1. 从“溢出”到“模拟”为什么我们需要高精度计算在编程世界里我们每天都在和数字打交道。无论是计算电商平台的订单总额还是处理金融交易中的金额甚至是进行科学计算数字运算都是基础中的基础。大多数编程语言都提供了内置的整数类型比如int、long long它们能处理的范围通常由机器的字长决定比如32位系统上int的范围大约是 -21亿到21亿。这个范围对于日常应用来说似乎绰绰有余。但现实世界的数据规模常常会突破这个“舒适区”。想象一下你要计算一个大型社交网络所有用户之间的可能连接数或者处理一个天文数字级别的密码学运算又或者仅仅是计算一个100的阶乘100!。100! 的结果是一个长达158位的十进制数远远超出了任何基本数据类型的表示范围。这时如果你强行用long long去计算程序不会报错但结果会悄无声息地发生“溢出”变成一个完全错误的、看似合理的数字。这种错误在金融、密码学等领域是灾难性的。这就是“大数模拟”或者说“高精度计算”要解决的问题。它的核心思想非常朴素既然一个变量装不下我就用多个变量来装。具体来说就是把一个非常长的数字像我们手写那样拆分成一个个独立的数字存放在数组或者字符串里然后通过模拟我们小学学过的竖式计算过程来实现加、减、乘、除。这个过程不依赖任何特殊的硬件指令纯粹通过软件逻辑来实现任意精度的运算所以它也叫“高精度运算”。接下来我将以一个从业者的角度带你从零开始手把手构建一套完整的高精度整数运算库。我们会从最核心的数据存储模型讲起逐步实现加、减、乘、除并深入探讨其中的效率优化和无数我踩过的“坑”。无论你是正在准备算法竞赛的学生还是需要处理特殊计算需求的开发者这套思路和代码都能直接拿去用。2. 基石高精度数的存储模型与核心设计实现高精度运算的第一步是如何在计算机中表示一个“大数”。这里有几种常见的思路不同的选择会直接影响后续所有算法的实现复杂度和运行效率。2.1 存储方案选型字符串 vs. 数组最直观的想法是用字符串String存储。输入方便输出也方便毕竟我们最终总要看到十进制结果。但是字符串的每一个字符是一个‘0’到‘9’的ASCII码进行运算时需要频繁地char - 0来转换为数字计算完又要数字 0转回字符效率很低。更重要的是进位、借位操作在字符串上处理起来非常笨拙。因此更高效、更通用的做法是使用整型数组Vector来存储。我们把大数看作一个“进制位”上的数字序列。虽然我们最终输入输出是十进制但在计算过程中为了充分利用计算机一次性能处理多位数字的能力我们通常选择以10^8或10^9作为一个“位”的基数。这是因为10^9小于2^31约21亿一个32位int刚好可以存放一位并且两个这样的“位”相乘也不会超过64位long long的范围方便处理乘法中的中间结果。为了方便计算我们采用倒序存储。即数组的第0位下标0存储的是数字的个位第1位存储十位以此类推。这样做的巨大好处是当数字长度发生变化比如加法进位导致多出一位时我们只需要在数组的末尾进行push_back操作而不需要移动整个数组的所有元素。我们定义一个结构体BigInt来封装这个大数struct BigInt { vectorint digits; // 存储每一位digits[0]是个位 bool is_negative; // 符号位true表示负数 // 构造函数等... };2.2 输入与输出的处理效率与鲁棒性输入通常是一个字符串。我们需要将这个字符串解析到digits数组中。假设我们采用万进制基数为10000那么处理过程就是从字符串末尾开始每4位字符组成一个数字存入digits[0]依次向前。BigInt(const string s) { is_negative (s[0] -); int start is_negative ? 1 : 0; int len s.length(); // 从字符串末尾开始每BASE_LEN位切分一次 for (int i len; i start; i - BASE_LEN) { int begin max(start, i - BASE_LEN); string segment s.substr(begin, i - begin); digits.push_back(stoi(segment)); // 将4位字符串转为整数 } // 去除前导零 trim(); }这里有一个关键细节去除前导零。输入可能是“000123”或者运算结果产生了高位零我们必须有一个trim()函数来清理它们保证数字的规范表示。同时要特殊处理数字“0”确保它不会被表示为负数。输出则是逆过程从digits的最高位开始输出。需要注意的是最高位直接输出而中间的位如果不足4位在万进制下需要用0左补齐否则 “10001” 可能会被错误输出为 “11”。注意基数的选择是一种典型的“时间-空间”权衡。基数越大如10^9数组更短乘法次数更少但每次“位”运算的中间结果更容易溢出且输入输出转换稍复杂。基数小如10实现最简单直观但数组过长效率最低。对于算法竞赛10^8或10^9是平衡点对于特定应用可能需要根据数据特征调整。3. 加法与减法模拟竖式与符号处理加法和减法是高精度运算的基础它们清晰地体现了“模拟竖式”的思想。3.1 无符号大数加法我们先实现核心两个正数相加。算法流程完全模仿竖式从最低位数组下标0开始将对应位相加再加上来自低位的进位carry。当前位的结果为(sum % BASE)新的进位为(sum / BASE)。遍历完所有位后如果最后还有进位carry 0则需要在结果最高位添加这个进位。