快速傅里叶变换 & 快速数论变换


[update 3.29.2017]

前言

2月10日初学,记得那时好像是正月十五放假那一天

当时写了手写版的笔记

过去近50天差不多忘光了,于是复习一下,具体请看手写版笔记

参考文献:picks miskcoo menci 阮一峰


Fast Fourier Transform

单位复数根

虚数 复数

\(i\),表示逆时针旋转90度

\(a+bi\),对应复平面上的向量

复数加法 同向量

复数乘法 “模长相乘,幅角相加”,\((a+bi)*(c+di)=ac-bd+adi+bci\)

共轭复数 实部相等,虚部互为相反数. 单位根的倒数等于共轭复数

欧拉公式 \(e^{iu}=cos(u)+isin(u)\)

单位复数根

n次单位复数根:满足\(\omega^n=1\)的复数\(\omega, \omega_n^k = e^{\frac{2\pi i}{n}k}\)

主n次单位根 \(\omega_n = e^{\frac{2\pi i}{n}}\)

消去引理,折半引理,求和引理

\(n\)个\(n\)次单位复数根在乘法意义下形成一个群,与\((Z_n,+)\)有相同的结构,因为\(w(n,0)=w(n,n)=1\ \rightarrow\ w(n,j)*w(n,k)=w(n,(j+k) mod n)\)


FFT

离散傅里叶变换DFT

对于多项式\(A(x)=\sum\limits_{j=0}^{n-1}a_jx^j\),代入n次单位复数根所得到的列向量就是a的离散傅里叶变换

快速傅里叶变换FFT

\(O(nlogn)\)计算离散傅里叶变换

使用分治的思想,按下标奇偶分类,\(A_0(x)\)是偶数项,\(A_1(x)\)是奇数项,则\(A(x)=A_0(x^2)+xA_1(x^2)\),根据折半引理仅有\(\frac{n}{2}\)次单位复数根组成

\(k < \frac{n}{2},\)

\[A(\omega_n^k)=A_0(\omega_\frac{n}{2}^k)+\omega_n^kA_1(\omega_\frac{n}{2}^k)\\
A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_\frac{n}{2}^k)-\omega_n^kA_1(\omega_\frac{n}{2}^k)
\]

傅里叶逆变换

在单位复数根处插值

矩阵证明略

用\(\omega_n^{-1}\)代替\(\omega_n\),计算结果每个元素除以\(n\)即可


实现

\(\omega\)可以预处理也可以递推,预处理精度更高

递归结束时每个元素所在的位置就是“二进制翻转”的位置,可以非递归的实现fft

加倍次数界,两个次数界为n的多项式相乘,次数界为2n-1,加倍到第一个大于等于的2的幂




注意:

  1. 我传入的参数是次数界n,最高次数n-1,数组中用0到n-1表示
  2. 取整用floor向下取整,类型转换是向0取整



Fast Number-Theoretic Transform

生成子群 & 原根

子群:

\(群(S,\oplus),\ (S',\oplus),\ 满足S' \subset S,则(S',\oplus)是(S,\oplus)的子群\)


拉格朗日定理:

\(|S'| \mid |S|\)

证明需要用到陪集,得到陪集大小等于子群大小,每个陪集要么不想交要么相等,所有陪集的并是集合S,那么显然成立。


生成子群

\(a \in S\)的生成子群\(<a>=\{a^{(k)}:\ k\ge 1\}\),\(a\)是\(<a>\)的生成元


阶:

群\(S\)中\(a\)的阶是满足\(a^r=e\)的最小的r,符号\(ord(a)\)

\(ord(a)=|<a>|\),显然成立


考虑群\(Z_n^*=\{[a]_n \in Zn:gcd(a,n)=1\},\ |Z_n^*| = \phi(n)\)

阶就是满足\(a^{r} \equiv 1 \pmod n\)的最小的\(r,\ ord(a)=r\)

