假共享来确保大量核上的可扩展性。
2013-03-29 astro-ph.IM cs.DC cs.MS
Sparse Interpolation in Terms of Multivariate Chebyshev Polynomials
稀疏插值是指从有限数量的评估中将函数精确恢复为基函数的短线性组合。对于多变量函数,单项基的情况得到了很好的研究,现在指数函数的基础也是如此。除了作为单变量切比雪夫多项式的张量积获得的多元切比雪夫多项式之外,根系理论允许定义各种广义多元切比雪夫多项式,这些多项式与傅立叶分析和李代数表示等主题有关。我们提出了一个确定性的算法来恢复一个函数,该函数是最多r这样的多项式的线性组合,从知识的r和显式有界的数量的评价这个功能。
2020-01-24 cs.SC math.CA math.RA
Interactive certificate for the verification of Wiedemann's Krylov sequence: application to the certification of the determinant, the minimal and the characteristic polynomials of sparse matrices
线性代数计算的证书是每个输出的附加数据结构,它可以由证明每个输出正确性的可能随机化的验证算法使用。Wiede-mann算法将通过重复地将向量乘以矩阵获得的Krylov序列投影以获得线性递归序列。该序列的最小多项式整除矩阵的最小多项式。例如,如果$n\times n$输入矩阵是稀疏的,具有n 1+o(1)个非零项,则一旦获得投影Krylov序列,序列的计算在矩阵的维度上是二次的,而最小多项式的计算是n 1+o(1)。在本文中,我们给出的算法,计算证书的Krylov序列的稀疏或结构化的$n\times n$矩阵在一个抽象的领域,其蒙特卡洛验证的复杂性可以基本上是线性的。作为一个应用程序,这给出了证书的行列式,最小和特征多项式的稀疏或结构化矩阵在相同的成本。
2015-07-04 cs.CC cs.CR cs.SC
Multivariate sparse interpolation using randomized Kronecker substitutions
我们提出了新的技术减少一个多元稀疏多项式的一元多项式。这种简化的工作原理类似于经典的和广泛使用的克罗内克替换,除了我们根据多元多项式中非零项的数量随机选择度数,即它的稀疏性。由此产生的一元多项式通常具有比克罗内克替代多项式低得多的次数,代价是少量的项冲突。作为一个应用,我们给出了一个新的多元插值算法,它使用这些新技术以及任何现有的单变量插值算法。
2014-05-02 cs.DS cs.MS cs.SC
Sparse Polynomial Interpolation Codes and their decoding beyond half the minimal distance
我们提出的算法进行稀疏的一元多项式插值的多项式的评价中的错误。基于Comer,Kaltofen和Pernet [Proc. ISSAC 2012]的初步工作,我们定义了稀疏多项式插值码,并指出它们的最小距离正好是长度除以两倍稀疏度。在ISSAC 2012上,我们给出了一个最小距离的一半的解码算法和一个最小距离的列表解码算法。我们的新多项式时间列表解码算法使用由线性级数索引的接收到的评估的子序列,允许解码更大的半径,即,在返回候选稀疏多项式列表的同时,评估中的更多错误。我们量化了所有典型的小数值的条款和错误数的改善,并提供了一个最坏的情况下,这种改善的渐近分析。例如,对于稀疏性T = 5,最多有10个错误,我们可以在多项式时间内从74个具有未知项的多项式值中列出解码,而我们早期的算法需要2T(E + 1)= 110个评估。然后,我们提出了这些代码的两个变化的特征零,在适当的选择值的变量产生一个更大的最小距离:长度减去两倍的稀疏。
2014-06-18 cs.IT cs.SC math.IT
Sparse Polynomial Interpolation Based on Diversification