BigInt add_absolute(const BigInt a, const BigInt b) { BigInt result; int carry 0; size_t max_len max(a.digits.size(), b.digits.size()); for (size_t i 0; i max_len || carry; i) { int sum carry; if (i a.digits.size()) sum a.digits[i]; if (i b.digits.size()) sum b.digits[i]; result.digits.push_back(sum % BASE); carry sum / BASE; } return result; }循环条件i max_len || carry是一个经典技巧它确保了即使两个数的位都加完了但只要最后还有进位循环就会多进行一次来处理这个进位。3.2 无符号大数减法减法比加法复杂因为可能产生借位并且结果可能为负。我们首先实现一个前提a b绝对值。算法如下从最低位开始计算a.digits[i] - borrow。如果该值小于b.digits[i]或b的该位不存在则为0则需要向高位借位令当前位结果 BASE并设置borrow 1。否则borrow 0。计算当前位结果current a.digits[i] - borrow - (i b.digits.size() ? b.digits[i] : 0)。BigInt sub_absolute(const BigInt a, const BigInt b) { // 前提|a| |b| BigInt result; int borrow 0; for (size_t i 0; i a.digits.size(); i) { int current a.digits[i] - borrow; int b_digit (i b.digits.size()) ? b.digits[i] : 0; if (current b_digit) { current BASE; // 借位 borrow 1; } else { borrow 0; } result.digits.push_back(current - b_digit); } // 减法后去除结果中的前导零 result.trim(); return result; }这里有一个大坑trim()必须在减法后调用。因为比如计算10000 - 9999在万进制下digits可能是[1]实际表示1和[9999]相减后结果数组是[0, 0]不对仔细按照算法结果是[1]吗让我们手动模拟a[0,1]表示10000b[9999]表示9999。current 0 - 0 0小于b_digit9999所以借位current01000010000borrow1result[0]10000-99991。下一位current 1 - borrow(1) 0b_digit0result[1]0。所以结果数组是[1, 0]。trim()函数会去掉高位的0最终得到[1]正确。如果不去除这个数字就被错误地表示为0001了在后续比较或输出时都会出错。3.3 整合符号处理有了无符号的加法和减法我们就可以处理带符号的运算了。这本质上是一个规则判断加法a b同号绝对值相加符号不变。异号绝对值相减结果的符号取绝对值大的数的符号。减法a - b可以转化为a (-b)然后调用加法规则。因此我们最终的operator和operator-实现内部就是一堆if-else判断调用add_absolute或sub_absolute并正确设置结果的is_negative标志。比较两个数绝对值大小的函数compare_absolute是这里的必备工具。BigInt operator(const BigInt other) const { if (is_negative other.is_negative) { // 同号绝对值相加 BigInt res add_absolute(*this, other); res.is_negative is_negative; // 符号不变 return res; } else { // 异号转化为绝对值相减 int cmp compare_absolute(*this, other); if (cmp 0) return BigInt(0); // 绝对值相等结果为0 BigInt res (cmp 0) ? sub_absolute(*this, other) : sub_absolute(other, *this); res.is_negative (cmp 0) ? is_negative : other.is_negative; return res; } }4. 乘法从朴素O(n²)到分治优化乘法是高精度运算中的性能瓶颈也是优化空间最大的部分。4.1 朴素竖式乘法最直接的方法是模拟我们手算乘法的过程。对于一个m位的大数A和一个n位的大数B我们需要进行m * n次单位乘法时间复杂度是 O(mn)。结果C的位数最多为m n。