FFT（快速傅里叶变换）算法

功能

一次FFT的功能

$O(n\log n)$的时间将一个多项式的系数表达式变成点值表达式（这两种表达方式后文会提到）。

一次IFFT的功能

$O(n\log n)$的时间将一个多项式的点值表达式变成系数表达式（这两种表达方式后文会提到）。

总体功能

$O(n\log n)$的时间求两个多项式的乘积。

一个$n$项的整式多项式一定可以表示成：$$f(x)=\sum _{i=0}^{n-1}(a_i{x}^i)$$
（有些$a_i$可能为$0$）

所以，一个系数$a$的（有序）集合可以唯一确定一个多项式。
例如： a = { 1 , 2 , 0 , 3 , 5 } a=\{1,2,0,3,5\} a={1,2,0,3,5}表示的就是多项式：$f(x)=1+2x+3x^3+5x^4$。
这里 a = { 1 , 2 , 0 , 3 , 5 } a=\{1,2,0,3,5\} a={1,2,0,3,5}叫$f(x)$的系数表达式。

所以，所谓求两个多项式的乘积，就是已知两个多项式的系数表达式，求它们乘积的多项式的系数表达式。

前置技能

（既然大家都这样说，我也这样说吧）

多项式的阶

之前说的$f(x)=\sum _{i=0}^{n-1}(a_i{x}^i)$中的$n$就是它的阶，注意$n$阶多项式不一定是$n$次的，因为$a_{n-1}$可能为$0$。

多项式的系数表达式

前面已说。

多项式的点值表达式

一个$n$次多项式就是一个函数，取它图像上的$n+1$个不同的点就可以确定这个多项式。

例如$f(x)$是个$4$次多项式，取它的图像上的任意$5$个不同的点：$(x_1,f(x_1))$，$(x_2,f(x_2))$，…，$(x_5,f(x_5))$，可以确定这个多项式的系数，因为可以列出一个$5$元一次方程组解出系数。

于是一个$n$次多项式的点值表达式就是它的图像上$n+1$个不同的点。
换句话说，$n+1$个不同的点可以唯一确定一个$n$次多项式。
（以上两句话式FFT和逆FFT的核心）

复数

在实数范围内，老师会告诉你负数没有平方根，所以我们为了让负数有平方根，将数的范围从实数扩展到了复数。
（实数也属于复数，复数另外一部分是虚数）

复数的基本单位

引入一个符号$i$，$i^2=-1$。
于是任意一个复数都可以表示成$a+bi$，其中$a$和$b$都是实数。
例如：$x^2=-7$的根是：$x_1=\sqrt{7}i$，$x_2=-\sqrt{7}i$。

复数的运算

加减乘都和整式的运算是一样的，例如两个复数$z_1=a_1+b_{1}i$，$z_2=a_2+b_{2}i$相乘：$$z_1{z}_2=(a_1+b_{1}i)(a_2+b_{2}i)=(a_1{a}_2-b_1{b}_2)+(a_1{b}_2+a_2{b}_1)i$$
除法这里不会用到，但也不难，可以分母实数化：

来自百度百科：复数除法

复平面

数轴可以表示一切实数，平面可以表示一切复数：

（其实这个图没有什么用）
在复平面内的一个点$(x,y)$表示一个复数$x+yi$。

复根

定义

定义：$${\omega }_n^k=cos\left(\frac{2\pi }{n}k\right)+sin\left(\frac{2\pi }{n}k\right)i$$
${\omega }_n^1$叫$n$次单位复根。

很难懂是不是？把${\omega }_8^0$，…，${\omega }_8^7$对应的点在复平面上画出来你就知道了。

（由于几何画板的公式编辑太弱，所以只标了$ABC$）
点$A$，$B$，$C$…对应的复数分别是${\omega }_8^0$，${\omega }_8^1$，${\omega }_8^2$，…

为什么？数学必修四的单位圆与三角函数会告诉你的。

几个性质

• ${\omega }_n^i{\omega }_n^j={\omega }_n^{i+j}$

证明：
由于$e^{i\theta }=cos\theta +sin\theta \cdot i$（我不会证，貌似要用泰勒展开）
所以${\omega }_n^i=e^{\frac{2\pi }{n}i}$
所以${\omega }_n^i{\omega }_n^j=e^{\frac{2\pi }{n}i}{e}^{\frac{2\pi }{n}j}=e^{\frac{2\pi }{n}(i+j)}={\omega }_n^{i+j}$

