首先,在写这篇博客之前,我还没有完全学会FFT。

先把会的部分打好,加深一下记忆(也可以说是做笔记吧)。

初三了,还不会FFT,要退役喽……


多项式乘法

点开这篇博客之前,你就应该知道,FFT是用来求多项式乘法的。

什么是多项式,什么是多项式乘法?

不讲。初一内容。

如果要求多项式乘法,有一个非常显然的做法,就是暴力。

时间复杂度是O(N2)O(N^2)O(N2)的,很朴素。

然而FFT这个东西可以将其复杂度优化到O(Nlg⁡N)O(N\lg N)O(NlgN)。


点值表示法

对s于一个多项式A(x)A(x)A(x),最朴素的表示方法长这样:

A(x)=∑i=0nai∗xiA(x)=\sum_{i=0}^n a_i*x^iA(x)=∑i=0n​ai​∗xi

然后,有另一种点值表示法,就是用nnn个点来表示。

对于一个点(x,y)(x,y)(x,y),可以理解成,将xxx带入多项式中,求得的结果是yyy。

其实这nnn个点不一定是真实存在的,因为在FFT中我们用的是复数……

那么,我们可以通过这nnn个点的坐标,然后推出原来的式子。

证明?我觉得这个感性理解一下就好了。

可以看作用nnn个点,定一个nnn次函数。

然后,对于两个多项式相乘,假设两个点为(x,y1)(x,y_1)(x,y1​)和(x,y2)(x,y_2)(x,y2​)

那么它们相乘的结果就是(x,y1∗y2)(x,y_1*y_2)(x,y1​∗y2​)

这个其实也挺好理解,因为这些多项式可以看成函数。


算法的大概流程

一、点值运算

就是将多项式的形式转化成点值表示法。

二、逐项相乘

三、插值运算

将多项式由点值表示法转化回去。


nnn次单位根

定义

有一个方程:

xn=1x^n=1xn=1

这个方程,人们看到了,肯定会毫不犹豫地想到x=1x=1x=1。如果nnn是偶数,还可以是−1-1−1。

但是,如果我们把范围延伸到复数,那么,就有nnn个根。

我们可以画一个图看一下。



(图片摘自YL的PPT。吐槽一下,为什么和我认识的顺序相反?不过……也没有多大关系,本质上是一样的。

我们可以发现,这些根围成了一个圆。

这个圆被划分成了nnn等分。

那么它们究竟是多少呢?

首先,

我说一说复数的乘法:

对于一个复数a+bia+bia+bi,其实有另一种写法:l(cos⁡θ+isin⁡θ)l(\cos \theta +i\sin \theta)l(cosθ+isinθ)

这种写法被称为三角表示法,可以用图形理解一下,

lll叫模长,表示这个点到原点的距离。

θ\thetaθ是原点发出经过它的射线和xxx洲的正半轴的夹角(逆时针)。

然后,对于两个复数相乘,就相当于是模长相乘,夹角相加。

证明?我不会证。

当初,在某一位大佬讲FFT时,我问怎么证,他简单地化了一下式子,我问最后一步是为什么,怎么证。他说,很简单,用泰勒级数展开就行了。

我:……

总之就这么用就好了。

那么我们可以发现,如果模长都为111,乘起来是不会变的,只是夹角相加。所以有的时候,它会在转若干次的时候转到(1,0)(1,0)(1,0)。

所以说,我们可以发现上面的这些点统统可以用ωk\omega^kωk来表示。

因为它们围成了一个圆,上一个绕着原点转到某一个固定的角度,就得到下一个。从(1,0)(1,0)(1,0)开始,转nnn次,就会回来。

我们记ωn=ωn1\omega_n=\omega_n^1ωn​=ωn1​,为主nnn次单位根。

性质

1.群的性质ωnjωnk=ωn(j+k)mod  n\omega_n^j\omega_n^k=\omega_n^{(j+k)\mod n}ωnj​ωnk​=ωn(j+k)modn​

