标签：frac cdot 多项式 sum FFT 笔记 学习 cdots omega
-1. 前置知识
基础的复数知识。
0. 什么是多项式乘法
众所周知，多项式本质是一种特殊的函数，可以表示为自变量的若干次幂之和，即
\[F(x)=\sum_{i=0}c_i\cdot x^i \]其中 \(c_i\) 被称为 \(x^i\) 的系数。
已知 \(F,G\) 是两个多项式函数，考虑定义一个新的函数 \(H(x)=F(x)G(x)\)。我们称 \(H\) 为 \(F\) 与 \(G\) 的乘积，记作 \(H=F\cdot G\)，这种通过已知的两个多项式函数，以乘积形式生成另一个函数的运算，称为多项式乘法。
本文讨论的就是计算多项式乘法，即求出 \(H\) 解析式的过程。
根据定义，有
\[\begin{aligned} H(x)&=F(x)\cdot G(x) \\ &= (\sum_{i=0} a_ix^i)(\sum_{j=0}b_jx^j) \\ &= \sum_{i=0}(a_ix^i\cdot \sum_{j=0}b_jx^j)\\ &= \sum_{i=0}\sum_{j=0} a_ib_jx^{i+j}\\ \end{aligned} \]我们发现，两个多项式的乘积仍是多项式。
由于多项式的特性，我们只需知道该多项式的每一项系数即可，即使用一个\(n\) 维向量去描述一个\(n-1\)次多项式。
显然，有一种暴力的方法 \(H[i]=\sum_{j=0}^iF[j]* G[i-j]\)。我们称这种形如\(c_n=\sum_{i\otimes j=n}a_i\cdot b_j\)运算为卷积。（其实只是卷积的一种，即加法卷积）
显然，这样做复杂度是 \(\mathcal{O}(n^2)\)的，实在太慢了。
\(\frac{1}{2}\). 多项式的点值表示法
既然多项式是一个函数，那我么可以画出它的函数图象，并在上面取几个点。
显然，由待定系数法可知，给定 \(n+1\) 个不同的点，可以唯一确定一个次数不超过 \(n\) 的多项式。
我们可以考虑用点值反推解析式，即如果已知函数 \(F,G\) 的\(n\) 个对应点，由定义式 \(H(x)=F(x)G(x)\) 可以直接 \(\mathcal O(n)\) 算出 \(H\) 对应的点！
但如果随意带入点，用待定系数法高斯消元暴力反推解析式，复杂度 \(\mathcal O(n^3)\)，直接爆炸。
当然我们可以用拉格朗日插值公式做到 \(\mathcal O(n^2)\)，然并卵，还不如暴力乘法……
\(\frac{9}{10}\). 单位根的引入及其性质
既然带一些普通的东西进去没啥用，那我们直接躺平带一些奇怪的东西进去，比如复数。考虑带入 \(n\) 次单位根。
定义：方程 \(x^n-1=0\) 在复数域的全部解称为 \(n\) 次单位根。由代数基本定理知，\(n\) 次单位根有 \(n\) 个，分别记为 \(\omega_n^0 \cdots \omega_n^{n-1}\) 。由复数乘法模相乘，幅角相加可知，\(n\) 次单位根全部在单位圆上，且幅角为 \(\frac{2\pi}{n}\) 的整数倍。显然，\(\omega_n^k=\cos \frac{2\pi k}{n}+i\sin \frac{2\pi k}{n}\)。当然，其它单位根是 \(\omega_n^1\) 的整数次幂，因此我们称其为主\(n\)次单位根，简记为 \(\omega_n\)。
根据欧拉公式 \(e^{ix}=\cos x+i\sin x\)，有\(\omega_n^k=e^{\frac{2\pi k}{n}i}\)
一些性质：
-
\(\omega_n^k=(\omega_n^1)^k\)
-
\(\omega_n^i\cdot\omega_n^j=\omega_n^{i+j}\)
-
\(\omega_{dn}^{dk}=\omega_n^k\) （消去引理）
证明：\(\large\omega_{dn}^{dk}=e^{\frac{2\pi dk}{dn}i}=e^{\frac{2\pi k}{n}i}=\omega_n^k\)