我们考虑在一个有限域上插值一个稀疏多元多项式的问题,用一个黑盒子表示。本文在特征为零的环上插值多项式的Ben-Or和Tiwari算法的基础上,通过增加探针,发展了一种新的有限域上的Monte Carlo算法。为了插值多项式$f\in F_q[x_1,\dots,x_n]$与部分度约束$D$和项约束$T$,我们的新算法的成本$O^\thicksim(nT\log ^2q+nT\sqrt{D}\log q)$位操作,并使用$2(n+1)T$探测到黑盒。如果为$q\geq O(nT^2D)$,则返回正确多项式的成功率为常数。与一般有限域上已有的算法相比,该算法在参数$n,T,D$上具有更好的复杂度,并且在保持$n,T$线性的同时,首次实现了$D$的分数幂复杂度.一个关键技术是随机化,使未知多项式的所有系数可区分,产生一个不同的多项式。这种方法被称为多样化,是由Giesbrecht和Roche在2011年提出的。我们的算法使用$O(T)$探针独立地内插每个变量,然后使用多样化来关联不同图像中的术语。最后,我们通过求解离散方程得到指数,通过求解线性方程组得到系数。我们已经在Maple中实现了我们的算法。实验结果表明,该算法适用于大次数的稀疏多项式。我们还分析了算法的成功率。
2020-01-21 cs.SC math.RA
Parallel sparse interpolation using small primes
为了插值具有整数系数的超解析多项式,两种替代方法是基于Prony的“大素数”技术,其作用于单个大有限域,或者最近提出的“小素数”技术,其将未知的稀疏多项式减少到许多低次密集多项式。虽然后一种技术尚未达到与基于Prony的方法相同的理论效率,但它具有明显的并行化潜力。我们提出了一个启发式的“小素数”插值算法,并报告了一个低层次的C实现使用FLINT和MPI。
2015-06-13 cs.DC cs.SC
Interpolation of Shifted-Lacunary Polynomials
给定一个“黑盒”函数来评估一个未知的有理多项式f在Q[x]的点模一个素数p,我们展示的算法来计算的多项式的表示在sparrandom移位功率的基础。也就是说,我们确定稀疏性t,移位s(有理数),指数0 <= e1 < e2 <.以及系数c1,...,ct在Q\{0}中,使得f(x)= c1(x-s)^e1+c2(x-s)^e2+.+ ^et.计算的稀疏性t在任何移位幂基上都是绝对最小的。我们的算法的新颖之处在于,复杂性是多项式的(稀疏)表示的大小,特别是对数度(f)。我们的方法结合了以前著名的结果稀疏插值和计算稀疏移位,并提供了一种方法来处理多项式的次数非常高,在某种意义上,稀疏的信息。
2010-08-23 cs.DS cs.MS cs.SC
Sparse Difference Resultant
本文引入了Laurent变换本质差分多项式系的稀疏差分结式的概念,并给出了稀疏差分结式存在的一个简单判据.引入了变换齐次多项式的概念,证明了稀疏差分结果是变换齐次的。证明了稀疏差分结式的消失给出了相应的差分多项式系统有非零解的必要条件。给出了稀疏差分结式的阶和度的界。在此基础上,提出了一种计算稀疏差分结式的算法,该结式对于Laurent变换本质系统的变量个数、Jacobi数和系统规模都是单指数的.进一步给出了差分结式的精确阶数、行列式表示和Poisson型乘积公式。
2013-09-24 cs.SC math.AG
Solving sparse polynomial systems using Groebner bases and resultants
多项式方程组的求解是非线性代数和计算代数的核心问题。自60年代Buchberger提出计算格罗布纳基的算法以来,这一领域取得了很大的进展。此外,这些方程已被用于建模和解决来自不同学科的问题,如生物学,密码学和机器人技术。目前,我们对如何从理论和算法的角度解决通用系统有了很好的理解。然而,在实际中遇到的多项式方程通常是结构化的,因此许多关于一般系统的性质和结果并不适用于它们。由于这个原因,在过去的几十年中,一个共同的趋势是开发数学和算法框架,以利用多项式系统的特定结构。可以说,最常见的结构是稀疏性;也就是说,系统的多项式只涉及几个单项式。自从伯恩斯坦、霍凡斯基和库什尼连科对稀疏系统解的期望数的研究以来,复曲面几何一直是采用稀疏性的默认数学框架。特别是,它是经典工具扩展到系统背后的关键问题,例如结果计算,同伦延拓方法,以及最近的格罗布纳基。在这项工作中,我们将回顾这些经典的工具,他们的扩展,并利用稀疏性解决多项式系统的最新进展。这份手稿补充了在ISSAC 2022会议上提出的入门教程。
2022-05-19 cs.SC math.AG
Computing sparse multiples of polynomials
我们考虑的问题,找到一个多项式的稀疏倍数。给定域F上F[x]中d度的f,以及期望的稀疏度t,我们的目标是确定是否存在f的F[x]中的倍数h,使得h最多有t个非零项,如果是,找到这样的h。当F=Q,t为常数时,给出了d中的多项式时间算法和h中系数的大小。当F是一个有限域时,我们证明了这个问题至少和确定F的一个扩展域中元素的乘法阶一样难(这个问题被认为具有类似于整数分解的复杂性),并且当t=2时,这个下界是紧的。
