理解 Trachtenberg 速算法

看了一宿的 Trachtenberg 速算法,终于弄明白了。不得不承认,脑力不够😪

简单地说,这是一种低空间复杂度的线性算法。也就是说,占用的心理内存很少。看破了其实很简单。我们以一个三位数×两位数为例:

三位数×两位数

对于 m 位 × n 位:

这个公式其实暗含了整个算法的原理。但现在还不容易看出来。

验证一下:

m = 987
n = 65

as = m.digits
bs = n.digits

padding_as = as + Array.new(bs.size - 1, 0)  # => [7, 8, 9, 0]
padding_bs = bs + Array.new(as.size - 1, 0)  # => [5, 6, 0, 0]

d = 0
(0..(as.size + bs.size - 2)).each do |k|
  
  memo = 0
  (0..k).each do |i|
    # puts "i: #{i}, j: #{k - i} --> #{padding_as[i]} * #{padding_bs[k - i]}"
    memo += padding_as[i] * padding_bs[k - i]
  end
  memo *= (10 ** k)
  
  d += memo
end

d  # => 64155

这里的 a 也好,b 也好,都不超过 9 。所以,其乘积也不会过百。于是,我们定义两个函数:

  • t(a×b) : the tens digit of a×b;
  • u(a×b) : the units digit of a×b;

这样,我们只需要从低位往高位依次计算,并把进位传递到高位就可以得到一个线性算法了。

记得加上「进位 c_i 」

以百位 (10^2) 为例,我们需要做的就是把所有下标加起来等于 2 的「个」位,以及所有下标加起来等于 2 - 1 的「十」位,还有上一位上传来的进位,加起来。

987×65

现在,我们的任务只剩下找到一种好记的记法,记住哪些取个位、哪些取十位,就大功告成了。

而 Trachtenberg 的天才就在于,他把算式横过来写了!还可以有这种骚操作😱 竖线表示取个位,斜线表示取十位,像一个滑动窗口一样滑过被乘数:

987×65

现在,当我们回过头去看那个通用公式,会发现:其实它已经揭示了所有的秘密。我们要做的是两件事:

  1. 找对一种方法,能够方便地记住「下标加起来等于 k 」的所有项乘积的「个」位之和;
  2. 找对一种方法,能够方便地记住「下标加起来等于 k - 1 」的所有项乘积的「十」位之和;

好吧,这其实就一件事:

竖线规则也好,斜线规则也好,都干的这一件事。

也就是说,不存在什么「竖线规则」「斜线规则」,我们只需要在头脑中想象好一组配对,先计算「个位和」,再计算「十位和」(作为下一组的进位)。

class Array
  def l; self[0] end
  def r; self[1] end
end

class Trachtenberg
  def initialize(m, n)
    m, n = n, m if m < n
    
    as = m.digits
    bs = n.digits

    @as = Array.new(bs.size - 1, 0) + as + Array.new(bs.size, 0)  # => [0, 7, 8, 9, 0, 0]
    @bs = bs  # => [5, 6]
    @base = bs.size - 1
  end
  
  def tens(l, r = 1) l * r / 10 end
  def units(l, r = 1) l * r % 10 end
    
  def calculate
    d = []
    carry = 0
    @as[@base..-1].each_with_index do |a, ia|
      pairs = @as[ia...ia + @bs.size].zip(@bs.reverse)
      sum = pairs.reduce(0) { |memo, tuple| memo + units(tuple.l, tuple.r) } + carry
      d << units(sum)
      carry = pairs.reduce(0) { |memo, tuple| memo + tens(tuple.l, tuple.r) } + tens(sum)
    end

    # d => [5, 5, 1, 4, 6]
    d.reverse.reduce('') { |memo, digit| memo + digit.to_s }.to_i
  end
end

t = Trachtenberg.new(987, 65)
t.calculate # => 64155

Trachtenberg 实在太聪明了,并不仅仅是因为他竟然能够找到这种图形化表示方法,而在于把这套速算系统分解开来,每个部分都很简单(包括「调整计算顺序以简化计算」其实也是一种很常见的思路),但是你就是想不到。也许就像竖式乘法之于横式乘法,他的心理寄存器远大于我们吧,所以才能把这些部件组合出如此精妙的算法来。

大家要想知道更多细节,去看 wiki 吧。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,133评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,682评论 3 390
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 160,784评论 0 350
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,508评论 1 288
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,603评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,607评论 1 293
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,604评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,359评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,805评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,121评论 2 330
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,280评论 1 344
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,959评论 5 339
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,588评论 3 322
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,206评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,442评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,193评论 2 367
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,144评论 2 352