BigInt naive_multiply(const BigInt a, const BigInt b) { size_t m a.digits.size(), n b.digits.size(); vectorlong long temp(m n, 0); // 使用long long防止中间溢出 for (size_t i 0; i m; i) { long long carry 0; for (size_t j 0; j n; j) { // 关键a.digits[i] 和 b.digits[j] 相乘结果累加到 temp[ij] 上 temp[i j] (long long)a.digits[i] * b.digits[j] carry; carry temp[i j] / BASE; temp[i j] % BASE; } if (carry 0) { temp[i n] carry; } } BigInt result; result.digits.assign(temp.begin(), temp.end()); result.trim(); result.is_negative a.is_negative ! b.is_negative; // 同号得正异号得负 return result; }这里有两个要点中间结果用long long两个int比如10^9量级相乘结果可能达到10^18这仍在64位long long的范围内。使用long long数组temp暂存中间结果可以安全地进行累加。累加位置temp[ij]这完美对应了竖式中“错位相加”的原理。A的第i位权重为BASE^i与B的第j位权重为BASE^j相乘结果的权重是BASE^(ij)所以应该加到temp数组的ij位置上。4.2 优化之路Karatsuba算法当数字非常大时比如成千上万位O(n²) 的朴素乘法就太慢了。这时可以使用 Karatsuba 算法它能将时间复杂度降低到大约 O(n^1.585)。其核心思想是“分治”通过三次而不是四次递归乘法来完成计算。假设有两个大数x和y我们将其各自分成两半x a * BASE^k by c * BASE^k d其中k大约是位数的一半。那么x * y ac * BASE^(2k) (ad bc) * BASE^k bd。 Karatsuba 的妙处在于它发现(ab)(cd) ac ad bc bd所以ad bc (ab)(cd) - ac - bd。 这样我们只需要计算三次乘法ac,bd,(ab)(cd)就可以得到结果比原来的四次乘法少了一次。BigInt karatsuba(const BigInt x, const BigInt y) { // 递归基当数字较小时使用朴素乘法效率更高 if (x.digits.size() 32 || y.digits.size() 32) { return naive_multiply(x, y); } size_t m min(x.digits.size(), y.digits.size()); size_t k m / 2; // 分割 x 和 y BigInt high1 x.shift_right(k); // 获取高半部分 a BigInt low1 x.lower_half(k); // 获取低半部分 b BigInt high2 y.shift_right(k); BigInt low2 y.lower_half(k); // 计算三次乘法 BigInt z0 karatsuba(low1, low2); // bd BigInt z2 karatsuba(high1, high2); // ac BigInt z1 karatsuba(low1 high1, low2 high2); // (ab)(cd) // 计算 adbc z1 - z2 - z0 BigInt middle z1 - z2 - z0; // 合并结果: z2 * BASE^(2k) middle * BASE^k z0 BigInt result z2.shift_left(2*k) middle.shift_left(k) z0; result.is_negative x.is_negative ! y.is_negative; return result; }实现 Karatsuba 需要辅助函数shift_left左移相当于乘以BASE^k、shift_right获取高半部分、lower_half获取低半部分。这里有一个性能关键点递归基的选择。当数字位数小于某个阈值比如32时递归的函数调用开销会超过朴素乘法的计算开销此时直接调用naive_multiply反而更快。这个阈值需要通过实际测试来确定。实操心得在真正的项目或竞赛中除非处理的数据规模极其巨大例如数万位否则实现 Karatsuba 的收益可能并不明显且代码复杂度高容易出错。通常精心优化的朴素乘法如使用long long累加、循环展开足以应对绝大多数场景。选择哪种方案取决于你的具体需求和对性能的极致追求。5. 除法最复杂的模拟与试商策略高精度除法是四则运算中最复杂的一环它模拟的是“长除法”。我们这里讨论的是高精度整数除以高精度整数求商和余数。更简单的高精度除以低精度的情况可以看作是其特例。5.1 算法思路减法与估商核心思想是被除数A不断减去除数B的若干倍直到剩下的数小于B。这个“若干倍”就是商在当前位的值。我们模拟手工除法从被除数的高位开始逐位确定商。假设A和B都是正数且A B否则商为0余数为A。将除数B与被除数A的前len(B)位进行比较。如果A的前几位小于B则多取一位。试商用被选取的这部分高位我们称为“当前余数”R除以B估算出商的一位q。这是整个算法最难和最易出错的部分。用估算的q乘以B得到一个乘积P。比较P和R。如果P R说明q估大了将q减1重新计算P直到P R。从R中减去P得到新的余数。将被除数的下一位“落”下来拼接到新余数的后面形成下一轮的R。重复步骤2-6直到被除数的所有位都处理完毕。5.2 试商的技巧与优化最关键的步骤是第2步如何快速、准确地估算出q一个经典且有效的方法是用R的最高两位除以B的最高一位。假设R有m位B有n位。