• ${\omega }_{2n}^{2k}={\omega }_n^k$
  理解：它们对应的点是一样的

证明：
$${\omega }_{2n}^{2k}=cos\left(\frac{2\pi }{2n}2k\right)+sin\left(\frac{2\pi }{2n}2k\right)i=cos\left(\frac{2\pi }{n}k\right)+sin\left(\frac{2\pi }{n}k\right)i={\omega }_n^k$$

• ${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$（$n$是偶数）
  理解：它们对应的点关于原点对称。

证明：$${\omega }_n^{k+\frac{n}{2}}=cos\left(\frac{2\pi }{n}k+\pi \right)+sins\left(\frac{2\pi }{n}k+\pi \right)i=-cos\left(\frac{2\pi }{n}k\right)-sin\left(\frac{2\pi }{n}k\right)i=-{\omega }_n^k$$

• ${\omega }_n^{k+n}={\omega }_n^k$
  理解：转了一圈回到原来的点。

证明：同上一个证明

• $\sum _{i=0}^{n-1}({\omega }_n^k{)}^i=0$（$k\ne 0$）（求和引理）
  理解：每个点和它关于原点对称的点抵消了。

证明：
$$\sum _{i=0}^{n-1}({\omega }_n^k{)}^i=1+{\omega }_n^k+({\omega }_n^k{)}^2+...+({\omega }_n^k{)}^{n-1}=\frac{({\omega }_n^k{)}^n-1}{{\omega }_n^k-1}=\frac{{\omega }_n^{kn}-1}{{\omega }_n^k-1}=\frac{1-1}{{\omega }_n^k-1}=0$$

求多项式乘积的基本步骤

已知$k_1$阶多项式$f(x)$和$k_2$阶多项式$g(x)$的系数表达式。
我们要求的是$k_1+k_2$阶多项式$h(x)=f(x)\cdot g(x)$的系数表达式。

1. 统一两个多项式的阶数为$n$，要保证$n$是$2$的幂。（系数补零即可，为什么一会说）
2. 取$n$个不同的值$x$，代入$f(x)$和$g(x)$中，得到$f(x)$和$g(x)$的点值表达式： S f ( x ) = { ( x 1 , f ( x 1 ) ) , ( x 2 , f ( x 2 ) ) , . . . , ( x n , f ( x n ) ) } S_{f(x)}=\{(x_1,f(x_1)),(x_2,f(x_2)),...,(x_n,f(x_n))\} Sf(x)​={(x1​,f(x1​)),(x2​,f(x2​)),...,(xn​,f(xn​))} S g ( x ) = { ( x 1 , g ( x 1 ) ) , ( x 2 , g ( x 2 ) ) , . . . , ( x n , g ( x n ) ) } S_{g(x)}=\{(x_1,g(x_1)),(x_2,g(x_2)),...,(x_n,g(x_n))\} Sg(x)​={(x1​,g(x1​)),(x2​,g(x2​)),...,(xn​,g(xn​))}（两次FFT得到）
3. 计算$h(x)$的点值表达式： S h ( x ) = { ( x 1 , f ( x 1 ) ⋅ g ( x 1 ) ) , ( x 2 , f ( x 2 ) ⋅ g ( x 2 ) ) , . . . , ( x n , f ( x n ) ⋅ g ( x n ) ) } S_{h(x)}=\{(x_1,f(x_1)\cdot g(x_1)),(x_2,f(x_2)\cdot g(x_2)),...,(x_n,f(x_n)\cdot g(x_n))\} Sh(x)​={(x1​,f(x1​)⋅g(x1​)),(x2​,f(x2​)⋅g(x2​)),...,(xn​,f(xn​)⋅g(xn​))}
4. 通过$h(x)$的点值表达式求$h(x)$的系数表达式。
   （一次IFFT得到）

忽略极大的常数，暴力的时间复杂度是$O(n^2)$，FFT可以把它优化到$O(n\log n)$。

FFT（IFFT）是通过计算一半的点值表达式得到另一半，要计算的那一半重复前面的步骤。

FFT

[特别提醒]