这条性质比较显然。因为ωn0=ωnn\omega_n^0=\omega_n^nωn0​=ωnn​。

也可以通过图来理解一下。

2.消去引理ωdndk=ωnk\omega_{dn}^{dk}=\omega_{n}^{k}ωdndk​=ωnk​

这个东西也可以通过图来理解一下。

3.折半引理ωnk+n2=−ωnk\omega_n^{k+\frac{n}{2}}=-\omega_n^kωnk+2n​​=−ωnk​

这个东西还是可以画图理解一下,当然其实也很好证明。

只需要将等式的两边分别平方一下,易得它们的平方相等。

又显然它们不相等(嗯,的确显然)

所以它们一定互为相反数。

好草率的证明啊……

4.求和引理:n∤kn\nmid kn∤k时∑j=0n−1(ωnk)j=0\sum_{j=0}^{n-1}{\left(\omega_n^k\right)}^j=0∑j=0n−1​(ωnk​)j=0,否则∑j=0n−1(ωnk)j=n\sum_{j=0}^{n-1}{\left(\omega_n^k\right)}^j=n∑j=0n−1​(ωnk​)j=n

这个有点复杂,当然,也仅仅是有点复杂……

等比数列求和在复数显然也适用,所以我们直接简单粗暴地强行搬过来:

∑j=0n−1(ωnk)j=(ωnk)n−1ωnk−1=(ωnn)k−1ωnk−1=0\sum_{j=0}^{n-1}{\left(\omega_n^k\right)}^j \\
=\frac{{\left(\omega_n^k\right)}^n-1}{\omega_n^k-1} \\
=\frac{{\left(\omega_n^n\right)}^k-1}{\omega_n^k-1} \\
=0j=0∑n−1​(ωnk​)j=ωnk​−1(ωnk​)n−1​=ωnk​−1(ωnn​)k−1​=0

用处

用处?

多亏了它奇怪的性质,所以才可以用来玩FFT。

这个性质有什么用,看看后面就知道了。

据说,NTT似乎和FFT的原理差不多,只不过用的是某些模数的特殊性质。所以常数很小。


DFT

先不要说FFT,从简单的入手。

之前说过这个东西是用来将普通的性质转换成点值表示法。

我们可以将(ωn0,ωn1,......,ωnn−1)(\omega_n^0,\omega_n^1,......,\omega_n^{n-1})(ωn0​,ωn1​,......,ωnn−1​)带入A(x)=∑i=0n−1aixiA(x)=\sum_{i=0}^{n-1}a_i x^iA(x)=∑i=0n−1​ai​xi,

得到(y0,y1,......,yn−1)(y_0,y_1,......,y_{n-1})(y0​,y1​,......,yn−1​)。

显然,yk=∑i=0n−1aiωkiy_k=\sum_{i=0}^{n-1}a_i\omega^{ki}yk​=∑i=0n−1​ai​ωki

IDFT

再讲IDFTIDFTIDFT

我们现在已经知道了A(x)=∑i=0n−1aixiA(x)=\sum_{i=0}^{n-1}a_i x^iA(x)=∑i=0n−1​ai​xi的DFT为(y0,y1,......,yn−1)(y_0,y_1,......,y_{n-1})(y0​,y1​,......,yn−1​)

我们再设B(x)=∑i=0n−1yi∗xiB(x)=\sum_{i=0}^{n-1}y_i*x^iB(x)=∑i=0n−1​yi​∗xi。

我们将(ωn0,ωn−1,.....,ωn−(n−1))({\omega_n^0,\omega_{n}^{-1},.....,\omega_{n}^{-(n-1)}})(ωn0​,ωn−1​,.....,ωn−(n−1)​)带入B(x)B(x)B(x),又得到一个DFT:(z0,z1,......,zn−1)(z_0,z_1,......,z_{n-1})(z0​,z1​,......,zn−1​)