我们取R的最高两位组成一个两位数r_hi在万进制下就是R.digits[m-1] * BASE R.digits[m-2]取B的最高位b_hi即B.digits[n-1]。那么试商q_guess min(r_hi / b_hi, BASE - 1)。这里min是为了防止q_guess超过进制基数的范围。但这样估算的q_guess仍然可能偏大因为忽略了B的其余低位。因此步骤4的“修正”循环必不可少。然而统计表明在绝大多数情况下q_guess最多只需要修正1次即减1就能满足条件。这使得整个除法过程的效率可以接受。pairBigInt, BigInt divide(const BigInt a, const BigInt b) { // 处理符号和特殊情况除数为0被除数为0被除数小于除数等 if (b.is_zero()) throw runtime_error(Division by zero); if (a.is_zero()) return {BigInt(0), BigInt(0)}; if (compare_absolute(a, b) 0) return {BigInt(0), a}; // 商0余数为a BigInt dividend a.abs(); // 取绝对值 BigInt divisor b.abs(); BigInt quotient; BigInt remainder; // 核心除法循环 // ... 这里包含上述步骤的复杂实现 ... // 1. 从dividend高位构建初始remainder // 2. while 还有位未处理: // a. 估算商位 q // b. while (divisor * q remainder): q-- // c. remainder remainder - divisor * q // d. 将q加入quotient的对应位 // e. 从dividend落下下一位到remainder末尾 // 设置商和余数的符号 // 商的符号同号得正异号得负 // 余数的符号与被除数a相同这是数学定义 quotient.is_negative a.is_negative ! b.is_negative; remainder.is_negative a.is_negative; quotient.trim(); remainder.trim(); return {quotient, remainder}; }5.3 一个必须警惕的“坑”余数的符号这是高精度除法乃至所有整数除法最容易混淆的地方。在C/C、Java等语言中整数除法的余数符号与被除数相同。例如-7 / 3 -2 ... -17 / -3 -2 ... 1。我们的高精度实现必须严格遵守这个规则否则在与系统整数运算混合使用或验证时会产生难以察觉的错误。上面代码中设置remainder.is_negative a.is_negative正是为了这一点。6. 实战中的性能调优与边界处理实现基本功能只是第一步要让高精度运算库真正健壮、可用还需要大量的细节打磨。6.1 内存管理与操作符重载频繁的构造函数和拷贝操作会带来性能开销。在C中可以考虑使用移动语义std::move来优化大对象的传递。为BigInt重载完整的运算符,-,*,/,%,,-,,,(输出)等是使其易用的关键。重载输入运算符时要能正确处理前置符号和空格。6.2 特殊值与错误处理零的表示必须保证BigInt(0)或BigInt(0)的digits数组为[0]且is_negative为false。所有运算函数在返回前都必须调用trim()以确保不会出现[0, 0, 0]这样的表示。除零错误除法运算必须首先检查除数是否为零并抛出异常或返回错误码。比较运算符实现,!,,,,。比较时先比较符号符号相同再比较绝对值。比较绝对值需要从最高位开始逐位比较。6.3 进阶优化思路当性能成为核心诉求时还有更多武器FFT快速傅里叶变换乘法对于超大数比如数百万位以上的乘法时间复杂度可以降至 O(n log n)。其原理是将大数乘法转化为多项式乘法利用FFT在频域进行O(n)的卷积计算再逆变换回来。这是目前已知的最快的大数乘法算法被用于破纪录的圆周率计算等领域。压位优化我们之前用的是万进制BASE10000实际上可以压到BASE10^9甚至配合unsigned long long使用BASE10^18进一步减少数组长度和乘法次数。缓存友好性尽量让数据访问连续。使用vectorint本身是连续的。在Karatsuba递归过程中频繁创建子数组可能破坏缓存可以尝试用下标范围来原地操作减少拷贝。6.4 测试如何验证你的高精度库编写完备的测试用例至关重要。测试应该覆盖基础功能小数字运算与语言内置整数类型的结果对比。边界情况零、负数、极大数、极小数的混合运算。连续运算复杂的表达式测试运算符优先级和结合性是否正确。随机测试生成大量随机的大数对用你的高精度库和Python等原生支持大数的语言计算结果进行对比。Python的int类型是任意精度的是完美的参照物。性能测试对不同位数的乘法、除法进行计时验证优化效果。我个人的经验是在实现完每个函数后立刻用几个小例子进行验证。全部完成后用随机生成的成千上万组数据与Python做对比测试这是发现隐蔽错误的最有效方法。曾经我就因为减法函数的trim()调用位置不对导致在某些特定情况下结果多了一个前导零影响了后续的大小比较花了很长时间才排查出来。高精度运算是一个将简单思想通过严谨逻辑和大量细节实现出来的经典案例。它不要求多么高深的算法但对编程者的细心和耐心是极大的考验。从头实现一遍你会对整数运算、内存管理和算法优化有更深的理解。希望这篇超详细的指南能帮你绕过我当年踩过的那些坑顺利搭建起自己的高精度计算工具。
