FFT（快速傅里叶变换）详解

最新推荐文章于 2024-03-19 09:17:03 发布

cqbzcsq

最新推荐文章于 2024-03-19 09:17:03 发布

阅读量1.8k

点赞数 2

分类专栏：数学分治文章标签： FFT 快速傅里叶变换数论

本文链接：https://blog.csdn.net/C20180602_csq/article/details/85015587

版权

数学同时被 2 个专栏收录

43 篇文章 0 订阅

订阅专栏

分治

27 篇文章 0 订阅

订阅专栏

FFT简介

一种在O(nlogn)时间复杂度下把多项式（给定系数表达式）在系数表达式和点值表达式中互换的算法。

FFT的相关知识

一、多项式

1、定义：由若干个单项式相加组成的代数式叫做多项式（如： $2x^{2}+3x+5$ ）

2、多项式的次数：组成多项式的单项式中，次数最高的单项式的次数，为该多项式的次数

3、多项式的次数界：多项式的次数加1

4、多项式的表示方法：

（1）、系数表示法：

如： $2x^{2}+3x+5$ 、 7x^3+5x^2-2x+1

（2）、点值表示法：

把一个次数界为 n 多项式看成一个函数（如 $2x^{2}+3x+5$ -----次数界是3）

我们可以在这个函数上选 n 个的点来表示这个多项式。

如：(-1,4) (0,5) (1,10)

或：(-1,4) (2,19) (3,32)

这两组点值均可以表示多项式 $2x^{2}+3x+5$

why？

假设我们现在不知道原来的多项式

只知道(-1,4) (0,5) (1,10)这三个点值和该多项式的次数界为3

我们来求出原来的多项式：

首先，因为次数界为3，我们可以设该多项式为 $ax^{2}+bx+c$

然后，通过这三个点值，我们可以列出三个方程：

a*(-1)^2+b*(-1)+c=4

$a*0^{2}+b*0+c=5$

a*1^2+b*1+c=10

（不会打大括号）

三个方程足矣解三个未知数

解出方程后，我们就确定了这个多项式。

继续正题

5、多项式的运算

（1）、加减法：

使用系数表达式：O(n)

使用点值表达式（两个多项式的点值表达式中，点的横坐标均相等）：O(n)

两个多项式：f(x) g(x)

f(x)的其中一个点值为(x,f(x))

g(x)的其中一个点值为(x,g(x))

则f(x)+g(x)的其中一个点值为(x,f(x)+g(x))

（2）、乘法：

使用系数表达式：O(n^2)

使用点值表达式（两个多项式的点值表达式中，点的横坐标均相等）：O(n)

两个多项式：f(x) g(x)

f(x)的其中一个点值为(x,f(x))

g(x)的其中一个点值为(x,g(x))

则f(x)*g(x)的其中一个点值为(x,f(x)*g(x))

从多项式运算的时间复杂度来看，点值表达式是有很大优势的

所以我们想要把多项式由系数表达式转化为点值表达式

进行运算后，再将结果由点值表达式转化为系数表达式

但是，特别强调，

只有当两个多项式都选择了相同的2*N-1个x值来做点值表达式的横坐标时

两个多项式的点值表达式相加或相乘的时间复杂度才是O(N)

6、系数表达式与点值表达式的互换

（1）、系数表达式----->点值表达式（该过程称为求值）

（2）、点值表达式----->系数表达式（该过程称为插值）

7、多项式求值

求一个次数界为N的多项式需要N个点值

每求一个点的值都需要O(N)

所以，总时间复杂度为O(N^2)

8、多项式插值

（1）、高斯消元法O(N^3)

把N个点值看为N个方程，然后解出这个N元一次方程，得到系数表达式。

通过矩阵行行列列的加加减减运算来解出方程。。。（省略具体操作）

（2）、拉格朗日插值法O(N^2)