• 因为点值表达式中的$x$集合取何值无影响，所以取算的越快的越好。
• 一次FFT（快速傅里叶变换）是将一个多项式的系数表达式集合变成特定（$x$取${\omega }_n^0,...,{\omega }_n^{n-1}$）点值表达式中的$y$集合。
• 一次IFFT（快速傅里叶变换逆变换）是将一个多项式的特定（$x$取${\omega }_n^0,...,{\omega }_n^{n-1}$）点值表达式中的$y$集合变成系数表达式集合。
• 注意$n$是$2$的幂。

递归版FFT

核心公式

我们代入求点值表达式的$n$个$x$是：${\omega }_n^0,...,{\omega }_n^{n-1}$。

设多项式是$$A(x)=a_0+a_{1}x+a_2{x}^2+...+a_{n-1}{x}^{n-1}$$
令$$A_0(x)=a_0+a_{2}x+a_4{x}^2+...+a_{n-2}{x}^{\frac{n}{2}-1}$$
$$A_1(x)=a_1+a_{3}x+a_5{x}^2+...+a_{n-1}{x}^{\frac{n}{2}-1}$$
显然$$A(x)=A_0(x^2)+x{A}_1(x^2)$$（可以自己带进去算一下）

那么$$A({\omega }_n^k)=A_0({\omega }_n^{2k})+{\omega }_n^k{A}_1({\omega }_n^{2k})=A_0({\omega }_{\frac{n}{2}}^k)+{\omega }_n^k{A}_1({\omega }_{\frac{n}{2}}^k)$$
$$A({\omega }_n^{k+\frac{n}{2}})=A_0({\omega }_n^{2k+n})+{\omega }_n^{k+\frac{n}{2}}{A}_1({\omega }_n^{2k+n})=A_0({\omega }_n^{2k})-{\omega }_n^k{A}_1({\omega }_n^{2k})=A_0({\omega }_{\frac{n}{2}}^k)-{\omega }_n^k{A}_1({\omega }_{\frac{n}{2}}^k)$$

这两个只有正负号不同！

算法流程

我们定义FFT(A,n)，表示将系数表达式的系数集合$A$转换为点值表达式的$y$值集合（代入的$x$是${\omega }_n^0,{\omega }_n^1,...{\omega }_n^{n-1}$）。
那么，FFT(A,n)中，先提出$A_0$和$A_1$，再执行FFT(A0,n/2)和FFT(A1,n/2)。
执行完后的$A_0$和$A_1$已经变成了当 “ 代入的$x$是${\omega }_{\frac{n}{2}}^0,{\omega }_{\frac{n}{2}}^1,...{\omega }_{\frac{n}{2}}^{\frac{n}{2}-1}$ ” 时，对应的$y$的集合。
然后就可以循环从$0$到$\frac{n}{2}$，A[i]=A0[i]+w*A1[i]，A[i+n/2]=A0[i]-w*A1[i]。

代码

等讲了IFFT的递归版一起看。

非递归版FFT

算法

（来自不知名的大佬）

这是$n=8$时的递归FFT的系数示意图。
发现最后得到的系数序列，每个数的二进制反转后恰好是最开始的序列（为什么？用心去感受一下吧）。

所以只需要把最开始的系数变成最后的样子，再一层层向上合并即可。
也就是说，把最开始的每个系数和它二进制反转后的数交换位置。

定义R[i]表示i的二进制反转后的数，L是i的二进制位数（即${\log }_{2}n$），那么有：
R[i]=(R[i>>1]>>1)|((i&1)<<(L-1))