1. 从“溢出”到“模拟”为什么我们需要高精度计算在编程世界里我们每天都在和数字打交道。无论是计算电商平台的订单总额还是处理金融交易中的金额甚至是进行科学计算数字运算都是基础中的基础。大多数编程语言都提供了内置的整数类型比如int、long long它们能处理的范围通常由机器的字长决定比如32位系统上int的范围大约是 -21亿到21亿。这个范围对于日常应用来说似乎绰绰有余。但现实世界的数据规模常常会突破这个“舒适区”。想象一下你要计算一个大型社交网络所有用户之间的可能连接数或者处理一个天文数字级别的密码学运算又或者仅仅是计算一个100的阶乘100!。100! 的结果是一个长达158位的十进制数远远超出了任何基本数据类型的表示范围。这时如果你强行用long long去计算程序不会报错但结果会悄无声息地发生“溢出”变成一个完全错误的、看似合理的数字。这种错误在金融、密码学等领域是灾难性的。这就是“大数模拟”或者说“高精度计算”要解决的问题。它的核心思想非常朴素既然一个变量装不下我就用多个变量来装。具体来说就是把一个非常长的数字像我们手写那样拆分成一个个独立的数字存放在数组或者字符串里然后通过模拟我们小学学过的竖式计算过程来实现加、减、乘、除。这个过程不依赖任何特殊的硬件指令纯粹通过软件逻辑来实现任意精度的运算所以它也叫“高精度运算”。接下来我将以一个从业者的角度带你从零开始手把手构建一套完整的高精度整数运算库。我们会从最核心的数据存储模型讲起逐步实现加、减、乘、除并深入探讨其中的效率优化和无数我踩过的“坑”。无论你是正在准备算法竞赛的学生还是需要处理特殊计算需求的开发者这套思路和代码都能直接拿去用。2. 基石高精度数的存储模型与核心设计实现高精度运算的第一步是如何在计算机中表示一个“大数”。这里有几种常见的思路不同的选择会直接影响后续所有算法的实现复杂度和运行效率。2.1 存储方案选型字符串 vs. 数组最直观的想法是用字符串String存储。输入方便输出也方便毕竟我们最终总要看到十进制结果。但是字符串的每一个字符是一个‘0’到‘9’的ASCII码进行运算时需要频繁地char - 0来转换为数字计算完又要数字 0转回字符效率很低。更重要的是进位、借位操作在字符串上处理起来非常笨拙。因此更高效、更通用的做法是使用整型数组Vector来存储。我们把大数看作一个“进制位”上的数字序列。虽然我们最终输入输出是十进制但在计算过程中为了充分利用计算机一次性能处理多位数字的能力我们通常选择以10^8或10^9作为一个“位”的基数。这是因为10^9小于2^31约21亿一个32位int刚好可以存放一位并且两个这样的“位”相乘也不会超过64位long long的范围方便处理乘法中的中间结果。为了方便计算我们采用倒序存储。即数组的第0位下标0存储的是数字的个位第1位存储十位以此类推。这样做的巨大好处是当数字长度发生变化比如加法进位导致多出一位时我们只需要在数组的末尾进行push_back操作而不需要移动整个数组的所有元素。我们定义一个结构体BigInt来封装这个大数struct BigInt { vectorint digits; // 存储每一位digits[0]是个位 bool is_negative; // 符号位true表示负数 // 构造函数等... };2.2 输入与输出的处理效率与鲁棒性输入通常是一个字符串。我们需要将这个字符串解析到digits数组中。假设我们采用万进制基数为10000那么处理过程就是从字符串末尾开始每4位字符组成一个数字存入digits[0]依次向前。BigInt(const string s) { is_negative (s[0] -); int start is_negative ? 1 : 0; int len s.length(); // 从字符串末尾开始每BASE_LEN位切分一次 for (int i len; i start; i - BASE_LEN) { int begin max(start, i - BASE_LEN); string segment s.substr(begin, i - begin); digits.push_back(stoi(segment)); // 将4位字符串转为整数 } // 去除前导零 trim(); }这里有一个关键细节去除前导零。输入可能是“000123”或者运算结果产生了高位零我们必须有一个trim()函数来清理它们保证数字的规范表示。同时要特殊处理数字“0”确保它不会被表示为负数。输出则是逆过程从digits的最高位开始输出。需要注意的是最高位直接输出而中间的位如果不足4位在万进制下需要用0左补齐否则 “10001” 可能会被错误输出为 “11”。注意基数的选择是一种典型的“时间-空间”权衡。基数越大如10^9数组更短乘法次数更少但每次“位”运算的中间结果更容易溢出且输入输出转换稍复杂。基数小如10实现最简单直观但数组过长效率最低。对于算法竞赛10^8或10^9是平衡点对于特定应用可能需要根据数据特征调整。3. 加法与减法模拟竖式与符号处理加法和减法是高精度运算的基础它们清晰地体现了“模拟竖式”的思想。3.1 无符号大数加法我们先实现核心两个正数相加。算法流程完全模仿竖式从最低位数组下标0开始将对应位相加再加上来自低位的进位carry。当前位的结果为(sum % BASE)新的进位为(sum / BASE)。遍历完所有位后如果最后还有进位carry 0则需要在结果最高位添加这个进位。