然后推一波式子:

zk=∑i=0n−1yi(ωn−k)i=∑i=0n−1(∑j=0n−1aj(ωni)j)(ωn−k)i=∑j=0n−1aj(∑i=0n−1(ωnj−k)i)=nakz_k=\sum_{i=0}^{n-1}y_i \left(\omega_n^{-k}\right)^i \\
=\sum_{i=0}^{n-1}\left(\sum_{j=0}^{n-1}a_j \left(\omega_n^i\right)^j\right) \left(\omega_n^{-k}\right)^i\\
=\sum_{j=0}^{n-1} a_j \left(\sum_{i=0}^{n-1}\left(\omega_n^{j-k}\right)^i\right) \\
=n a_kzk​=i=0∑n−1​yi​(ωn−k​)i=i=0∑n−1​(j=0∑n−1​aj​(ωni​)j)(ωn−k​)i=j=0∑n−1​aj​(i=0∑n−1​(ωnj−k​)i)=nak​

其中最后一步用了前面所说的求和引理。

所以ak=zkna_k=\frac{z_k}{n}ak​=nzk​​

你们现在说,为什么要用这些奇奇怪怪的nnn次单位根?如果没有这些奇妙的性质,那么在这时候转换就很不方便了。

我们发现,DFT和IDFT的求法实际上是差不多的(可以套用同一个板子),只是要带进去的东西不同。

FFT

其实FFT是DFT的优化。

DFT的时间复杂度是O(n2)O(n^2)O(n2)的,很慢(人家傅里叶才懒得帮你算时间复杂度呢!)。

所以我们可以用分治的方法来将其优化到O(nlg⁡n)O(n\lg n)O(nlgn)

对于一个多项式A(x)=∑i=0n−1aixiA(x)=\sum_{i=0}^{n-1}a_i x^iA(x)=∑i=0n−1​ai​xi,我们考虑用分治的方式来计算它的DFT。

设A0(x)=a0+a2∗x+......+an−2∗xn2−1,A1(x)=a1+a3∗x+......+an−1∗xn2−1A_0(x)=a_0+a_2*x+......+a_{n-2}*x^{\frac{n}{2}-1},A_1(x)=a_1+a_3*x+......+a_{n-1}*x^{\frac{n}{2}-1}A0​(x)=a0​+a2​∗x+......+an−2​∗x2n​−1,A1​(x)=a1​+a3​∗x+......+an−1​∗x2n​−1

那么我们可以得到A(x)=A0(x2)+xA1(x2)A(x)=A_0(x^2)+xA_1(x^2)A(x)=A0​(x2)+xA1​(x2)

设k&lt;n2k&lt;\frac{n}{2}k<2n​,则

A(ωnk)=A0(ωn2k)+ωnkA1(ωn2k)=A0(ωn2k)+ωnkA1(ωn2k)A(ωnk+n2)=A0(ωn2k+n)+ωnk+n2A1(ωn2k+n)=A0(ωn2k)+ωnk+n2A1(ωn2k)=A0(ωn2k)−ωnkA1(ωn2k)A(\omega_n^k)=A_0(\omega_n^{2k})+\omega_n^k A_1(\omega_n^{2k}) \\
=A_0(\omega_\frac{n}{2}^k)+\omega_n^k A_1(\omega_{\frac{n}{2}}^k) \\
A(\omega_n^{k+\frac{n}{2}})=A_0(\omega_n^{2k+n})+\omega_n^{k+\frac{n}{2}}A_1(\omega_n^{2k+n}) \\
=A_0(\omega_n^{2k})+\omega_n^{k+\frac{n}{2}}A_1(\omega_n^{2k})\\
=A_0(\omega_{\frac{n}{2}}^k)-\omega_n^kA_1(\omega_{\frac{n}{2}}^k)A(ωnk​)=A0​(ωn2k​)+ωnk​A1​(ωn2k​)=A0​(ω2n​k​)+ωnk​A1​(ω2n​k​)A(ωnk+2n​​)=A0​(ωn2k+n​)+ωnk+2n​​A1​(ωn2k+n​)=A0​(ωn2k​)+ωnk+2n​​A1​(ωn2k​)=A0​(ω2n​k​)−ωnk​A1​(ω2n​k​)

我们可以递归地求下去,每次将其分成两半。那么这样子显然是O(nlg⁡n)O(n \lg n)O(nlgn)的。

(当然,在一开始就要将nnn补成2次幂的形式,不然会出现不能分成两个相等的部分的尴尬情况。)

FFT的常数优化

如果真的像上面一样递归处理,那就T飞了。

常数太大了啊!

