多项式的各种操作

这篇博客好像咕咕咕了很久，本来是应该学完NTT之后搞的，然而那段时间在回归常规……

求导

对于一个普通多项式$A(x)=\sum a_ix^{b_i}$，它的导数为$A'(x)=\sum a_ib_ix^{b_i-1}$。

补充一些式子$(AB)'=u'v+uv'$

时间复杂度$O(n)$。

积分

对于一个普通多项式$A(x)=\sum a_ix^{b_i}$，积分和求导是一种逆操作，那么对它做积分之后的形式是$A(x)=\sum \frac {a_i} {b_{i+1}}x^{b_{i+1}}$。注意到这个是没有常数项的，那么为了还原函数，我们还需要引入常数项。

时间复杂度$O(n)$。

反转

对于多项式$A(x)=\sum a_ix^i$，其反转后的多项式记做$A^R(x)=\sum a_{n-i-1}x^i$，即相当于把所有的系数翻转。也有以下这种形式

$$A^R(x)=x^{deg(A)}A(\frac 1 x)$$

时间复杂度$O(n)$。

多项式对数

对于给定的多项式$A(x)$，求一个多项式$f(x)$满足$f(x)=\ln A(x)\pmod {x^n}$

$$\ln A(x)=\int(\ln A(x))'=\int\frac {A'(x)} {A(x)}$$

时间复杂度$O(n\log n)$。

牛顿迭代

普通牛顿迭代

用于求一个函数$f(x)$的零点。

• 瞎猜一个零点x
• 取函数在x处的切线的零点为新的x，再继续迭代

这个步骤可以简化为一个递推

$$x_{n+1}=x_{n}-\frac {f(x_n)} {f'(x_n)}$$

有一种泰勒展开的考虑方法，在x处进行泰勒展开

$$f(x)=f(x_n)+\frac {f'(x_n)(x-x_n)} {1!}+\frac {f''(x_n)(x-x_n)^2} {2!}+\cdots$$

我们知道泰勒展开是展开项越多，与原函数就拟合得越好。但是为了简便，我们可以只保留线性部分，也就是前两项，同样可以得到那个递推式。但由于我们每次只保留的线性部分，所以结果是不精确的，需要多次迭代才能满足精度上的要求。

能用牛顿迭代求零点的函数的充分条件是，要二阶可导且起始点位于待求的零点的邻近区域。但是也有可能这个区域只包含了零点，比如$f(x)=x^{\frac 1 3}$。要注意有可能初始点处的导数恰好为0，此时只需要重新选点即可。

多项式牛顿迭代

用于求满足$g(f(x))\equiv 0 \pmod {x^n}$的多项式$f(x)$。

如果n=1，那么就只有常数项，直接算即可。

思想有点类似于多项式求逆，基本步骤是和上面类似的。

假设我们已经算出来了$f_0(x)$满足$g(f_0(x)) \equiv 0\pmod {x^{\lceil \frac n 2\rceil}}$。我们把$f_0(x)$看作普通牛顿迭代法中的$x_0$，那么我们在此处进行泰勒展开

$$g(f(x))=g(f_0(x))+g'(f_0(x))(f(x)-f_0(x))+\cdots$$

$f(x)$与$f_0(x)$的后$\lceil \frac n 2\rceil$是一样的，注意到第三项的$(f(x)-f_0(x))^2$，则其后$n$项必然是为0，更高次的同理。那么我们可以得到结论，多项式牛顿迭代求出的是精确解。

$$f(x)=f_0(x)-\frac {g(f(x))} {g'(f(x))}$$

用其可以做多项式求逆，多项式开根，多项式求exp。

多项式求逆

对于给定的多项式$A(x)$，求一个多项式$f(x)$满足$f(x)=\frac 1 {A(x)}\pmod {x^n}$

我们尝试构造这样的一个多项式$G(x)$，使得其零点的多项式即为$f(x)$，则有

$$G(f(x))=\frac 1 {f(x)}-A(x)$$

$$G'(f(x))=-\frac 1 {f^2(x)}$$

求其零点，那么我们直接代入牛顿迭代的式子中即得

$$f(x)=2f_0(x)-A(x)f_0^2(x)$$

时间复杂度$T(n)=T(\frac n 2)+O(n\log n)=O(n\log n)$。

多项式开根

对于给定的多项式$A(x)$，求一个多项式$f(x)$满足$f^2(x)= {A(x)}\pmod {x^n}$

我们同样可以构造一个多项式$G(f(x))=f^2(x)-A$，即得

$$G'(f(x))=2f(x)$$

$$f(x)=\frac {f_0^2(x)+A(x)} {2f_0(x)}$$

时间复杂度$T(n)=T(\frac n 2)+O(n\log n)=O(n\log n)$。

多项式求exp

对于给定的多项式$A(x)$，求一个多项式$f(x)$满足$e^{f(x)}=A(x)$。

构造$G(x)=\ln f(x)-A(x)$

$$G'(x)=\frac 1 {f(x)}$$

$$f(x)=f_0(x)(1-\ln f_0(x)+A(x))$$

时间复杂度$T(n)=T(\frac n 2)+O(n\log n)=O(n\log n)$。

多项式除法与取模

$A(x)=B(x)D(x)+R(x)$，其中$A(x)$为被除数，$B(x)$为除数，$D(x)$为商，$R(x)$为余数。它们满足$deg(R)<deg(B)<deg(A)$,$deg(D)=deg(A)-deg(B)+1$。

我们只需要求出$D(x)$即可，这样$R(x)$可以代入得到。我们当然希望能利用到逆元，联系一下与多项式逆元的区别，我们来解决这些区别即可。

• 有余数
• 没有模

为了方便描述，我们不妨设$deg(A)=n,deg(B)=m$，则有$deg(D)=n-m+1$。模不能影响$D(x)$，又要能消去$R(x)$的影响，那么可以考虑模$x^{n-m+1}$。我们知道在做NTT的时候$N>n$，这样即是把从N开始的至少m-1项的系数给直接删去了。注意到$deg(R)<m$，那么我们把R进行反转即可。

那么我们可以得到$A^R(x)\equiv B^R(x)D^R(x)\pmod {x^{n-m+1}}$

得到$D(x)$后直接利用原来的等式即可求得$R(x)$。

时间复杂度$O(n\log n)$。

多项式k次方

$$A(x)^k=e^{k\ln A(x)}$$

时间复杂度$O(n\log n)$。