@(学习笔记)[FFT, NTT]

问题概述

给出两个次数为\(n\)的多项式\(A\)和\(B\), 要求在\(O(n \log n)\)内求出它们的卷积, 即对于结果\(C\)的每一项, 都有$$c_i = \sum_{j = 0}^{n}a_j \cdot b_{i - j}$$

问题求解

大致思路

  • 朴素做法: 考虑按照上面的式子暴力运算, 时间复杂度: \(O(n^2)\)
  • 考虑把多项式化作点值表达, 记$$A(x) =\sum_{i = 0}^n a_i x^i$$ 我们把\(A\)和\(B\)的点值表达乘起来, 得到的就是\(C\)的点值表达, 即$$A(x) \cdot B(x) = C(x)$$
  • 我们把\(x \to A(x)\)的运算称作是DFT(离散傅立叶变换Discrete Fourier Transform)
  • 对于一个次数为\(n\)的多项式, 我们有它的\(n\)组不同点值表达, 通过点值表达求出原多项式的每一项的运算, 我们称之为IDFT(逆傅立叶变换)

DFT

考虑两个次数为\(n\)的多项式卷积, 得到的结果次数最高达到了\(2n - 1\). 所以我们至少需要\(2n - 1\)个结果的点值表达, 才足够把结果逆推出来(Hint: 为什么是\(2n-1\)个点值表达? 大体上可以从拉格朗日插值法来理解.).

考虑如何化简运算.

我们把多项式\(A\)拆分开奇数位和偶数位, 来计算它的点值表达. 我们令\(x_k\)为代入多项式计算的第\(k\)个值, 记$$f_0(x_k) = a_0 x_k^0 + a_2 x_k^1 + a_4 x_k^2 + ... + a_{2m} x_k^m$$

\[f_1(x_k) = a_1 x_k^1 + a_3 x_k^2 + a_5 x_k^3 + ... + a_{2m + 1} x_k^m
\]

则我们发现原多项式可以被表示作$$f(x_k) = f_0(x_k^2) + x_k \cdot f_1(x_k^2)$$

这样, 求原来长度为\(len\)的多项式的点值表达, 就变成求2个长度为\(\frac{len}{2}\)的多项式的点值表达.

我们还注意到, 这里代入\(f_0\)和\(f_1\)计算的值为\(x_k^2\). 假如我们代入的\(x_i\)和\(x_j\)满足\(x_i^2 = x_j^2\)且\(x_i \ne x_j\), 则只需要在\(f_0\)和\(f_1\)中代入一个值进行运算, 再分别把\(f_1\)分别乘上\(x_i\)和\(x_j\), 就可以一次处理出\(f(x_i)\)和\(f(x_j)\)两个的结果. 这种优化手段就是FFT和NTT的基本思想.

考虑如何构造\(x_i^2 = x_j^2\).

这里我们以NTT为例. 在数论意义下, 根据费马小定理, 有$$g^{p - 1} \equiv 1 \mod p: p \in 素数$$.

当我们要代入\(n\)个值计算多项式的点值表达时, 令\(x_0 = 1, x_1 = g^{\frac{p - 1}{n}} ... x_k = g^{\frac{p - 1}{n} \cdot k}\), 则有$$x_{k + \frac{n}{2}}^2 = \left( \left(g^{\frac{p - 1}{n}} \right)^{k + \frac{n}{2}} \right)^2 = \left( g^{\frac{p - 1}{n} \cdot k} \right)^2 \cdot g^{p - 1} \equiv \left( g^{\frac{p - 1}{n} \cdot k} \right)^2 = x_k^2 \mod p$$

则每个\(x_k\)都可以与\(x_{k + \frac{n}{2}}\)分为一组, 一起计算.

这样, 我们就可以在\(O(n \log n)\)内求出所需要的\(n\)个点值表达.

IDFT

我们把得到的点值表达看作是一个多项式, 再按照上面的DFT的做法搞一次, 得到这个点值表达的点值表达(大雾). 把每个点值表达都除以点值的个数, 即得到了\(C\)的每一项.

不会证.

结束.