下面是解释：
R[i>>1]表示i除去最后一位后前面几位的反转，那么把它和i的最后一位换个位置就好了。

代码

等讲了IFFT的非递归版一起看。

IFFT

FFT的矩阵表达

$$\begin{gathered} \left(\begin{array}{c}{y}_0\\ \\ y_1\\ \\ y_2\\ \\ y_3\\ \\ ⋮\\ \\ y_{n-1}\end{array}\right)=\left(\begin{array}{cccccc}{\omega }_n^0& {\omega }_n^0& {\omega }_n^0& {\omega }_n^0& \cdots & {\omega }_n^0\\ & & & & & \\ {\omega }_n^0& {\omega }_n^1& {\omega }_n^2& {\omega }_n^3& \cdots & {\omega }_n^{n-1}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^2& {\omega }_n^4& {\omega }_n^6& \cdots & {\omega }_n^{2(n-1)}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^3& {\omega }_n^6& {\omega }_n^9& \cdots & {\omega }_n^{3(n-1)}\\ & & & & & \\ ⋮& ⋮& ⋮& ⋮& \ddots & ⋮\\ & & & & & \\ {\omega }_n^0& {\omega }_n^{n-1}& {\omega }_n^{2(n-1)}& {\omega }_n^{3(n-1)}& \cdots & {\omega }_n^{(n-1)(n-1)}\end{array}\right)\times \\ \left(\begin{array}{c}{a}_0\\ \\ a_1\\ \\ a_2\\ \\ a_3\\ \\ ⋮\\ \\ a_{n-1}\end{array}\right) \end{gathered}$$

FFT可以表示为这样， { y } \{y\} {y}是点值表达式的$y$值集合， { a } \{a\} {a}是系数表达式的系数集合。
（矩阵乘法可以自己百度一下，在这里就是$y_k=\sum _{i=0}^{n-1}\left(a_i{\omega }_n^{ki}\right)$）

例如：$$y_2=f(x_2)=f({\omega }_n^2)=a_0({\omega }_n^2{)}^0+a_1({\omega }_n^2{)}^1+a_2({\omega }_n^2{)}^2+...+a_{n-1}({\omega }_n^2{)}^{n-1}$$$$=a_0{\omega }_n^0+a_1{\omega }_n^2+a_2{\omega }_n^4+...+a_{n-1}{\omega }_n^{2(n-1)}$$$$=\sum _{i=0}^{n-1}\left(a_i{\omega }_n^{2i}\right)$$

IFFT的矩阵表达

令$$V=\left(\begin{array}{cccccc}{\omega }_n^0& {\omega }_n^0& {\omega }_n^0& {\omega }_n^0& \cdots & {\omega }_n^0\\ & & & & & \\ {\omega }_n^0& {\omega }_n^1& {\omega }_n^2& {\omega }_n^3& \cdots & {\omega }_n^{n-1}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^2& {\omega }_n^4& {\omega }_n^6& \cdots & {\omega }_n^{2(n-1)}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^3& {\omega }_n^6& {\omega }_n^9& \cdots & {\omega }_n^{3(n-1)}\\ & & & & & \\ ⋮& ⋮& ⋮& ⋮& \ddots & ⋮\\ & & & & & \\ {\omega }_n^0& {\omega }_n^{n-1}& {\omega }_n^{2(n-1)}& {\omega }_n^{3(n-1)}& \cdots & {\omega }_n^{(n-1)(n-1)}\end{array}\right)$$
则$$\begin{gathered} \left(\begin{array}{c}{y}_0\\ \\ y_1\\ \\ y_2\\ \\ y_3\\ \\ ⋮\\ \\ y_{n-1}\end{array}\right)=V\times \\ \left(\begin{array}{c}{a}_0\\ \\ a_1\\ \\ a_2\\ \\ a_3\\ \\ ⋮\\ \\ a_{n-1}\end{array}\right) \end{gathered}$$
那么$$\left(\begin{array}{c}{y}_0\\ \\ y_1\\ \\ y_2\\ \\ y_3\\ \\ ⋮\\ \\ y_{n-1}\end{array}\right)\times V^{-1}=\left(\begin{array}{c}{a}_0\\ \\ a_1\\ \\ a_2\\ \\ a_3\\ \\ ⋮\\ \\ a_{n-1}\end{array}\right)$$

也就是说，我们只要构造出$V^{-1}$，IFFT就解决了。

---

换句话说，要构造一个矩阵$V^{-1}$，使得$V\times V^{-1}=A$（$A$是单位矩阵）
其中$$A=\left(\begin{array}{ccccc}1& 0& 0& \cdots & 0\\ 0& 1& 0& \cdots & 0\\ 0& 0& 1& \cdots & 0\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 0& 0& 0& \cdots & 1\end{array}\right)$$