2011-01-01 cs.CC cs.DS cs.SC
Lacunaryx: Computing bounded-degree factors of lacunary polynomials
在本文中,我们报告了在自由软件Mathemagix的缺项因式分解算法的实现,作为一个名为Lacunaryx的库分发。这些算法作为输入的多项式稀疏表示,即作为一个列表的非零单项式,和一个整数$d$,并计算其不可约度- $\le d$因素。这些算法的复杂度是多项式的稀疏大小的输入多项式和$d$。
2016-02-18 cs.MS cs.SC
Polynomial modular product verification and its implications
已知多项式乘法在稠密和稀疏情况下都具有准线性复杂度。然而,在任何情况下,都没有给出真正的线性算法来解决这个问题,甚至不清楚它是否可能。这为验证多项式乘积的更简单问题留下了更好的算法的空间。虽然找到确定性的方法似乎遥不可及,存在概率算法的问题是最佳的代数运算的数量。我们研究的推广问题的验证多项式产品模的稀疏除数。我们研究了它的位复杂度的密集和稀疏的被乘数。特别是,我们能够显示的首要地位的验证模乘时,除数具有恒定的稀疏性和第二个最高程度的单项式,是不是太大。我们使用这些结果,以获得新的界限上的位复杂度的标准多项式乘法验证。特别地,我们通过改进Kaminski的一个结果,给出了位复杂度模型下的最优算法,并发展了第一个验证稀疏多项式乘积的准最优算法.
2021-01-06 cs.CC cs.SC
Quasi-linear Time Multiplication of Sparse Polynomials with Integer Coefficients
Shandong University(山东大学);State Key Laboratory of Mathematical Sciences, Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院;中国科学院大学);University of Chinese Academy of Sciences
针对整数系数稀疏多项式乘法,通过模块化黑盒插值算法实现拟线性位复杂度,并反驳了此前声称的解决方案。
2026-06-11 cs.CC cs.SC
A New Bound on Cofactors of Sparse Polynomials
Blavatnik School of Computer Science, Tel Aviv University(特拉维夫大学布拉瓦特尼克计算机科学学院)
研究证明稀疏多项式余因子的ℓ₂范数有新的界,改进了传统指数界,并解决了稀疏多项式精确除法的运行时间问题。
2025-05-21 cs.CC cs.SC math.NT
Sparse Tensors and Subdivision Methods for Finding the Zero Set of Polynomial Equations
针对多项式方程组求根中网格点重复求值的瓶颈,提出基于 Compressed Sparse Fiber 的部分求值与计算复用方案,并集成到细分算法,使 voxelize 可处理此前不可行的高次三元方程曲线。
2024-06-14 cs.CG cs.NA cs.SC
The Moment Method for Computing Real Points of Sparse Polynomial Systems
Technische Universität Berlin(柏林工业大学);Inria & CMAP, CNRS, École Polytechnique, Institut polytechnique de Paris(法国国家信息与自动化研究所与数学与计算机科学交叉研究中心,法国国家科学研究中心,巴黎综合理工学院,巴黎理工学院)
本文基于矩矩阵和半定规划,将矩方法推广到仿射环面簇,利用输入多项式的稀疏性恢复稀疏多项式系统的实点,并证明谱面体的投影为多面体,提出仅计算一个实解的变体。
2026-09-29 cs.SC math.AC math.AG
A Near-Optimal Algorithm for Computing Real Roots of Sparse Polynomials
Max-Planck-Institut für Informatik(马克斯·普朗克计算机科学研究所)
本文提出一种确定性算法,能够以多项式时间确定稀疏多项式所有实根的隔离区间,且在稀疏情况下具有最优的位复杂度。
2014-01-23 cs.CC cs.NA cs.SC