Code

#include <cstdio>
#include <cctype>
#include <algorithm> const int N = (int)5e4, P = 998244353, G = 3; namespace Zeonfai
{
inline int getInt()
{
int sgn = 1, a = 0;
char c; while(! isdigit(c = getchar()))
if(c == '-')
sgn *= -1; while(isdigit(c))
a = a * 10 + c - '0', c = getchar(); return a * sgn;
}
} namespace convolution
{
const int DEG = N << 2;
int deg, rev[DEG], omega[DEG], inv[DEG]; inline int modPower(int a, int x)
{
int res = 1; for(; x; a = (long long)a * a % P, x >>= 1)
if(x & 1)
res = (long long) res * a % P; return res;
} inline void pretreat(int n, int m)
{
int sum = n + m;
deg = 1;
int bit = 0; for(; deg < sum; deg <<= 1, ++ bit); rev[0] = 0; for(int i = 1; i < deg; ++ i)
rev[i] = rev[i >> 1] >> 1 | (i & 1) << bit - 1; for(int i = 0; 1 << i <= deg; ++ i)
omega[i] = modPower(G, (P - 1) / (1 << i)), inv[i] = modPower(omega[i], P - 2);
} inline void NTT(int *a, int opt)
{
for(int i = 0; i < deg; ++ i)
if(rev[i] < i)
std::swap(a[i], a[rev[i]]); int cnt = 0; for(int i = 2; i <= deg; i <<= 1)
{
++ cnt;
int curOmega = ~ opt ? omega[cnt] : inv[cnt]; for(int j = 0; j < deg; j += i)
{
int omega = 1; for(int k = j; k < j + i / 2; ++ k)
{
int u = a[k], t = (long long)omega * a[k + i / 2] % P;
a[k] = (u + t) % P, a[k + i / 2] = (u - t + P) % P;
omega = (long long)omega * curOmega % P;
}
} } if(opt == -1)
{
int inv = modPower(deg, P - 2); for(int i = 0; i < deg; ++ i)
a[i] = (long long)a[i] * inv % P;
}
} inline void work(int *a, int n, int *b, int m)
{
pretreat(n, m);
NTT(a, 1), NTT(b, 1); for(int i = 0; i < deg; ++ i)
a[i] = (long long)a[i] * b[i] % P; NTT(a, -1); for(int i = 0; i <= n + m; ++ i)
printf("%d ", a[i]);
}
} int main()
{
#ifndef ONLINE_JUDGE
freopen("polynomial.in", "r", stdin);
freopen("polynomial.out", "w", stdout);
#endif using namespace Zeonfai;
int n = getInt(), m = getInt(), tp = getInt();
static int a[N << 2], b[N << 2]; for(int i = 0; i <= n; ++ i)
a[i] = getInt(); for(int i = 0; i <= m; ++ i)
b[i] = getInt(); convolution::work(a, n, b, m);
}

快速构造FFT/NTT的更多相关文章

  1. 快速傅里叶变换FFT / NTT

    目录 FFT 系数表示法 点值表示法 复数 DFT(离散傅里叶变换) 单位根的性质 FFT(快速傅里叶变换) IFFT(快速傅里叶逆变换) NTT 阶 原根 扩展知识 FFT 参考blog: 十分简明 ...

  2. [模板] 快速傅里叶变换/FFT/NTT

    简介 FFT是多项式乘法的一种快速算法, 时间复杂度 \(O(n \log n)\). FFT可以用于求解形如\(C_i = \sum_{j=0}^i A_jB_{i-j}\)的式子. 如果下标有偏差 ...

  3. 多项式 之 快速傅里叶变换(FFT)/数论变换(NTT)/常用套路【入门】

    原文链接https://www.cnblogs.com/zhouzhendong/p/Fast-Fourier-Transform.html 多项式 之 快速傅里叶变换(FFT)/数论变换(NTT)/ ...

  4. Algorithm: 多项式乘法 Polynomial Multiplication: 快速傅里叶变换 FFT / 快速数论变换 NTT

    Intro: 本篇博客将会从朴素乘法讲起,经过分治乘法,到达FFT和NTT 旨在能够让读者(也让自己)充分理解其思想 模板题入口:洛谷 P3803 [模板]多项式乘法(FFT) 朴素乘法 约定:两个多 ...