（计算一下会发现任何矩阵乘$A$都是它本身）

---

于是傅里叶说，
$$V^{-1}=\left(\begin{array}{cccccc}\frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \cdots & \frac{1}{n}{\omega }_n^0\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-1}& \frac{1}{n}{\omega }_n^{-2}& \frac{1}{n}{\omega }_n^{-3}& \cdots & \frac{1}{n}{\omega }_n^{-(n-1)}\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-2}& \frac{1}{n}{\omega }_n^{-4}& \frac{1}{n}{\omega }_n^{-6}& \cdots & \frac{1}{n}{\omega }_n^{-2(n-1)}\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-3}& \frac{1}{n}{\omega }_n^{-6}& \frac{1}{n}{\omega }_n^{-9}& \cdots & \frac{1}{n}{\omega }_n^{-3(n-1)}\\ & & & & & \\ ⋮& ⋮& ⋮& ⋮& \ddots & ⋮\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-(n-1)}& \frac{1}{n}{\omega }_n^{-2(n-1)}& \frac{1}{n}{\omega }_n^{-3(n-1)}& \cdots & \frac{1}{n}{\omega }_n^{-(n-1)(n-1)}\end{array}\right)$$

简单点说，（下标从零开始）$V_{i,j}={\omega }_n^{ij}$，$V^{-1}{}_{i,j}=\frac{1}{n}{\omega }_n^{-ij}$。

---

接下来要证明$V\times V^{-1}=A=\left(\begin{array}{ccccc}1& 0& 0& \cdots & 0\\ 0& 1& 0& \cdots & 0\\ 0& 0& 1& \cdots & 0\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 0& 0& 0& \cdots & 1\end{array}\right)$

根据矩阵乘法的定义，$$A_{x,y}=\sum _{i=0}^{n-1}(V_{x,i}{V}^{-1}{}_{i,y})$$$$=\sum _{i=0}^{n-1}\left({\omega }_n^{xi}\frac{1}{n}{\omega }_n^{-iy}\right)$$$$=\frac{1}{n}\sum _{i=0}^{n-1}({\omega }_n^{x-y}{)}^i$$

当$x=y$时，${\omega }_n^{x-y}=1$，$A_{i,j}=1$；
当$x\ne y$时，根据求和引理，$A_{i,j}=0$。

得证。

---

综上所述：

• FFT
  $$\begin{gathered} \left(\begin{array}{c}{y}_0\\ \\ y_1\\ \\ y_2\\ \\ y_3\\ \\ ⋮\\ \\ y_{n-1}\end{array}\right)=\left(\begin{array}{c}{a}_0\\ \\ a_1\\ \\ a_2\\ \\ a_3\\ \\ ⋮\\ \\ a_{n-1}\end{array}\right)\times \\ \left(\begin{array}{cccccc}{\omega }_n^0& {\omega }_n^0& {\omega }_n^0& {\omega }_n^0& \cdots & {\omega }_n^0\\ & & & & & \\ {\omega }_n^0& {\omega }_n^1& {\omega }_n^2& {\omega }_n^3& \cdots & {\omega }_n^{n-1}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^2& {\omega }_n^4& {\omega }_n^6& \cdots & {\omega }_n^{2(n-1)}\\ & & & & & \\ {\omega }_n^0& {\omega }_n^3& {\omega }_n^6& {\omega }_n^9& \cdots & {\omega }_n^{3(n-1)}\\ & & & & & \\ ⋮& ⋮& ⋮& ⋮& \ddots & ⋮\\ & & & & & \\ {\omega }_n^0& {\omega }_n^{n-1}& {\omega }_n^{2(n-1)}& {\omega }_n^{3(n-1)}& \cdots & {\omega }_n^{(n-1)(n-1)}\end{array}\right) \end{gathered}$$
• IFFT
  $$\left(\begin{array}{c}{a}_0\\ \\ a_1\\ \\ a_2\\ \\ a_3\\ \\ ⋮\\ \\ a_{n-1}\end{array}\right)=\left(\begin{array}{c}{y}_0\\ \\ y_1\\ \\ y_2\\ \\ y_3\\ \\ ⋮\\ \\ y_{n-1}\end{array}\right)\times \left(\begin{array}{cccccc}\frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^0& \cdots & \frac{1}{n}{\omega }_n^0\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-1}& \frac{1}{n}{\omega }_n^{-2}& \frac{1}{n}{\omega }_n^{-3}& \cdots & \frac{1}{n}{\omega }_n^{-(n-1)}\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-2}& \frac{1}{n}{\omega }_n^{-4}& \frac{1}{n}{\omega }_n^{-6}& \cdots & \frac{1}{n}{\omega }_n^{-2(n-1)}\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-3}& \frac{1}{n}{\omega }_n^{-6}& \frac{1}{n}{\omega }_n^{-9}& \cdots & \frac{1}{n}{\omega }_n^{-3(n-1)}\\ & & & & & \\ ⋮& ⋮& ⋮& ⋮& \ddots & ⋮\\ & & & & & \\ \frac{1}{n}{\omega }_n^0& \frac{1}{n}{\omega }_n^{-(n-1)}& \frac{1}{n}{\omega }_n^{-2(n-1)}& \frac{1}{n}{\omega }_n^{-3(n-1)}& \cdots & \frac{1}{n}{\omega }_n^{-(n-1)(n-1)}\end{array}\right)$$