- 若 \(2|n\)，\(\omega_n^{k+\frac{n}{2}}=-\omega_n^k\)
证明：\(\omega_n^{k+\frac{n}{2}}=\omega_n^{k}\omega_n^{\frac{n}{2}}=\omega^1_2\omega_n^k=-\omega_n^k\)
推论：\((\omega_n^k)^2=(\omega_n^{k+\frac{n}{2}})^2=\omega_{n/2}^k\)（折半引理）
- 对于任意不为 \(n\) 倍数的 \(k\)，有：
证明：
\[\sum_{i=0}^{n-1}(\omega_n^k)^i=\frac{(\omega_n^k)^n-1}{\omega_n^k-1}=\frac{1^k-1}{\omega_{n}^k-1}=0 \]知道这些结论，就可以学习 FFT 了！
1. DFT
考虑求出一个多项式在 \(\omega_n^0\cdots\omega_n^{n-1}\) 的值，我们称这种运算为 DFT。
首先，我们将该多项式的次数扩充为 \(2\) 的幂次。
将 \(A(x)\) 写成系数向量形式 \(a=[a_0,a_1,a_2,\cdots,a_{n-1}]\)
考虑将其按奇数项和偶数项分为
\[a^{[0]}=[a_0,a_2,a_4,\cdots,a_{n-2}] \]\[a^{[1]}=[a_1,a_3,a_5,\cdots,a_{n-1}] \]分别记其对应的多项式为 \(A^{[0]}(x)\) 和 \(A^{[1]}(x)\)。
\[A(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-1}x^{n-1} \]\[A^{[0]}(x)=a_0+a_2x+a_4x^2+\cdots+a_{n-2}x^{n/2-1} \]\[A^{[1]}(x)=a_1+a_3x+a_5x^2+\cdots+a_{n-1}x^{n/2-1} \]换成 \(x^2\)：
\[A(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-1}x^{n-1} \]\[A^{[0]}(x^2)=a_0+a_2x^2+a_4x^4+\cdots+a_{n-2}x^{n-2} \]\[A^{[1]}(x^2)=a_1+a_3x^2+a_5x^4+\cdots+a_{n-1}x^{n-2} \]\(A^{[1]}\) 乘上 \(x\)：
\[A(x)=a_0+a_1x+a_2x^2+\cdots+a_{n-1}x^{n-1} \]\[A^{[0]}(x^2)=a_0+a_2x^2+a_4x^4+\cdots+a_{n-2}x^{n-2} \]\[xA^{[1]}(x^2)=a_1x+a_3x^3+a_5x^5+\cdots+a_{n-1}x^{n-1} \]由此得到 \(A(x)=A^{[0]}(x^2)+xA^{[1]}(x^2)\)
说人话：如果知道 \(A^{[0]}(x^2)\) 和 \(A^{[1]}(x^2)\) ，就可以求出 \(A(x)\)。
问题转化为求出所有 \(A^{[0]}((\omega_n^k)^2)\) 和 \(A^{[1]}((\omega_n^k)^2)\)。
由折半引理知，求出所有 \(A^{[0]}((\omega_n^k)^2)\) 和 \(A^{[1]}((\omega_n^k)^2)\) 就是求出所有 \(A^{[0]}(\omega_{n/2}^k)\) 和 \(A^{[1]}(\omega_{n/2}^k)\)。
注意到这是原问题的子问题，可以直接分治处理。递归边界为 \(n=1\)，此时对应的多项式为常量，直接返回即可。
考虑合并。
\(A(\omega_n^k)=A^{[0]}(\omega_{n/2}^k)+\omega_n^kA^{[1]}(\omega_{n/2}^k)\)
当然，如果 \(k\geq \frac{n}{2}\)，我们让 \(k\bmod \frac{n}{2}\) 即可。
显然，合并复杂度为 \(\mathcal O(n)\)。