BigInt add_absolute(const BigInt a, const BigInt b) { BigInt result; int carry 0; size_t max_len max(a.digits.size(), b.digits.size()); for (size_t i 0; i max_len || carry; i) { int sum carry; if (i a.digits.size()) sum a.digits[i]; if (i b.digits.size()) sum b.digits[i]; result.digits.push_back(sum % BASE); carry sum / BASE; } return result; }循环条件i max_len || carry是一个经典技巧它确保了即使两个数的位都加完了但只要最后还有进位循环就会多进行一次来处理这个进位。3.2 无符号大数减法减法比加法复杂因为可能产生借位并且结果可能为负。我们首先实现一个前提a b绝对值。算法如下从最低位开始计算a.digits[i] - borrow。如果该值小于b.digits[i]或b的该位不存在则为0则需要向高位借位令当前位结果 BASE并设置borrow 1。否则borrow 0。计算当前位结果current a.digits[i] - borrow - (i b.digits.size() ? b.digits[i] : 0)。BigInt sub_absolute(const BigInt a, const BigInt b) { // 前提|a| |b| BigInt result; int borrow 0; for (size_t i 0; i a.digits.size(); i) { int current a.digits[i] - borrow; int b_digit (i b.digits.size()) ? b.digits[i] : 0; if (current b_digit) { current BASE; // 借位 borrow 1; } else { borrow 0; } result.digits.push_back(current - b_digit); } // 减法后去除结果中的前导零 result.trim(); return result; }这里有一个大坑trim()必须在减法后调用。因为比如计算10000 - 9999在万进制下digits可能是[1]实际表示1和[9999]相减后结果数组是[0, 0]不对仔细按照算法结果是[1]吗让我们手动模拟a[0,1]表示10000b[9999]表示9999。current 0 - 0 0小于b_digit9999所以借位current01000010000borrow1result[0]10000-99991。下一位current 1 - borrow(1) 0b_digit0result[1]0。所以结果数组是[1, 0]。trim()函数会去掉高位的0最终得到[1]正确。如果不去除这个数字就被错误地表示为0001了在后续比较或输出时都会出错。3.3 整合符号处理有了无符号的加法和减法我们就可以处理带符号的运算了。这本质上是一个规则判断加法a b同号绝对值相加符号不变。异号绝对值相减结果的符号取绝对值大的数的符号。减法a - b可以转化为a (-b)然后调用加法规则。因此我们最终的operator和operator-实现内部就是一堆if-else判断调用add_absolute或sub_absolute并正确设置结果的is_negative标志。比较两个数绝对值大小的函数compare_absolute是这里的必备工具。BigInt operator(const BigInt other) const { if (is_negative other.is_negative) { // 同号绝对值相加 BigInt res add_absolute(*this, other); res.is_negative is_negative; // 符号不变 return res; } else { // 异号转化为绝对值相减 int cmp compare_absolute(*this, other); if (cmp 0) return BigInt(0); // 绝对值相等结果为0 BigInt res (cmp 0) ? sub_absolute(*this, other) : sub_absolute(other, *this); res.is_negative (cmp 0) ? is_negative : other.is_negative; return res; } }4. 乘法从朴素O(n²)到分治优化乘法是高精度运算中的性能瓶颈也是优化空间最大的部分。4.1 朴素竖式乘法最直接的方法是模拟我们手算乘法的过程。对于一个m位的大数A和一个n位的大数B我们需要进行m * n次单位乘法时间复杂度是 O(mn)。结果C的位数最多为m n。