算法流程

既然构造出来了$V^{-1}$，我们就知道要代入计算的$x$集合就是：
{ ω n 0 , ω n − 1 , . . . , ω n − ( n − 1 ) } \{\omega_n^0,\omega_n^{-1},...,\omega_n^{-(n-1)}\} {ωn0​,ωn−1​,...,ωn−(n−1)​}

为了减少误差，最后统一乘$\frac{1}{n}$。

把 “ 求多项式乘积的基本步骤 ” 中的第3步得到的$h(x)$的点值表达式的$y$集合当做一个多项式的系数表达式集合，用一次FFT求出$x$集合是 { ω n 0 , ω n − 1 , . . . , ω n − ( n − 1 ) } \{\omega_n^0,\omega_n^{-1},...,\omega_n^{-(n-1)}\} {ωn0​,ωn−1​,...,ωn−(n−1)​}时，这个多项式的点值表达式的$y$集合，就是$h(x)$的系数集合的$n$倍。

还记得FFT算法流程的这一步吗：
A[i]=A0[i]+w*A1[i]，A[i+n/2]=A0[i]-w*A1[i]

将它变为这样就是IFFT了：
A[i]=A0[i]-w*A1[i]，A[i+n/2]=A0[i]+w*A1[i]

现在知道为什么代码要一起展示了，因为只需在FFT函数中加一个参数就可以实现逆变换了。

代码

看下面。

代码

大整数乘法一般的时间复杂度是$O(n^2)$，把两个大整数看成两个多项式的系数，求它们的乘积，最后处理进位，就可以做到$O(n\log n)$了。

递归版

据说递归版要爆空间（我这道题和洛谷上的那道都用递归的过了），所以大家都写非递归版。

#include<cmath>
#include<cstdio>
#include<cstring>

#define LOG 17
#define MAXN (1<<LOG)
int res[MAXN+5];
char x[MAXN+5],y[MAXN+5];

struct Complex{
    double x,y;//x+yi
    Complex(){x=y=0;}
    Complex(double a,double b):x(a),y(b){}
    Complex operator + (Complex b)const{return Complex(x+b.x,y+b.y);}
    Complex operator - (Complex b)const{return Complex(x-b.x,y-b.y);}
    Complex operator * (Complex b)const{return Complex(x*b.x-y*b.y,y*b.x+x*b.y);}
}A0[MAXN+5],B0[MAXN+5];
//复数类，好像C++有一个叫complex的库

#define PI acos(-1)
void FFT(Complex *A,int len,int sign){
    if(len==1)
        return;
    int mid=len>>1;
    Complex A1[mid+5],A2[mid+5];//按奇偶分离系数到A1和A2
    for(int i=0;i<mid;i++)
        A1[i]=A[i<<1],A2[i]=A[i<<1|1];
    FFT(A1,mid,sign),FFT(A2,mid,sign);
    for(int i=0;i<mid;i++){
        Complex w(cos(2.0*PI/len*i),sign*sin(2.0*PI/len*i));
        //w是len次单位复根的i次方
        //sign=-1是逆变换
        A[i]=A1[i]+w*A2[i],A[i+mid]=A1[i]-w*A2[i];
    }
}

