标签：epsilon sum FFT 单位根 times TEST 傅里叶 align 式子
FFT - 快速傅里叶变换
目录写在前面
该博客仅为个人对一些算法的理解与总结，不保证正确性，同时欢迎各位纠正。
目的
FFT (Fast Fourier Transform) 是为了为快速求出两个多项式的卷积，也就是 $ C(x) = A(x) \ast B(x) $ ，或者表达为
\[c(i) = \sum_{j = 0}^{i} a(j) \times b(i - j) \]( $ a(i), b(i), c(i) $ 为多项式系数 $ A(x), B(x), C(x) $ 为多项式 )
前置知识
原根
详细定义可参考 知乎 或 OI-WIKI，简而言之就是，对于模 $ m $ 意义下的原根 $ a $，有 $ a^1, a^2, \cdots, a^{\varphi(m)} \bmod m $ 的值各不相同，$ \varphi(m) $ 表示 欧拉函数 。
单位根
对于 $ \epsilon^n = 1 (\epsilon \neq 1)$，称 \(\epsilon\) 为 $ n $ 次单位根，其可以为模意义下的或复数意义下的。
对于模 $ m $ 意义下的， $ m $ 为质数，令原根为 $ g $ 则有 $ \gcd(g, m) = 1 $，此时若满足 $ n \mid m - 1 $ 则有 $ \epsilon = g^{\frac{m - 1}{n}} $。
证明：
\[&(g^{\frac{m - 1}{n}})^n &\equiv 1 \pmod{m}\\ \iff &g^{m - 1} &\equiv 1 \pmod{m}\\ \]由 费马小定理 可知显然成立
对于复数意义下的，则可将一单位圆 n 等分，并取该 n 个点表示的复数，从 x 轴，也就是从 $ (1, 0) $ 开始取，逆时针从 0 开始对这些复数进行编号，对于第 k 个复数记作 $ \epsilon_n^k $，则对于幅角非零且最小的复数 $ \epsilon_n^1 $，由复数相乘时模长相乘幅角相加可知一定有 $ (\epsilon_n1)k = \epsilon_n^k $，则称 $ \epsilon_n^1 $ 为 $ n $ 次单位根。
很多地方可能用 $ \omega $ 来表示单位根，也就是本文中的 $ \epsilon $，仅为表示方式的区别而已。
单位根性质
对于 $ n $ 次单位根有如下式子
\[(\epsilon^k)^2 = (\epsilon^{k + \dfrac{n}{2}})^2 \]证明
\[\begin{align}(\epsilon^{k + \dfrac{n}{2}})^2 &= (\epsilon^k)^2 \times \epsilon^2\\ &= (\epsilon^k)^2 \end{align} \]等比数列求和公式
\[S_n = a_1 \dfrac{1-q^n}{1-q} \]正文
单位根反演
对于 $ n $ 次单位根 $ \epsilon $，显然有如下的， $ a_1 = \epsilon^0 = 1 $， $ q = \epsilon^v $，的等比数列的求和为
\[\begin{align}\sum_{i = 0}^{n - 1} \epsilon^{vi} &= \dfrac{1 - \epsilon^{nv}}{1-\epsilon^v} (\epsilon^v \neq 1)\\ &= 0 \end{align} \]又有 $ n $ 次单位根性质可知 $ \epsilon^v = 1 $ 时，上式 $ = 1 $。
且又有如下式子
\[\epsilon^v = 1 \iff n \mid v \]综上则有如下式子
\[\dfrac{1}{n}\sum_{i = 0}^{n - 1}\epsilon^{vi} = \left\{ \begin{array}{ll} 0 & \quad n \nmid v\\ 1 & \quad n \mid v \end{array} \right. \]此即为单位根反演
推式子
将单位根反演代入原式，令 $ v = p + q - i $，则 $ n \mid v $，
且令
\[d(x) = \left\{ \begin{array}{ll} 0 & \quad p + q \not\equiv i \bmod{n}\\ 1 & \quad p + q \equiv i \bmod{n} \end{array} \right. \]显然有如下式子
\[&\begin{align} c(i) &= \sum_{j = 0}^i a(j) \times b(i - j)\\ &= \sum_p\sum_q a(p) \times b(q) \times d(x)\\ &= \sum_{p = 0}^{n - 1}\sum_{q = 0}^{n - 1} a(p) \times b(q) \times \dfrac{1}{n}\sum_{k = 0}^{n - 1}\epsilon^{k \times (p + q - i)}\\ &= \sum_{p = 0}^{n - 1} a(p) \sum_{q = 0}^{n - 1} b(q) \times \dfrac{1}{n} \sum_{k = 0}^{n - 1}\epsilon^{kp}\epsilon^{kq}\epsilon^{-ki}\\ &= \sum_{p = 0}^{n - 1} a(p)\epsilon^{kp} \sum_{q = 0}^{n - 1} b(q)\epsilon^{kq} \times \dfrac{1}{n} \sum_{k = 0}^{n - 1}\epsilon^{-ki}\\ \end{align}\\ \iff&n \times c(i) \sum_{k = 0}^{n - 1}\epsilon^{ki} = \sum_{p = 0}^{n - 1} a(p)\epsilon^{kp} \sum_{q = 0}^{n - 1} b(q)\epsilon^{kq} \]观察最后两个式子，可以发现如下两个式子