则 \(FFT\) 的复杂度 \(T(n)=2T(\frac{n}{2})+\mathcal O(n)\)，故 \(T(n)=\mathcal O(n\log n)\)
全剧终。
我们发现，我们得到的只是一些点值罢了，根本不是系数表示。
2. IDFT
即 DFT 的逆运算。
如何将点值转换为系数？注意到上文提到 DFT 时，说的是将 \(A(x)\) 看成系数向量，即一维矩阵。
如果我们将得到的点值记为一维向量 \(b\)，则有：\(a=IDFT(b)\)，即 \(b=DFT(a)\)。
我们现在知道 \(b\) 求 \(a\)。
由定义知 \(b[k]=\sum_{i=0}^{n-1}(\omega_n^k)^i\cdot a[i]\)
如果你会单位根反演，你可能能够推出 \(a\) 关于 \(b\) 的式子。这里给出单位根反演的原理。
还记得求和引理吗？
\[\sum_{i=0}^{n-1}(\omega_n^k)^i=0 \]对于任意不为 \(n\) 倍数的 \(k\)，有：
此外，若 \(k\) 为 \(n\) 的倍数，显然上个式子的值为 \(n\)。
即
\[\frac{1}{n}\sum_{i=0}^{n-1}(\omega_n^k)^i=[n|k] \]考虑如下式子：
\[a_k=\sum_{i=0}^{n-1} a_i\cdot[k=i] \]感觉是句废话……
考虑把 \([k=i]\) 往 \([n|k]\) 上靠。
我们发现，\(i,k\) 的取值范围是 \([0,n-1]\)，即 \(k=k\bmod n,i=i\bmod n\)
那么，\([k=i]\) 可以写成 $[k\bmod n=i\bmod n] $，即 $ [k\equiv i\pmod n]$ 或 \([n|(k-i)]\)
带回原式试试！
\[\begin{aligned} a_k &=\sum_{i=0}^{n-1}a_i\cdot[n|(k-i)]\\ &=\sum_{i=0}^{n-1}a_i\cdot\frac{1}{n}\sum_{j=0}^{n-1}(\omega_n^{k-i})^j \\ &=\frac{1}{n}\sum_{i=0}^{n-1}\sum_{j=0}^{n-1} \omega_n^{ik}\omega_n^{-ij}a_i \\ &=\frac{1}{n}\sum_{i=0}^{n-1}(\omega_n^{ki})\cdot \sum_{j=0}^{n-1}\omega_n^{-ij}a_i \end{aligned} \]完蛋了……推不出来了
但 \([n|(k-i)]\) 与 \([n|(i-k)]\) 是等价的。
再试一次。
\[\begin{aligned} a_k &=\sum_{i=0}^{n-1}a_i\cdot[n|(i-k)]\\ &=\sum_{i=0}^{n-1}a_i\cdot\frac{1}{n}\sum_{j=0}^{n-1}(\omega_n^{i-k})^j \\ &=\frac{1}{n}\sum_{i=0}^{n-1}\sum_{j=0}^{n-1} \omega_n^{-ik}\omega_n^{ij}a_i \\ &=\frac{1}{n}\sum_{i=0}^{n-1}(\omega_n^{-ki})\cdot \sum_{j=0}^{n-1}\omega_n^{ij}a_i \\ &=\frac{1}{n}\sum_{i=0}^{n-1}(\omega_n^{-k})^i\cdot b_i \end{aligned} \]这次成功了。变形一下：
\[n\cdot a[k]=\sum_{i=0}^{n-1}(\omega_n^{-k})^ib[i] \]我们发现右边和 DFT 过程几乎完全一致，只是将 \(\omega_n^k\) 改为 \(\omega_n^{-k}\)。
到这里，FFT 的理论部分就讲完了。
3. 代码实现
标签：frac,cdot,多项式,sum,FFT,笔记,学习,cdots,omega 来源： https://www.cnblogs.com/pref-ctrl27/p/16589789.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。