所以说,我们要对它进行优化。

FFT中位置的变换

设一开始的编号为0,1,2,3,4,5,6,7,变换后的编号为0,4,2,6,1,5,3,7

可以将所有的东西用二进制来搞一搞,然后你就会发现:

对应的位置的二进制形式居然是相反的!

是不是很神奇?

接下来我来简略的证明一下(当然还是感性理解):

每一次将一大块的东西分成两个小块分别处理。

这时候相当于将编号的第000位为000的放左边,为111的放右边。

可以思考一下,如果将这个新的顺序重新编号,那么,左边的最高位都是000,右边的最高位都是111。

所以相当于是最低位和最高位换了一下。

然后再递归向下处理,后面的东西也是一样的。

其实还挺理性的,不是吗?

那么我们可以通过这个结论,来搞一个自底向上的算法,然后就不需要递归,多么舒服!

蝴蝶变换

好高大上的一个名字,是不是?

但实际上,它就是我们再前面讲过的东西:

A(ωnk)=A0(ωn2k)+ωnkA1(ωn2k)A(ωnk+n2)=A0(ωn2k)−ωnkA1(ωn2k)A(\omega_n^k)
=A_0(\omega_\frac{n}{2}^k)+\omega_n^k A_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)A(ωnk​)=A0​(ω2n​k​)+ωnk​A1​(ω2n​k​)A(ωnk+2n​​)=A0​(ω2n​k​)−ωnk​A1​(ω2n​k​)

可以发现,对于左边的两个东西,转移到它们的两个量是可以一起用的。

如果你画一张图来理解一下,那么你就会发现,这个东西真的很像蝴蝶。

真的好像哟……

这个东西在程序实现的时候直接用上就好了。

在我的印象中,蝴蝶变换本来就是FFT的转移,所以告诉我,为什么还有不用蝴蝶变换的非递归FFT程序?可能是我智商太低,理解不了更差的解法(手动滑稽)。


补充

二进制形式相反的怎么弄?

不要想得太多,直接预处理,暴力不会爆炸。

时间复杂度还是一样的……

主nnn次单位根怎么算?

数形结合……

因为这个半径为111的圆被划成了nnn等分。

所以每个角就是2πn\frac{2\pi}{n}n2π​。

那么ωn=cos⁡2πn+itan⁡2πn\omega_n=\cos\frac{2\pi}{n}+i\tan\frac{2\pi}{n}ωn​=cosn2π​+itann2π​。

这是一种比较好理解的方法。

但是还有一种很变态,很奇怪,很强大的方法:

ωn=e2πin\omega_n=e^{\frac{2\pi i}{n}}ωn​=en2πi​

这是什么鬼???

据说脑洞数学家欧拉,他研究出来这么一个玩意:exi=cos⁡x+itan⁡xe^{x i}=\cos x+i\tan xexi=cosx+itanx

所以说e2πin=cos⁡2πn+itan⁡2πne^{\frac{2\pi i}{n}}=\cos \frac{2\pi}{n}+i\tan \frac{2\pi}{n}en2πi​=cosn2π​+itann2π​对吧……

可是原理是什么……还有,如果直接打上这种东西,那么你要用C++自带的<complex>啊!

复数的实现

刚刚还提起过,C++自带了一个叫<complex>的库。

其实自己重载运算符打得更加舒服……吧!

至少我相信手打绝对比自带的快!