原根

\(g满足ord_n(g)=|Z_n^*|=\phi(n)\),对于质数\(p\),也就是说\(g^i \mod p, 0\le i <p\)结果互不相同

模n有原根的充要条件 \(n=2,4,p^e,2p^e\)

离散对数

\(g^t \equiv a \pmod n,\ ind_{n,g}(a)=t\)

因为g是原根,所以\(g^t\)每\(\phi(n)\)是一个周期,可以取到\(|Z_n^*|\)的所有元素

对于n是质数时,就是得到\([1,n-1]\)的所有数,就是\([0,n-2]\)到\([1,n-1]\)的映射

离散对数满足对数的相关性质,如\(ind(ab)\equiv ind(a)+ind(b) \pmod {n-1}\)

求原根

可以证明满足\(g^{r} \equiv 1 \pmod p\)的最小的r一定是\(p-1\)的约数

对于质数\(p\),质因子分解\(p-1\),若\(g^{\frac{p-1}{p_i}} \neq 1 \pmod p\)恒成立,g为p的原根

NTT

对于质数\(p=qn+1,\ n=2^m\),原根\(g\),则\(g^{qn} \equiv 1 \pmod p\)

将\(g_n=g^{q} \pmod p\)看做\(w_n\)的等价,满足\(w_n\)类似的性质,如:

  • \(g_n^n \equiv 1 \pmod p,\ g_n^{\frac{n}{2}} \equiv -1 \pmod p\)

这里的n(用N表示吧)可以比原来那个的n(乘法结果的长度扩展到2的幂次后的n)大,只要把\(\frac{qN}{n}\)看做q就行了

常见的\(p=1004535809=479 \cdot 2^{21} + 1,\ g=3,\quad p=998244353= 2 * 17 * 2^{23} + 1,\ g=3 ​\)

实现

\(g^{qn}\)就是\(e^{2\pi i}\)的等价,迭代到长度\(l\)时,\(g_l=g^{\frac{p-1}{l}}\)

或者\(w_n=g_l=g_n^{\frac{n}{l}}=g^{\frac{p-1}{l}}\)



***
这里放一个大整数相乘的模板
```cpp
//fft
#include
#include
#include
#include
#include
using namespace std;
typedef long long ll;
const int N=(1'9'){if(c=='-')f=-1;c=getchar();}
while(c>='0'&&cstruct meow{

double x, y;

meow(double a=0, double b=0):x(a), y(b){}

};

meow operator +(meow a, meow b) {return meow(a.x+b.x, a.y+b.y);}

meow operator -(meow a, meow b) {return meow(a.x-b.x, a.y-b.y);}

meow operator (meow a, meow b) {return meow(a.xb.x-a.yb.y, a.xb.y+a.y*b.x);}

meow conj(meow a) {return meow(a.x, -a.y);}

typedef meow cd;

struct FastFourierTransform {

int n, rev[N];

cd omega[N], omegaInv[N];

void ini(int lim) {

n=1; int k=0;

while(n<lim) n<<=1, k++;

for(int i=0; i<n; i++) rev[i] = (rev[i>>1]>>1) | ((i&1)<<(k-1));

	for(int k=0; k<n; k++) {
omega[k] = cd(cos(2*PI/n*k), sin(2*PI/n*k));
omegaInv[k] = conj(omega[k]);
}
}
void fft(cd *a, cd *w) {
for(int i=0; i<n; i++) if(i<rev[i]) swap(a[i], a[rev[i]]);
for(int l=2; l<=n; l<<=1) {
int m=l>>1;
for(cd *p=a; p!=a+n; p+=l)
for(int k=0; k<m; k++) {
cd t = w[n/l*k] * p[k+m];
p[k+m]=p[k]-t;
p[k]=p[k]+t;
}
}
}
void dft(cd *a, int flag) {
if(flag==1) fft(a, omega);
else {
fft(a, omegaInv);
for(int i=0; i<n; i++) a[i].x/=n;
}
}
void mul(cd *a, cd *b, int m) {
ini(m);
dft(a, 1); dft(b, 1);
for(int i=0; i<n; i++) a[i]=a[i]*b[i];
dft(a, -1);
}

}f;

int n1, n2, m, c[N];

cd a[N], b[N];

char s1[N], s2[N];

int main() {

freopen("in","r",stdin);

scanf("%s%s",s1,s2);

n1=strlen(s1); n2=strlen(s2);

for(int i=0; i<n1; i++) a[i].x = s1[n1-i-1]-'0';

for(int i=0; i<n2; i++) b[i].x = s2[n2-i-1]-'0';

m=n1+n2-1;

f.mul(a, b, m);

for(int i=0; i<m; i++) c[i]=floor(a[i].x+0.5);

for(int i=0; i<m; i++) c[i+1]+=c[i]/10, c[i]%=10;

if(c[m]) m++;

for(int i=m-1; i>=0; i--) printf("%d",c[i]);

}