BigInt naive_multiply(const BigInt a, const BigInt b) { size_t m a.digits.size(), n b.digits.size(); vectorlong long temp(m n, 0); // 使用long long防止中间溢出 for (size_t i 0; i m; i) { long long carry 0; for (size_t j 0; j n; j) { // 关键a.digits[i] 和 b.digits[j] 相乘结果累加到 temp[ij] 上 temp[i j] (long long)a.digits[i] * b.digits[j] carry; carry temp[i j] / BASE; temp[i j] % BASE; } if (carry 0) { temp[i n] carry; } } BigInt result; result.digits.assign(temp.begin(), temp.end()); result.trim(); result.is_negative a.is_negative ! b.is_negative; // 同号得正异号得负 return result; }这里有两个要点中间结果用long long两个int比如10^9量级相乘结果可能达到10^18这仍在64位long long的范围内。使用long long数组temp暂存中间结果可以安全地进行累加。累加位置temp[ij]这完美对应了竖式中“错位相加”的原理。A的第i位权重为BASE^i与B的第j位权重为BASE^j相乘结果的权重是BASE^(ij)所以应该加到temp数组的ij位置上。4.2 优化之路Karatsuba算法当数字非常大时比如成千上万位O(n²) 的朴素乘法就太慢了。这时可以使用 Karatsuba 算法它能将时间复杂度降低到大约 O(n^1.585)。其核心思想是“分治”通过三次而不是四次递归乘法来完成计算。假设有两个大数x和y我们将其各自分成两半x a * BASE^k by c * BASE^k d其中k大约是位数的一半。那么x * y ac * BASE^(2k) (ad bc) * BASE^k bd。 Karatsuba 的妙处在于它发现(ab)(cd) ac ad bc bd所以ad bc (ab)(cd) - ac - bd。 这样我们只需要计算三次乘法ac,bd,(ab)(cd)就可以得到结果比原来的四次乘法少了一次。BigInt karatsuba(const BigInt x, const BigInt y) { // 递归基当数字较小时使用朴素乘法效率更高 if (x.digits.size() 32 || y.digits.size() 32) { return naive_multiply(x, y); } size_t m min(x.digits.size(), y.digits.size()); size_t k m / 2; // 分割 x 和 y BigInt high1 x.shift_right(k); // 获取高半部分 a BigInt low1 x.lower_half(k); // 获取低半部分 b BigInt high2 y.shift_right(k); BigInt low2 y.lower_half(k); // 计算三次乘法 BigInt z0 karatsuba(low1, low2); // bd BigInt z2 karatsuba(high1, high2); // ac BigInt z1 karatsuba(low1 high1, low2 high2); // (ab)(cd) // 计算 adbc z1 - z2 - z0 BigInt middle z1 - z2 - z0; // 合并结果: z2 * BASE^(2k) middle * BASE^k z0 BigInt result z2.shift_left(2*k) middle.shift_left(k) z0; result.is_negative x.is_negative ! y.is_negative; return result; }实现 Karatsuba 需要辅助函数shift_left左移相当于乘以BASE^k、shift_right获取高半部分、lower_half获取低半部分。这里有一个性能关键点递归基的选择。当数字位数小于某个阈值比如32时递归的函数调用开销会超过朴素乘法的计算开销此时直接调用naive_multiply反而更快。这个阈值需要通过实际测试来确定。实操心得在真正的项目或竞赛中除非处理的数据规模极其巨大例如数万位否则实现 Karatsuba 的收益可能并不明显且代码复杂度高容易出错。通常精心优化的朴素乘法如使用long long累加、循环展开足以应对绝大多数场景。选择哪种方案取决于你的具体需求和对性能的极致追求。5. 除法最复杂的模拟与试商策略高精度除法是四则运算中最复杂的一环它模拟的是“长除法”。我们这里讨论的是高精度整数除以高精度整数求商和余数。更简单的高精度除以低精度的情况可以看作是其特例。5.1 算法思路减法与估商核心思想是被除数A不断减去除数B的若干倍直到剩下的数小于B。这个“若干倍”就是商在当前位的值。我们模拟手工除法从被除数的高位开始逐位确定商。假设A和B都是正数且A B否则商为0余数为A。将除数B与被除数A的前len(B)位进行比较。如果A的前几位小于B则多取一位。试商用被选取的这部分高位我们称为“当前余数”R除以B估算出商的一位q。这是整个算法最难和最易出错的部分。用估算的q乘以B得到一个乘积P。比较P和R。如果P R说明q估大了将q减1重新计算P直到P R。从R中减去P得到新的余数。将被除数的下一位“落”下来拼接到新余数的后面形成下一轮的R。重复步骤2-6直到被除数的所有位都处理完毕。5.2 试商的技巧与优化最关键的步骤是第2步如何快速、准确地估算出q一个经典且有效的方法是用R的最高两位除以B的最高一位。假设R有m位B有n位。