给定N个点值 $(x_{1},y_{1})(x_{2},y_{2})......(x_{N},y_{N})$

我们可以构造一个N-1次的函数f(x)，满足 $f(x_{1})=y_{1},f(x_{2})=y_{2},......,f(x_{N})=y_{N}$

我们可以对f(x)进行构造：

f(x)=g_1(x)*y_1+g_2(x)*y_2+...+g_N(x)*y_N

其中，

当 $x=x_{i}$ 时， g_i(x)=1 ，

当 $x=x_{j}(j!=i)$ 时， g_i(x)=0 ，

当 $x!=x_{t}(t\in [1,N])$ 时， g_i(x) 满足使函数 f(x) 连续

我们可以令 $g_i(x)=\prod_{j=1}^{N}[j!=i]*\frac{x-x_j}{x_i-x_j}$

经过验证，我们可以发现 g_i(x) 满足上述三个条件。。。

所以我们可以得出拉格朗日插值的公式：

$f(x)=\sum_{i=1}^{N}y_i*\prod_{j=1}^{N}[j!=i]*\frac{x-x_j}{x_i-x_j}$

通过一些预处理，可以使插值算法为O(N^2)。。。（省略具体操作）

二、复数

1、实数：有理数与无理数的总称

2、虚数单位i： $i^{2}=-1$

3、复数：形如z=a+bi（a,b均为实数）的数称为复数，其中a称为实部，b称为虚部，i称为虚数单位。

4、复数平面：

横轴x（也叫实轴）表示一个复数的实部

纵轴y（也叫虚轴）表示一个复数的虚部

一个复数可以看做在复数平面的一个向量：

如图，向量（2，3）就表示复数2+3i

5、复数的运算

A=a+bi，B=c+di

（1）、加法：

A+B=(a+bi)+(c+di)=(a+c)+(b+d)i

（2）、减法：

A-B=(a+bi)-(c+di)=(a-c)+(b-d)i

（3）、乘法：

A*B=(a+bi)*(c+di)=a*c+a*di+bi*c+bi*di=a*c+(a*d+b*c)i-b*d=(a*c-b*d)+(a*d-b*c)i

6、单位复数根：

形如： x^n=1 的方程一定有n个复数根，这n个根的分布为单位圆上的n等分点

如方程 x^8=1 根的分布为

其中0,1,2,3,4,5,6,7这些根分别记为 $\omega _{8}^{0},\omega _{8}^{1},...,\omega _{8}^{7}$

$\omega_8^1=\frac{\sqrt{2}}{2}+\frac{\sqrt{2}}{2}i$

可以验算一下 $(\omega_{8}^{1})^8=1$

可以得出： $\omega_n^k=cos(\frac{2\pi}{n}*k)+sin(\frac{2\pi}{n}*k)i$

这些根满足

（1）、消去引理: $\omega _{n*k}^{d*k}=\omega _{n}^{d}$ ，如 $\omega _{8}^{4}=\omega _{2}^{1}$
（2）、折半引理:如果为偶数,那么n个n次单位复根的平方的集合就是n/2个n/2次单位复数根的集合.

如：

$(\omega_8^0)^2=\omega_4^0$

$(\omega_8^1)^2=\omega_4^1$

$(\omega_8^2)^2=\omega_4^2$

$(\omega_8^3)^2=\omega_4^3$

$(\omega_8^4)^2=\omega_4^0$

$(\omega_8^5)^2=\omega_4^1$

$(\omega_8^6)^2=\omega_4^2$

$(\omega_8^7)^2=\omega_4^3$
（3）、求和引理:当k不是n的倍数时

$\sum_{i=0}^{n-1}(\omega_n^k)^j=0$

可以自行画图验证

三、DFT(离散傅里叶变化)

对于次数界为n的多项式,

$f(x)=\sum_{i=0}^{n-1}a_ix^i$

我们可以在 $\omega_{n}^{0},\omega_{n}^{1},\omega_{n}^{2},\omega_{n}^{3}......\omega_{n}^{n-1}$ 处求值(也就是令x= $\omega_n^i$ )

就可以得到一组f值： $f(\omega_n^0),f(\omega_n^1),f(\omega_n^2)......f(\omega_n^{n-1})$

我们称这一组f值为这组a值:( $a_0,a_1,a_2......a_{n-1}$ )的DFT

FFT

FFT是一种算法。

它可以在O(nlogn)的时间复杂度计算出一组a值（系数向量）的DFT

它主要基于分治的策略。
设

$f_{[0]}(x)=a_0+a_2*x^1+a_4*x^2+...+a_{n-2}*x^{n/2-1}$
$f_{[1]}(x)=a_1+a_3*x^1+a_5*x^2+...+a_{n-1}*x^{n/2-1}$

所以就有 $f(x)=f_{[0]}(x)+x*f_{[1]}(x)$

所以

求f(x)在 $\omega_{n}^{0},\omega_{n}^{1},\omega_{n}^{2},\omega_{n}^{3}......\omega_{n}^{n-1}$ 的值

就可以转化为求

$f_{[0]}(x)$ 和 $f_{[1]}(x)$ 在 $\omega_{n/2}^{0},\omega_{n/2}^{1},\omega_{n/2}^{2},\omega_{n/2}^{3}......\omega_{n/2}^{n/2-1}$ 的值