```cpp
//ntt
#include <iostream>
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
using namespace std;
typedef long long ll;
const int N=(1<<18)+5, INF=1e9;
const double PI=acos(-1);
inline int read(){
char c=getchar();int x=0,f=1;
while(c<'0'||c>'9'){if(c=='-')f=-1;c=getchar();}
while(c>='0'&&c<='9'){x=x*10+c-'0';c=getchar();}
return x*f;
} ll P=1004535809;
ll Pow(ll a, ll b,ll P) {
ll ans=1;
for(; b; b>>=1, a=a*a%P)
if(b&1) ans=ans*a%P;
return ans;
}
struct NumberTheoreticTransform {
int n, rev[N];
ll g;
void ini(int lim) {
g=3;
n=1; int k=0;
while(n<lim) n<<=1, k++;
for(int i=0; i<n; i++) rev[i] = (rev[i>>1]>>1) | ((i&1)<<(k-1));
}
void dft(ll *a, int flag) {
for(int i=0; i<n; i++) if(i<rev[i]) swap(a[i], a[rev[i]]);
for(int l=2; l<=n; l<<=1) {
int m=l>>1;
ll wn = Pow(g, flag==1 ? (P-1)/l : P-1-(P-1)/l, P);
for(ll *p=a; p!=a+n; p+=l) {
ll w=1;
for(int k=0; k<m; k++) {
ll t = w * p[k+m]%P;
p[k+m]=(p[k]-t+P)%P;
p[k]=(p[k]+t)%P;
w=w*wn%P;
}
}
}
if(flag==-1) {
ll inv=Pow(n, P-2, P);
for(int i=0; i<n; i++) a[i]=a[i]*inv%P;
}
}
void mul(ll *a, ll *b, int m) {
ini(m);
dft(a, 1); dft(b, 1);
for(int i=0; i<n; i++) a[i]=a[i]*b[i];
dft(a, -1);
}
}f; int n1, n2, m, c[N];
ll a[N], b[N];
char s1[N], s2[N];
int main() {
freopen("in","r",stdin);
scanf("%s%s",s1,s2);
n1=strlen(s1); n2=strlen(s2);
for(int i=0; i<n1; i++) a[i] = s1[n1-i-1]-'0';
for(int i=0; i<n2; i++) b[i] = s2[n2-i-1]-'0';
m=n1+n2-1;
f.mul(a, b, m);
for(int i=0; i<m; i++) c[i]=a[i];
for(int i=0; i<m; i++) c[i+1]+=c[i]/10, c[i]%=10;
if(c[m]) m++;
for(int i=m-1; i>=0; i--) printf("%d",c[i]);
}

快速傅里叶变换 & 快速数论变换的更多相关文章

  1. 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)/ ...

  2. 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 ...

  3. 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 ...

  4. 从傅里叶变换(FFT)到数论变换(NTT)

    FFT可以用来计算多项式乘法,但是复数的运算中含有大量的浮点数,精度较低.对于只有整数参与运算的多项式,有时,\(\text{NTT(Number-Theoretic Transform)}\)会是更 ...