int main(){
    while(~scanf("%s%s",x+1,y+1)){
        int len1=strlen(x+1),len2=strlen(y+1),N=1;
        while(N<len1+len2)
            N<<=1;
        //统一长度为2的幂
        for(int i=0;i<len1;i++)
            A0[i]=Complex(x[len1-i]-'0',0);
        for(int i=0;i<len2;i++)
            B0[i]=Complex(y[len2-i]-'0',0);
        //倒着存可以避免很多恶心的问题
        FFT(A0,N,1);
        FFT(B0,N,1);
        for(int i=0;i<N;i++)
            A0[i]=A0[i]*B0[i];
        //得到乘积多项式的点值表达式
        FFT(A0,N,-1);
        for(int i=0;i<N;i++)
            res[i+1]=int(A0[i].x/N+0.5);
        //注意最后统一除以n，为避免精度误差，+0.5再取整
        for(int i=1;i<=N;i++)
            res[i+1]+=res[i]/10,res[i]%=10;
        while(N>1&&res[N]==0)
            N--;
        //处理进位和前导零
        for(int i=N;i>=1;i--)
            putchar(res[i]+'0');
        putchar('\n');
        memset(A0,0,sizeof A0);
        memset(B0,0,sizeof B0);
        memset(res,0,sizeof res);
    }
}

非递归版

建议写这种。

#include<cmath>
#include<cstdio>
#include<cstring>
#include<algorithm>
using namespace std;

#define LOG 17
#define MAXN (1<<LOG)
int res[MAXN+5];
char x[MAXN+5],y[MAXN+5];

struct Complex{
    double x,y;//x+yi
    Complex(){x=y=0;}
    Complex(double a,double b):x(a),y(b){}
    Complex operator + (Complex b)const{return Complex(x+b.x,y+b.y);}
    Complex operator - (Complex b)const{return Complex(x-b.x,y-b.y);}
    Complex operator * (Complex b)const{return Complex(x*b.x-y*b.y,y*b.x+x*b.y);}
}A0[MAXN+5],B0[MAXN+5];

#define PI acos(-1)
int R[MAXN+5];
void FFT(Complex *A,int len,int sign){
    for(int i=0;i<len;i++)
        if(i<R[i])//不加的话会swap两次，最后什么都没有发生
            swap(A[i],A[R[i]]);
    //调整成最后的顺序
    for(int mid=1;mid<len;mid<<=1)//枚举当前要处理的区间长度的一半
        for(int i=0;i<len;i+=mid<<1)//每2*mid的长度为一段，分开处理
            for(int j=0;j<mid;j++){//处理当前2*mid长度的区间
                Complex w(cos(PI/mid*j),sign*sin(PI/mid*j));//2.0被mid消掉了
                Complex tmp1=A[i+j],tmp2=A[i+j+mid];
                A[i+j]=tmp1+w*tmp2;
                A[i+j+mid]=tmp1-w*tmp2;
            }
}

int main(){
    while(~scanf("%s%s",x+1,y+1)){
        int len1=strlen(x+1),len2=strlen(y+1),N=1,Log=0;
        while(N<len1+len2)
            N<<=1,Log++;
        for(int i=0;i<len1;i++)
            A0[i]=Complex(x[len1-i]-'0',0);
        for(int i=0;i<len2;i++)
            B0[i]=Complex(y[len2-i]-'0',0);
        for(int i=0;i<N;i++)
            R[i]=(R[i>>1]>>1)|((i&1)<<(Log-1));
        //dp得到R数组
        FFT(A0,N,1),FFT(B0,N,1);
        for(int i=0;i<N;i++)
            A0[i]=A0[i]*B0[i];
        FFT(A0,N,-1);
        for(int i=0;i<N;i++)
            res[i+1]=int(A0[i].x/N+0.5);
        for(int i=1;i<=N;i++)
            res[i+1]+=res[i]/10,res[i]%=10;
        while(N>1&&res[N]==0)
            N--;
        for(int i=N;i>=1;i--)
            putchar(res[i]+'0');
        putchar('\n');
        memset(A0,0,sizeof A0);
        memset(B0,0,sizeof B0);
        memset(res,0,sizeof res);
    }
}

后记

感谢这些大佬：

CXH大佬
十分简明易懂的FFT（快速傅里叶变换）
小学生都能看懂的FFT！！！
快速傅里叶变换(FFT)详解