注意精度问题

这个不用说了吧……


代码实现(易懂&常数大版)

using namespace std;
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <cmath>
#define N 1000000
#define PI 3.14159265358979
struct com{
double a,b;
com(double _a=0,double _b=0){a=_a,b=_b;}
};
inline com operator+(const com &x,const com &y){return com(x.a+y.a,x.b+y.b);}
inline com operator-(const com &x,const com &y){return com(x.a-y.a,x.b-y.b);}
inline com operator*(const com &x,const com &y){return com(x.a*y.a-x.b*y.b,x.a*y.b+x.b*y.a);}
inline com operator/(const com &x,const double y){return com(x.a/y,x.b/y);}
int n,m,an,bn;
com a[1<<21],b[1<<21],c[1<<21];
int re[1<<21];
inline void init();
inline void fft(com*,int);
int main(){
scanf("%d%d",&an,&bn);
for (int i=0;i<=an;++i){
int tmp;
scanf("%d",&tmp);
a[i]=com(tmp,0);
}
for (int i=0;i<=bn;++i){
int tmp;
scanf("%d",&tmp);
b[i]=com(tmp,0);
}
for (n=1,m=0;n<=an+bn;n<<=1,m++);//开够足够的n
init();
fft(a,1);
fft(b,1);
for (int i=0;i<n;++i)
c[i]=a[i]*b[i];
fft(c,-1);
for (int i=0;i<=an+bn;++i)
printf("%d ",int(c[i].a+0.5));//精度问题……你会发现有一种很尴尬的情况中,输出实数会出现-0
return 0;
}
inline void init(){//计算每个编号用二进制翻转过来是是什么(想不到什么直接用位运算的巧妙方法)
for (int i=0;i<n;++i){
int tmp=0;
for (int j=0,k=i;j<m;++j,k>>=1)
tmp=(tmp<<1)+(k&1);
re[i]=tmp;
}
}
inline void fft(com* a,int flag){
for (int i=0;i<n;++i)
if (i<re[i])
swap(a[i],a[re[i]]);
for (int i=1;i<n;i<<=1){//i表示从长度为i的区间转移到长度为i*2的区间
com wn(cos(flag*PI/i),sin(flag*PI/i));//求主i*2次单位根(注意是i*2次!)
for (int j=0;j<n;j+=i<<1){//分段来枚举
com wnk(1,0);
for (int k=j;k<j+i;++k,wnk=wnk*wn){
//以下为蝴蝶变换
com x=a[k],y=wnk*a[k+i];
a[k]=x+y;
a[k+i]=x-y;
}
}
}
if (flag==-1)
for (int i=0;i<n;++i)
a[i]=a[i]/n;
}

至于常数小的代码,我真的不会码……

我的这个代码在洛谷的模板题上跑2000+ms,而题目说最好在1000ms以内通过。

审视了半天,没有发现什么优化了之后有特别大的作用的修改方法。

然后,我试着用YL标程里的方法打一遍。YL的标程中FFT的枚举方式和我的不太一样。

我也是着这样打一遍,然后我就发现更慢了……可能是因为他在枚举的过程中没有一个紧接着一个枚举(因为有高速缓存,所以顺序访问数组自然会比跳着访问数组要快)

自己打的程序常数终究是比人家的大啊……


参考资料

FFT详解 - 总理同学的编程尝试 - CSDN博客

小学生都能看懂的FFT!!! - 胡小兔 - 博客园

快速傅里叶变换(FFT)学习的更多相关文章

  1. 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 ...

  2. 快速傅里叶变换(FFT)学习笔记(其一)

    再探快速傅里叶变换(FFT)学习笔记(其一) 目录 再探快速傅里叶变换(FFT)学习笔记(其一) 写在前面 为什么写这篇博客 一些约定 前置知识 多项式卷积 多项式的系数表达式和点值表达式 单位根及其 ...

  3. 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 ...

  4. 快速傅里叶变换(FFT)学习笔记

    定义 多项式 系数表示法 设\(A(x)\)表示一个\(n-1\)次多项式,则所有项的系数组成的\(n\)维向量\((a_0,a_1,a_2,\dots,a_{n-1})\)唯一确定了这个多项式. 即 ...

  5. 【笔记篇】(理论向)快速傅里叶变换(FFT)学习笔记w

    现在真是一碰电脑就很颓废啊... 于是早晨把电脑锁上然后在旁边啃了一节课多的算导, 把FFT的基本原理整明白了.. 但是我并不觉得自己能讲明白... Fast Fourier Transformati ...