  5. 快速傅里叶变换(FFT)相关内容汇总

    (原稿:https://paste.ubuntu.com/p/yJNsn3xPt8/) 快速傅里叶变换,是求两个多项式卷积的算法,其时间复杂度为$O(n\log n)$,优于普通卷积求法,且根据有关证 ...

  6. 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 ...

  7. 【算法】快速数论变换(NTT)初探

    [简介] 快速傅里叶变换(FFT)运用了单位复根的性质减少了运算,但是每个复数系数的实部和虚部是一个余弦和正弦函数,因此系数都是浮点数,而浮点数的运算速度较慢且可能产生误差等精度问题,因此提出了以数论 ...

  8. Python 实现图像快速傅里叶变换和离散余弦变换

    图像的正交变换在数字图像的处理与分析中起着很重要的作用,被广泛应用于图像增强.去噪.压缩编码等众多领域.本文手工实现了二维离散傅里叶变换和二维离散余弦变换算法,并在多个图像样本上进行测试,以探究二者的 ...

  9. 「算法笔记」快速数论变换(NTT)

    一.简介 前置知识:多项式乘法与 FFT. FFT 涉及大量 double 类型数据操作和 \(\sin,\cos\) 运算,会产生误差.快速数论变换(Number Theoretic Transfo ...

随机推荐

  1. BZOJ3916: [Baltic2014]friends

    题目:http://www.lydsy.com/JudgeOnline/problem.php?id=3916 复习一下hash(然后被傻叉错误卡了半天TAT... 取出一个字串:h[r]-h[l-1 ...

  2. 最短路 spfa 算法 && 链式前向星存图

    推荐博客  https://i.cnblogs.com/EditPosts.aspx?opt=1 http://blog.csdn.net/mcdonnell_douglas/article/deta ...

  3. 数值积分之Simpson公式与梯形公式

    Simpson(辛普森)公式和梯形公式是求数值积分中很重要的两个公式,可以帮助我们使用计算机求解数值积分,而在使用过程中也有多种方式,比如复合公式和变步长公式.这里分别给出其简单实现(C++版): 1 ...

  4. spring自带定时器

    http://www.cnblogs.com/pengmengnan/p/6714203.html 注解模式的spring定时器1 , 首先要配置我们的spring.xmlxmlns 多加下面的内容. ...

  5. [国嵌笔记][005][Linux命令详解]

    用户管理类命令 添加用户:useradd name 删除用户:userdel -r name "-r"表示删除对应用户的目录 修改密码:passwd name 切换用户:su - ...

  6. input[type=file]中使用ajaxSubmit来图片上传

    今天在使用input[type=file]上传图片到服务器时,因为项目要求,并不是像常见的通过按钮来提交表单事件,而是图片上传后就自动执行表单提交事件,将上传的图片信息传给服务器. 刚开始我是这样执行 ...

  7. 基于Redis的分布式锁的简单实现

    Redis官方给出两种思路 第一种:SET key value [EX seconds] [PX milliseconds] NX 第二种:SETNX+GETSET 首先,分别看一下这几个命令 SET ...

  8. [拾 得] 一枚迷人的贝壳 SHELL / Linux | shell 脚本初步入门

    坚持知识分享,该文章由Alopex编著, 转载请注明源地址: http://www.cnblogs.com/alopex/   索引: 什么是shell shell的分类 shell脚本的执行方式   ...

  9. Guake!

    快捷键及其定制: [全局快捷键] F12:显示/隐藏Guake的程序界面. [局部快捷键] Ctrl+Shift+T:新建标签页: Ctrl+Shift+W:关闭标签页: Ctrl+Shift+C:复 ...

  10. React源码解析:ReactElement

    ReactElement算是React源码中比较简单的部分了,直接看源码: var ReactElement = function(type, key, ref, self, source, owne ...