  5. 再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Bluestein算法+分治FFT+FFT的优化+任意模数NTT)

    再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Bluestein算法+分治FFT+FFT的优化+任意模数NTT) 目录 再探快速傅里叶变换(FFT)学习笔记(其三)(循环卷积的Blueste ...

  6. 快速傅里叶变换FFT& 数论变换NTT

    相关知识 时间域上的函数f(t)经过傅里叶变换(Fourier Transform)变成频率域上的F(w),也就是用一些不同频率正弦曲线的加 权叠加得到时间域上的信号. \[ F(\omega)=\m ...

  7. 快速傅里叶变换(FFT)学习笔记(其二)(NTT)

    再探快速傅里叶变换(FFT)学习笔记(其二)(NTT) 目录 再探快速傅里叶变换(FFT)学习笔记(其二)(NTT) 写在前面 一些约定 前置知识 同余类和剩余系 欧拉定理 阶 原根 求原根 NTT ...

  8. 模板 - 数学 - 快速傅里叶变换/快速数论变换(FFT/NTT)

    先看看. 通常模数常见的有998244353,1004535809,469762049,这几个的原根都是3.所求的项数还不能超过2的23次方(因为998244353的分解). 感觉没啥用. #incl ...

  9. [学习笔记&教程] 信号, 集合, 多项式, 以及各种卷积性变换 (FFT,NTT,FWT,FMT)

    目录 信号, 集合, 多项式, 以及卷积性变换 卷积 卷积性变换 傅里叶变换与信号 引入: 信号分析 变换的基础: 复数 傅里叶变换 离散傅里叶变换 FFT 与多项式 \(n\) 次单位复根 消去引理 ...

随机推荐

  1. 监控网络流量iftop和nethogs安装

    服务器环境是centos7,centos下通常使用iftop,或者nethogs来进行网络流量监控.这2个工具都需要先安装epel,因为这个库通常操作系统是不自带的.那么就先安装epel,使用的命令是 ...

  2. nslookup、dig命令Linux安装包

    linux下提供nslookup,dig命令的软件就是 bind-utils yum install bind-utils -y

  3. CodeForce:16C-Monitor

    传送门:http://codeforces.com/problemset/problem/16/C Monitor time limit per test0.5 second memory limit ...

  4. PAT Basic 1078

    1078 字符串压缩与解压 文本压缩有很多种方法,这里我们只考虑最简单的一种:把由相同字符组成的一个连续的片段用这个字符和片段中含有这个字符的个数来表示.例如 ccccc 就用 5c 来表示.如果字符 ...

  5. PAT Basic 1075

    1075 链表元素分类 给定一个单链表,请编写程序将链表元素进行分类排列,使得所有负值元素都排在非负值元素的前面,而 [0, K] 区间内的元素都排在大于 K 的元素前面.但每一类内部元素的顺序是不能 ...

  6. Linux学习-Boot Loader: Grub2

    boot loader 的两个 stage 在 BIOS 读完信息后,接下来就是会到第一个开机装置 的 MBR 去读取 boot loader 了.这个 boot loader 可以具有选单功能.直接 ...

  7. 1512 Monkey King

    Monkey King Time Limit: 10000/5000 MS (Java/Others)    Memory Limit: 65536/32768 K (Java/Others)Tota ...

  8. dedecms 搬家流程

    进入后台 系统 点击数据备份/还原根据新空间数据库版本格式备份 进入网站根目录备份文件夹data\backupdataimagestempletsuploadsplus 进入新空间 重新安装dede程 ...

  9. 安装anaconda并配置环境

    安装anaconda的步骤 1.确定系统信息 uname -a 2.下载对应版本 3.sh 安装shell脚本 4.添加到对应路径 5.安装完anaconda之后,创建虚拟环境 conda creat ...

  10. List容器——LinkedList及常用API,实现栈和队列

    LinkedList及常用API ①   LinkedList----链表 ②   LinkedList类扩展AbstractSequentialList并实现List接口 ③   LinkedLis ...