然后，就可以递归下去，最后求出f(x)

由于单位复数根具有消去引理、折半引理、求和引理，所以它可以被选为求点值的点。

实际上我们还可以选择原根的次幂作为求值点（这就是NTT），这里就不展开了。

现在我们已经解决了系数表达式----->点值表达式。

那怎么解决点值表达式----->系数表达式呢？

我们可以把该过程看作两个矩阵相乘

通过观察我们可以发现左边就是范德蒙德矩阵

它的逆矩阵很好求

于是点值表达式----->系数表达式的过程也可以用矩阵相乘的形式表达出来了。

我们只需要在求值运算的基础上,稍作一些变换。

就可以在O(nlogn)的时间复杂度进行插值运算了。

但是注意，FFT的求值运算与插值运算只能求单位复数根在f(x)上的值，并不能进行任意点的多点求值与多点插值！！！

然而，递归实现并不是很好。

于是出现了非递归版的FFT。

我们可以观察一下FFT求值时系数向量a的变化

a每次递归被按照奇偶性分为两组

于是就有：

我们把最后一行a的编号写为二进制

a0 a4 a2 a6 a1 a5 a3 a7

000 100 010 110 001 101 011 111

然后在再把二进制反着写

000 001 010 011 100 101 110 111

再转换回来

0 1 2 3 4 5 6 7

于是我们发现，把每一个位置的二进制反着写就可以得到它对应的a的位置。

得到了最后的系数向量，我们就可以向上递推进行运算。

代码：

#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
using namespace std;
#define N 400005
#define LL long long
const double PI=3.1415926535897932384626;
struct cp{//定义复数结构与复数的运算
	double r,i;
	cp(){}
	cp(double x,double y){r=x;i=y;}
	cp operator + (const cp &t)const{return cp(r+t.r,i+t.i);}
	cp operator - (const cp &t)const{return cp(r-t.r,i-t.i);}
	cp operator * (const cp &t)const{return cp(r*t.r-i*t.i,r*t.i+i*t.r);}
}x[N],y[N],w,wn;
void change(cp a[],int len)//计算系数a的最后位置
{
	int i,j,k;
	for(i=1,j=len/2;i<len-1;i++){//在高位加1，向低位进位
		if(i<j) swap(a[i],a[j]);
		for(k=len/2;j>=k;j-=k,k>>=1);
		j+=k;
	}
}
void fft(cp a[],int len,int flg)
{
	change(a,len);
	int i,j,k;
	for(i=2;i<=len;i<<=1){
		wn=cp(cos(flg*2.0*PI/i),sin(flg*2.0*PI/i));
		for(j=0;j<len;j+=i){
			w=cp(1,0);
			for(k=j;k<j+i/2;k++){
				cp t=a[k];
				cp u=a[k+i/2]*w;
				a[k]=t+u;
				a[k+i/2]=t-u;
				w=w*wn;
			}
		}
	}
	if(flg==-1)
		for(i=0;i<len;i++)
			a[i].r/=len;
}
int main()
{
	