我们取R的最高两位组成一个两位数r_hi在万进制下就是R.digits[m-1] * BASE R.digits[m-2]取B的最高位b_hi即B.digits[n-1]。那么试商q_guess min(r_hi / b_hi, BASE - 1)。这里min是为了防止q_guess超过进制基数的范围。但这样估算的q_guess仍然可能偏大因为忽略了B的其余低位。因此步骤4的“修正”循环必不可少。然而统计表明在绝大多数情况下q_guess最多只需要修正1次即减1就能满足条件。这使得整个除法过程的效率可以接受。pairBigInt, BigInt divide(const BigInt a, const BigInt b) { // 处理符号和特殊情况除数为0被除数为0被除数小于除数等 if (b.is_zero()) throw runtime_error(Division by zero); if (a.is_zero()) return {BigInt(0), BigInt(0)}; if (compare_absolute(a, b) 0) return {BigInt(0), a}; // 商0余数为a BigInt dividend a.abs(); // 取绝对值 BigInt divisor b.abs(); BigInt quotient; BigInt remainder; // 核心除法循环 // ... 这里包含上述步骤的复杂实现 ... // 1. 从dividend高位构建初始remainder // 2. while 还有位未处理: // a. 估算商位 q // b. while (divisor * q remainder): q-- // c. remainder remainder - divisor * q // d. 将q加入quotient的对应位 // e. 从dividend落下下一位到remainder末尾 // 设置商和余数的符号 // 商的符号同号得正异号得负 // 余数的符号与被除数a相同这是数学定义 quotient.is_negative a.is_negative ! b.is_negative; remainder.is_negative a.is_negative; quotient.trim(); remainder.trim(); return {quotient, remainder}; }5.3 一个必须警惕的“坑”余数的符号这是高精度除法乃至所有整数除法最容易混淆的地方。在C/C、Java等语言中整数除法的余数符号与被除数相同。例如-7 / 3 -2 ... -17 / -3 -2 ... 1。我们的高精度实现必须严格遵守这个规则否则在与系统整数运算混合使用或验证时会产生难以察觉的错误。上面代码中设置remainder.is_negative a.is_negative正是为了这一点。6. 实战中的性能调优与边界处理实现基本功能只是第一步要让高精度运算库真正健壮、可用还需要大量的细节打磨。6.1 内存管理与操作符重载频繁的构造函数和拷贝操作会带来性能开销。在C中可以考虑使用移动语义std::move来优化大对象的传递。为BigInt重载完整的运算符,-,*,/,%,,-,,,(输出)等是使其易用的关键。重载输入运算符时要能正确处理前置符号和空格。6.2 特殊值与错误处理零的表示必须保证BigInt(0)或BigInt(0)的digits数组为[0]且is_negative为false。所有运算函数在返回前都必须调用trim()以确保不会出现[0, 0, 0]这样的表示。除零错误除法运算必须首先检查除数是否为零并抛出异常或返回错误码。比较运算符实现,!,,,,。比较时先比较符号符号相同再比较绝对值。比较绝对值需要从最高位开始逐位比较。6.3 进阶优化思路当性能成为核心诉求时还有更多武器FFT快速傅里叶变换乘法对于超大数比如数百万位以上的乘法时间复杂度可以降至 O(n log n)。其原理是将大数乘法转化为多项式乘法利用FFT在频域进行O(n)的卷积计算再逆变换回来。这是目前已知的最快的大数乘法算法被用于破纪录的圆周率计算等领域。压位优化我们之前用的是万进制BASE10000实际上可以压到BASE10^9甚至配合unsigned long long使用BASE10^18进一步减少数组长度和乘法次数。缓存友好性尽量让数据访问连续。使用vectorint本身是连续的。在Karatsuba递归过程中频繁创建子数组可能破坏缓存可以尝试用下标范围来原地操作减少拷贝。6.4 测试如何验证你的高精度库编写完备的测试用例至关重要。测试应该覆盖基础功能小数字运算与语言内置整数类型的结果对比。边界情况零、负数、极大数、极小数的混合运算。连续运算复杂的表达式测试运算符优先级和结合性是否正确。随机测试生成大量随机的大数对用你的高精度库和Python等原生支持大数的语言计算结果进行对比。Python的int类型是任意精度的是完美的参照物。性能测试对不同位数的乘法、除法进行计时验证优化效果。我个人的经验是在实现完每个函数后立刻用几个小例子进行验证。全部完成后用随机生成的成千上万组数据与Python做对比测试这是发现隐蔽错误的最有效方法。曾经我就因为减法函数的trim()调用位置不对导致在某些特定情况下结果多了一个前导零影响了后续的大小比较花了很长时间才排查出来。高精度运算是一个将简单思想通过严谨逻辑和大量细节实现出来的经典案例。它不要求多么高深的算法但对编程者的细心和耐心是极大的考验。从头实现一遍你会对整数运算、内存管理和算法优化有更深的理解。希望这篇超详细的指南能帮你绕过我当年踩过的那些坑顺利搭建起自己的高精度计算工具。
