多项式、卷积和快速傅里叶变换

多项式运算

$n$次多项式加法耗费的时间是$o(n)$。直接的$n$次多项式相乘消耗的时间是$o(n^2)$，$A(x)={\sum }_{j=0}^{n-1}{a}_j{x}^j$,$B(x)={\sum }_{j=0}^{n-1}{b}_j{x}^j$,
$C(x)={\sum }_{j=0}^{2n-2}{c}_j{x}^j,c_j={\sum }_{k=0}^j{a}_k{b}_{j-k}$
而快速傅里叶变换（FFT）可以将多项式的乘法运算降低到$O(nlgn)$。
$$F(\omega )={\int }_{-\infty }^{+\infty }{e}^{i\omega t}s(t)dt，S(f)={\int }_{-\infty }^{+\infty }{e}^{-i2\pi ft}s(t)dt$$

多项式的表达

系数表示、点值表示。
系数表示
$A(x)={\sum }_{j=0}^{n-1}{a}_j{x}^j$
$A(x_0)=a_0+x_0(a_1+x_0(a_2+\cdot \cdot \cdot +x_0(a_{n-2}+x_0(a_{n-1}))))$
点值表示
$(x_0,y_0),(x_1,y_1),\cdot \cdot \cdot ,(x_{n-1},y_{n-1})$这$n$个点唯一地表示一个多项式。
从系数表示到点值表示只需要计算$n$个点即可，如果选取的点合理，耗费的时间只需要$O(nlgn)$，点值表示到系数表示被叫做插值，可以用范德蒙矩阵求出系数。
$$\left(\begin{array}{c}{y}_0\\ y_1\\ \dots \\ y_{n-1}\end{array}\right)=\left(\begin{array}{ccccc}1& x_0& x_0^2& \dots & x_0^{n-1}\\ 1& x_1& x_1^2& \dots & x_1^{n-1}\\ & & \dots \dots & & \\ 1& x_{n-1}& x_{n-1}^2& \dots & x_{n-1}^{n-1}\end{array}\right)\left(\begin{array}{c}{a}_0\\ a_1\\ \dots \\ a_{n-1}\end{array}\right)=V(x_0,x_1,\dots ,x_{n-1})\cdot a$$
拉格朗日公式插值的时间复杂度是$O(n^2)$：$$A(x)=\sum _{k=0}^{n-1}{y}_k\frac{{\prod }_{j\ne k}x-x_j}{{\prod }_{j\ne k}{x}_k-x_j}$$
多项式相乘时，系数表示的$n$次多项式相乘消耗的时间是$O(n^2)$，点值表示的$n$次多项式相乘消耗的时间是$O(n)$

离散傅里叶变换

单位复数根及其性质

${\omega }^n=1，\omega$称为$1$的$n$次复根，或单位$n$次复根
${\omega }_n=e^{\frac{2\pi i}{n}}$，单位$n$次复根的基元
${\omega }_n^k=({\omega }_n{)}^k=e^{\frac{2\pi ik}{n}},,k=0,1,\dots ,n-1$，单位$1$有$n$个$n$次复根。
$e^{iu}=cos(u)+i\cdot sin(u)$
所以${\omega }_n^k=e^{\frac{2\pi ik}{n}}=cos(\frac{2\pi k}{n})+i\cdot sin(\frac{2\pi k}{n}),k=0,1,\dots ,n-1$。$n$个单位$n$次复根组成一个群，做乘法加法幂次方仍然是这$n$个点
一些性质

1. ${\omega }_n^n={\omega }_n^0=1({\omega }_n^n=e^{\frac{2\pi in}{n}}=cos2\pi +i\cdot sin2\pi )$
2. ${\omega }_n^j{\omega }_n^k={\omega }_n^{j+k}={\omega }_n^{(j+k)\mathrm{m}\mathrm{o}\mathrm{d}n}$
3. ${\omega }_n^{-1}={\omega }_n^{n-1}$
4. ${\omega }_{dn}^{dk}={\omega }_n^k$
5. ${\omega }_n^{\frac{n}{2}}={\omega }_2=-1$
6. 等分引理：$n$个单位$n$次复方根的平方是$\frac{n}{2}$个$\frac{n}{2}$次方根
7. ${\sum }_{j=0}^{n-1}({\omega }_n^k{)}^j=0$

DFT

我们期望取$x={\omega }_n^0,{\omega }_n^1,\dots ,{\omega }_n^{n-1}$来计算$A(x)={\sum }_{j=0}^{n-1}{a}_j{x}^j$
$y_k=A(x_k)=a({\omega }_n^k)={\sum }_{j=0}^{n-1}{a}_j{\omega }_n^{kj}$,
$$\left(\begin{array}{c}{y}_0\\ y_1\\ \dots \\ y_{n-1}\end{array}\right)=\left(\begin{array}{ccccc}1& 1& 1& \dots & 1\\ 1& {\omega }_n^1& {\omega }_n^2& \dots & {\omega }_n^{n-1}\\ & & \dots \dots & & \\ 1& {\omega }_n^{(n-1)\cdot 1}& {\omega }_n^{(n-1)\cdot 2}& \dots & {\omega }_n^{(n-1)\cdot (n-1)}\end{array}\right)\left(\begin{array}{c}{a}_0\\ a_1\\ \dots \\ a_{n-1}\end{array}\right)$$

FFT

使用分治策略。
$A(x)=A^{[0]}(x^2)+x{A}^{[1]}(x^2)$
偶次项：$A^{[0]}(x)=a_0+a_{2}x+a_4{x}^2+\cdot \cdot \cdot +a_{n-2}{x}^{n/2-1}$
奇次项：$A^{[1]}(x)=a_1+a_{3}x+a_5{x}^2+\cdot \cdot \cdot +a_{n-1}{x}^{n/2-1}$
$A(x_r)=A^{[0]}(x_r^2)+x{A}^{[1]}(x_r^2)=A({\omega }_n^r)=A^{[0]}(({\omega }_n^r{)}^2)+({\omega }_n^r)A^{[1]}(({\omega }_n^r{)}^2)=A^{[0]}({\omega }_{n/2}^r)+({\omega }_n^r)\cdot A^{[1]}({\omega }_{n/2}^r)$

$A({\omega }_n^k)=A^{[0]}({\omega }_{n/2}^k)+({\omega }_n^k)\cdot A^{[1]}({\omega }_{n/2}^k)$,

$A({\omega }_n^{n/2+k})=A^{[0]}(({\omega }_{n/2}^{n/2+k}{)}^2)+({\omega }_n^{n/2+k})\cdot A^{[1]}({\omega }_{n/2}^{n/2+k})=A^{[0]}({\omega }_{n/2}^k)-({\omega }_n^k)\cdot A^{[1]}({\omega }_{n/2}^k)$