}

来看一道例题：

已知n根木棍的长度（n<=100000）（长度<=100000），从中选三根木棍，求使它们拼接成一个三角形的概率。

咋一看跟FFT半点关系都没有。

那我们先来看一看不用FFT的做法。

直接枚举三根木棍。。。显然TLE

先枚举两根木棍，通过三角形的条件，就可以知道另一根木棍的取值范围，二分查找满足条件的另一根有多少种选法。

O(n^2logn)。。。。还是TLE

但是第二种方法给了我们灵感。

我们可以用一个数组a[i]表示长度为i的木棍有a[i]根。

让它自己乘自己。

乘出来是个啥玩意儿？？？

首先，我们要把数组a看成一个系数为a[i],次数为i的多项式。（原本是木棍条数为a[i]，长度均为i）

其次，当我们进行多项式乘法（也叫卷积）时

$A(x)=\sum_{i=0}^{n}a[i]*x^i$

$A(x)*A(x)=\sum_{i=0}^{n+n-1}\sum_{j=0}^{i}a[j]*a[i-j]*x^{j+(i-j)}$

观察卷积后 x的次数，发现它是由次数为 j 的x与次数为（i-j）的x相乘而得

它对应的实际意义是：长度为 j 的木棍与长度为（i-j）的木棍相拼接后的长度

再观察 x的系数，发现它是由 a[j]*a[i-j] 而得

它对应的实际意义是：长度为 j 的木棍中选一根与长度为（i-j）的木棍中选一根相拼接的方案数

所以自己乘自己所得数组 b[i] 的意义就是选两根木棍，使它们长度和为 i 的方案数是 b[i]。

而卷积运算就可以通过FFT快速算出。

代码：

#include<cstdio>
#include<cmath>
#include<cstring>
#include<algorithm>
using namespace std;
#define N 400005
#define LL long long
const double PI=3.1415926535897932384626;
struct cp{
	double r,i;
	cp(){}
	cp(double x,double y){r=x;i=y;}
	cp operator + (const cp &t)const{return cp(r+t.r,i+t.i);}
	cp operator - (const cp &t)const{return cp(r-t.r,i-t.i);}
	cp operator * (const cp &t)const{return cp(r*t.r-i*t.i,r*t.i+i*t.r);}
}a[N],b[N],w,wn;
void change(cp a[],int len)
{
	int i,j,k;
	for(i=1,j=len/2;i<len-1;i++){
		if(i<j) swap(a[i],a[j]);
		for(k=len/2;j>=k;j-=k,k>>=1);
		j+=k;
	}
}
void fft(cp a[],int len,int flg)
{
	int i,j,k;
	for(i=2;i<=len;i<<=1){
		wn=cp(cos(flg*2*PI/i),sin(flg*2*PI/i));
		for(j=0;j<len;j+=i){
			w=cp(1,0);
			for(k=j;k<j+i/2;k++){
				cp t=a[k];
				cp u=a[k+i/2]*w;
				a[k]=t+u;
				a[k+i/2]=t-u;
				w=w*wn;
			}
		}
	}
	if(flg==-1)
		for(i=0;i<len;i++)
			a[i].r/=len;
}
LL ans[N];
inline int getint()
{
	char c;int num=0,flag=1;
	while((c=getchar())<'0'||c>'9')if(c=='-')flag=-1;
	while(c>='0'&&c<='9'){num=num*10+c-48;c=getchar();}
	return num*flag;
}
int c[N],cd[N];
int main()
{
	int T;
	T=getint();
	while(T--){
		memset(c,0,sizeof(c));
		int m,i;
		
		m=getint();
		for(i=1;i<=m;i++){
			cd[i]=getint();
			c[cd[i]]++;
		}
		sort(cd+1,cd+m+1);
		
		int lena,lenb,len,n;
		lena=lenb=cd[m]+1;
		len=lena+lenb;n=1;
		while(n<len)n<<=1;
		
		for(i=0;i<lena;i++)b[i]=a[i]=cp((double)c[i],0);
		for(i=lena;i<n;i++)b[i]=a[i]=cp(0,0);
		
		change(a,n);change(b,n);
		fft(a,n,1);fft(b,n,1);
		for(i=0;i<n;i++) b[i]=a[i]*b[i];
		change(b,n);fft(b,n,-1);
		for(i=0;i<len-1;i++) ans[i]=(LL)(b[i].r+0.5);
		
		len--;
		for(i=1;i<=m;i++)ans[cd[i]*2]--;
		for(i=0;i<len;i++)ans[i]>>=1;
		for(i=1;i<len;i++)ans[i]=1ll*ans[i]+1ll*ans[i-1];
		LL cnt=0,al=1ll*m*(m-1)*(m-2)/6;
		for(i=1;i<=m;i++){
			cnt=1ll*cnt+1ll*ans[len-1]-1ll*ans[cd[i]];
			cnt=1ll*cnt-1ll*(m-1);
			cnt=1ll*cnt-1ll*(m-i)*(m-i-1)/2;
			cnt=1ll*cnt-1ll*(m-i)*(i-1);
		}
		printf("%.7lf\n",(double)cnt/al);
	}
}

有了FFT，一些排列组合问题就可以转化为多项式运算来求解，曾经难以实现的操作都可以用FFT加速，FFT在解题上为我们开辟了一条全新的道路。（大雾）（其实就是生成函数的思维）

咕了4个月的博客终于写完了。。。

cqbzcsq

关注

2
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
FFT（快速傅里叶变换）详解

FFT简介一种在O(nlogn)时间复杂度下把多项式（给定系数表达式）在系数表达式和点值表达式中互换的算法。FFT的相关知识一、多项式1、定义：由若干个单项式相加组成的代数式叫做多项式（如：）2、多项式的次数：组成多项式的单项式中，次数最高的单项式的次数，为该多项式的次数3、多项式的次数界：多项式的次数加14、多项式的表示方法：（1）、系数表示法：如：、（2...
复制链接

扫一扫