\[& c(i) = \sum_{p = 0}^{n - 1} a(p)\epsilon^{kp} \sum_{q = 0}^{n - 1} b(q)\epsilon^{kq} \times \dfrac{1}{n} \sum_{k = 0}^{n - 1}\epsilon^{-ki}\\ \iff&n \times c(i) \sum_{k = 0}^{n - 1}\epsilon^{ki} = \sum_{p = 0}^{n - 1} a(p)\epsilon^{kp} \sum_{q = 0}^{n - 1} b(q)\epsilon^{kq} \]考虑令该多项式上一点为 $ (\epsilon^p, f(p)) $，多项式第 $ p $ 项系数为 $ g(p) $，有
\[\begin{align} f(p) &= \sum_{i = 0}^{n - 1}\epsilon^{pi}g(i)\\ g(p) &= \dfrac{1}{n}\sum_{i = 0}^{n - 1}\epsilon^{-pi}f(i) \end{align} \]证明
\[//TODO \]则可知求 $ f(p) $ 的过程即为DFT，求 $ g(p) $ 的过程即为IDFT。
由定义显然有
\[DFT(C, i) = DFT(A, i) \times DFT(B, i) \]（ $ A, B, C $ 均代表该多项式 ）
又有
\[IDFT(DFT(C)) = C \]证明
\[//TODO \]则此时多项式 C 可求，但时间复杂度仍然是 $ O(n^2) $
继续推式子
对于
\[f(p) = \sum_{i = 0}^{n - 1}\epsilon^{pi}g(i) \]可以考虑 $ f(p) $ 与 $ f(p + 2^k) $ 的关系，则此时我们可以假设 $ n = 2^{k + 1} $
且令
\[d_1(x) = \left\{ \begin{array}{ll} 0 & \quad i \equiv 0 (\bmod{2})\\ 1 & \quad i \equiv 1 (\bmod{2}) \end{array} \right.\\ d_2(x) = \left\{ \begin{array}{ll} 1 & \quad i \equiv 0 (\bmod{2})\\ 0 & \quad i \equiv 1 (\bmod{2}) \end{array} \right. \]由单位根的性质可以得到以下式子
\[\begin{align}f(p + 2^k) &= \sum_{i = 0}^{n - 1}(\epsilon^{p + 2^k})^ig(i)\\ &= \sum_{i = 0}^{n - 1}(\epsilon^p)^ig(i)d_1(i) + \sum_{i = 0}^{n - 1}(\epsilon^p)^iug(i)d_2(i) \end{align} \]其中u为一个二次单位根，因为显然当且仅当 $ i $ 为奇数时，下式不为 $ 0 $。
\[\sum_{i = 0}^{n - 1}(\epsilon^p)^iug(i)d(i) \]$ i $ 为奇数时，可以有如下推导
\[\begin{align}\sum_{i = 0}^{n - 1}(\epsilon^{p + 2^k})^ig(i) &= \sum_{i = 0}^{n - 1}(\epsilon^p)^i\epsilon^{2^k}g(i)\\ \end{align} \]此时显然有
\[\begin{align}(\epsilon^{2^k})^2 &= \epsilon^{2^{k + 1}} \end{align} \]且我们已知 $ \epsilon $ 为 $ 2^{k + 1} $ 次单位根，所以显然有
\[\epsilon^{2^{k + 1}} = 1 \]所以 $ \epsilon{2k} $ 为二次单位根，这里为了方便，我们用 $ u $ 代替。
此时可以考虑令
\[f^{'}(p) &=& \sum_{i = 0}^{n - 1}(\epsilon^p)^ig(i)d_1(i)\\ f^{'}(p + 2^k) &=& \sum_{i = 0}^{n - 1}(\epsilon^p)^{i}g(i)d_2(i) \]所以将幂次除以二后，显然有（此时 $ \epsilon $ 应为 $ \dfrac{n}{2} $ 次单位根）
\[f^{'}(p) &=& \sum_{i = 0}^{\frac{n}{2} - 1}(\epsilon^p)^{i}g(i \times 2)\\ f^{'}(p + 2^k) &=& \sum_{i = 0}^{\frac{n}{2} - 1}(\epsilon^p)^{i}g(i \times 2 + 1) \]再将式子转化为
\[f^{'}(p) &=& \sum_{i = 0}^{n^{'}}(\epsilon^p)^{i}g_1(i)\\ f^{'}(p + 2^k) &=& \sum_{i = 0}^{{n^{'}}}(\epsilon^p)^{i}g_2(i) \]此时式子形式便可按相同方法继续递归，直到 $ n = 2 $ 时进行回溯。
Code
//TODO
优化
//TODO
写在后面
写完之后发现依然没有很清晰的弄明白，然后发现有几个Blog写的更清晰易懂
一小时学会快速傅里叶变换（Fast Fourier Transform）
至于几个TODO等以后再慢慢填坑吧
标签：epsilon,sum,FFT,单位根,times,TEST,傅里叶,align,式子 来源： https://www.cnblogs.com/tsawke/p/16572609.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。