快速构造FFT/NTT
@(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$$f_0(x_k) = a_0 x_k^0 + a_2 x_k^1 + a_4 x_k^2 + ... + a_{2m} x_k^m$$
\]
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
- 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 ...
- [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 ...
- 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)/ ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- [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
- bash实例-参数/函数/统计IP
1.写一个脚本getinterface.sh,脚本可以接受参数(i,I,a),完成以下任务: (1)使用以下形式:getinterface.sh [-i interface|-I IP|-a] ...
- <原创> 通过PEB获得进程路径 (附完整工程)
完整工程:http://files.cnblogs.com/files/Gotogoo/%E8%BF%9B%E7%A8%8B%E7%AE%A1%E7%90%86%E5%99%A8%28x86%26%2 ...
- loj2254 「SNOI2017」一个简单的询问
ref #include <algorithm> #include <iostream> #include <cstdio> #include <cmath& ...
- python算法-排列组合
排列组合 一.递归 1.自己调用自己 2.找到一个退出的条件 二.全排列:针对给定的一组数据,给出包含所有数据的排列的组合 1:1 1,2:[[1,2],[2,1]] 1,2,3:[[1,2,3],[ ...
- SpringMVC对于跨域访问的支持
原文地址:http://docs.spring.io/spring/docs/5.0.0.RC2/spring-framework-reference/web.html#mvc-introductio ...
- MySQL可供选择的存储引擎
备注:以下关于5.7版本的内容是来源于官方文档:https://dev.mysql.com/doc/refman/5.7/en/storage-engines.html 以下关于5.6版本的内容,一部 ...
- sgen.exe 未能运行
指定的任务可执行文件“sgen.exe”未能运行.文件名或扩展名太长. 解决方式,右键项目属性->生成 把下图红框的“开”设置成“自动”
- C++之Effective STL学习笔记Item14
使用reserve来避免不必要的重新分配! The reserve member function allows you to minimize the number ofreallocations ...
- NOJ——1665夜神的思考(YY+组合问题+分类讨论)
[1665] 夜神的思考 时间限制: 1000 ms 内存限制: 65535 K 问题描述 最近夜神对二进制很感兴趣,于是他每次看到一串只包含1和0的字符串的时候就会想,这串字符串有多少子串是含有k个 ...
- 刷题总结——pole(uva 1638 dp)
题目: 题解: 这道题很妙的一点是很好地利用了最矮的杆子除了放两侧以外对观察数是没有影响的性质·· 考虑n-1个杆子与n个杆子··我们可以把n个杆子的排列看成n-1个杆子的长度加1按原来的排列顺序·· ...