  6. 【文文殿下】快速傅里叶变换(FFT)学习笔记

    多项式 定义 形如\(A(x)=\sum_{i=0}^{n-1} a_i x^i\)的式子称为多项式. 我们把\(n\)称为该多项式的次数界. 显然,一个\(n-1\)次多项式的次数界为\(n\). ...

  7. 快速傅里叶变换FFT学习小记

    FFT学得还是有点模糊,原理那些基本还是算有所理解了吧,不过自己推这个推不动. 看的资料主要有这两个: http://blog.miskcoo.com/2015/04/polynomial-multi ...

  8. [学习笔记] 多项式与快速傅里叶变换(FFT)基础

    引入 可能有不少OIer都知道FFT这个神奇的算法, 通过一系列玄学的变化就可以在 $O(nlog(n))$ 的总时间复杂度内计算出两个向量的卷积, 而代码量却非常小. 博主一年半前曾经因COGS的一 ...

  9. 【学习笔记】快速傅里叶变换(FFT)

    [学习笔记]快速傅里叶变换 学习之前先看懂这个 浅谈范德蒙德(Vandermonde)方阵的逆矩阵的求法以及快速傅里叶变换(FFT)中IDFT的原理--gzy hhh开个玩笑. 讲一下\(FFT\) ...

  10. 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)/ ...

随机推荐

  1. 关于Qt5(1)-- 两个窗口互相切换的例子

    <QT Creator快速入门>这本书有一章介绍model和modeless的概念时,用到了两个窗口互相切换的例子.但是原文对该例子的说明非常模糊不清,现整理如下. 1,要求:登陆界面.主 ...

  2. redis和ehcache的区别,存储方式(各属于内存还是外存)

    ehcache属于内存存储,redis的缓存属于内存存储,redis的持久文件属于外存存储: redis是通过socket访问到缓存服务,效率比ecache低,比数据库要快很多,处理集群和分布式缓存方 ...

  3. vue+Iview+gulp 生成文档说明

    1.安装npm gulp相关插件 比如:gulp.gulp-concat.gulp-htmlmin.gulp-cssmin.gulp-cheerio.gulp-clean 2. 编写gulpfile. ...

  4. Unable to find explicit activity class报错问题解决方法

    转:http://hi.baidu.com/mz_mz/item/f5672ad814e1ce30e2108f69 1.首先查看是否在已经在AndroidMainfest.xml中添加了你的Activ ...

  5. vue.js+element ui Table+spring boot增删改查

    小白初学,不懂的还是太多了,找了好多资料才做出来的先记录一下 1.先用Spring boot创建一个包含了增删改查的项目 2.创建vue.js项目 3.安装Element UI (1)进入项目文件夹下 ...

  6. 夏令营501-511NOIP训练16——数字转换

    传送门:QAQQAQ 题意:如果一个数x的约数和(不包括它本身,下同)比它本身小,那么x可以变成它的约数和:如果对于某个y>x且y的约数和为x,那么x也可以变成y.例如,4可以变为3,1可以变为 ...

  7. 帝国cms学习

    手册地址1 手册地址2 入门 安装: 将下载的upload里的文件上传到网站更目录 然后 域名/e/install/index.php Warning: Use of undefined consta ...

  8. Java开发系列-JSP

    概述 JSP是java 服务器页面,它运行在服务器端,本质上就是一个serlvet,产生的java文件和class保留在tomcat的word目录下. JSP主要作用是将内容的生成与页面相分离. JS ...

  9. idea-----Intellij IDEA配置tomcat(非maven项目)

    Intellij IDEA配置tomcat(非maven项目) 引用: https://blog.csdn.net/springlovejava/article/details/78570241 ID ...

  10. 性能分析神器VisualVM【转】

    性能分析神器VisualVM[转] Posted on 2015-04-17 09:37 WadeXu 阅读(5809) 评论(6) 编辑 收藏 VisualVM 是一款免费的,集成了多个 JDK 命 ...