多项式学习笔记[二]（全网最详细！有图有代码有解释有例题有总结！)

上篇

任意模数NTT

Description

给定两个长度分别为$n,m$的多项式F, G，请求出F与G的卷积。各项系数对模数$p$取模。

请注意，$p$不一定是NTT模数。

$n,m\le 10^5$

Solution

由于篇幅能力原因，这里仅介绍一种十分容易理解的方法。

我们任意取 $3$ 个 $10^9$ 级别的NTT模数，分别做一遍NTT，从而对于卷积式中的每一项系数 $re{s}_i$ 都有三个形如 $re{s}_i\equiv k_{i,j}(mod{p}_{i,j})$ 的表达式。

然后我们对于每一个 $i$ 分别跑模意义下的CRT(中国剩余定理)即可得到每一项系数。

为什么这么做是有正确性的呢? 因为，不在模意义下的卷积的各项系数最大不超过 $10^{23}$ ，而这三个NTT模数的最小公倍数就已经达到了 $10^{27}$ 。所以并不会出现哈希冲突。

时间复杂度 $O(n\log n)$ 。常数巨大。

分治NTT

Description

给定序列 $g_{1,2,\cdots n-1}$ ，现在需要你求出序列 $f_{0,1,2,\cdots ,n-1}$ 。

其中 $f_i={\sum }_{j=1}^i{f}_{i-j}{g}_j$ ，边界为 $f_0=1$ 。

答案对 $998244353$ 取模。

Solution

如果我们枚举 $i$，每次都求一遍卷积的话，时间复杂度为 $O(n^2\log n)$ 。甚至比暴力还要慢不少。

我们参考 CDQ分治 的思想，每次先向左半边递归，然后处理左半边对右半边的贡献，接着向右半边递归$\cdots \cdots$以此类推。

更具体地说，假设当前搜索的区间是 $[l,r]$，左子区间为 $[l,mid]$，右子区间为 $[mid+1,r]$。我们先递归处理左子区间 $[l,mid]$ 。考虑右子区间中的一个位置 $i(mid+1\le i\le r)$，它从左半边得到的贡献为 ${\sum }_{l\le j\le mid}{f}_j{g}_{i-j}$ 。不难发现，这是一个卷积的形式，于是大力 NTT 即可。

更为具体地说，每次考虑“左半边对右半边的贡献”的时候，所用到的 $g$ 一定是前 $r-l$ 个位置，$f$ 用到的是区间 $[l,mid]$，直接将这些位置对应的多项式求卷积，得到的多项式对应的是区间$[mid+1,r]$(即$r-mid$个位置)。于是我们把 $f$ 中的那 $mid-l+1$ 个位置映射到另一个数组里面，将它与 $g$ 的对应区间做卷积，即可得到右半边的所有位置被左半边的贡献量。

令时间复杂度为 $T(n)$ ，则有 $T(n)=n\log n+2T(\frac{n}{2})=O(n{\log }^{2}n)$。

多项式求逆

Description

给定一个多项式$A$，请你找到一个多项式$B$，使得$A\times B\equiv 1(mod{x}^n)$。

保证 $A$ 的常数项为 $1$ 。

Solution

假设我们已经求得了$A\times B^{\prime }\equiv 1(mod{x}^{\frac{n}{2}})$，那么

$A\times (B-B^{\prime })\equiv 0(mod{x}^{\frac{n}{2}})$
$(B-B^{\prime })\equiv 0(mod{x}^{\frac{n}{2}})$
$B^2-2B{B}^{\prime }+B^{\prime 2}\equiv 0(mod{x}^{\frac{n}{2}})$

两边同时乘$A$，得到

$A{B}^2-2AB{B}^{\prime }+A{B}^{\prime 2}\equiv 0(mod{x}^{\frac{n}{2}})$
$B-2B^{\prime }+A{B}^{\prime 2}\equiv 0(mod{x}^{\frac{n}{2}})$
$B\equiv 2B^{\prime }-A{B}^{\prime 2}(mod{x}^{\frac{n}{2}})$
$B\equiv B^{\prime }(2-A{B}^{\prime })(mod{x}^{\frac{n}{2}})$

于是我们分治下去求$B^{\prime }$，回溯的时候用NTT求出$B^{\prime }(2-A{B}^{\prime })$即可。

令时间复杂度为$T(n)$，则有$T(n)=T(\frac{n}{2})+n\log n=O(n\log n)$。

多项式除法

Description

Solution

一种错误的做法是: 求出$B$的逆元(即多项式的逆)然后用C去乘上它，即为$A$。

对于这一种做法错误的原因主要是: 我们忽略了余数R的影响，导致可能不满足第一个条件。

于是我们想要避免余项R的影响。

令$F(x{)}^{\prime }=x^{n}F(\frac{1}{x})$，其中$n$为多项式$F$的项数(虽然${}^{\prime }$已经表示了求导，但是这里暂时借用一下)。

不难发现，$F(x{)}^{\prime }$的各项系数与$F(x)$的各项系数恰好相反。

我们开始愉快地推式子：

$F(x)=Q(x)G(x)+R(x)$
$F(x)=x^{n-m}Q(\frac{1}{x})x^{m}G(\frac{1}{x})+x^{n-m+1}{x}^{m-1}R(x)$
$F^{\prime }(x)=Q^{\prime }(x)G^{\prime }(X)+x^{n-m+1}{R}^{\prime }(x)$

此时，在模$x^{n-m+1}$的意义下，$R^{\prime }$的影响被消除了！于是我们可以直接多项式求逆+多项式乘法求出$Q^{\prime }$，然后翻转得到$Q$，最后一步一步回带即可。

时间复杂度$O(n\log n)$。

多项式ln(对数函数)

Description

给定一个多项式$A(n)$，请找到一个多项式$B(x)$使得$B(x)\equiv \ln A(x)(mod{x}^n)$

前置芝士

导数

导数的基本定义不讲了，毕竟高中数学课本上有（

这里重点介绍几个公式:

① $(pG(x){)}^{\prime }=p{G}^{\prime }(x)$
② $(n^m{)}^{\prime }=m{n}^{m-1}$。
根据①②，我们学会了多项式求导：

void qiudao(int *A,int *res,int len){
	for (int i=1;i<=len;i++)  res[i-1]=(i*A[i])%mod;
	res[len-1]=0;
}

③$(n^m{)}^{(m)}=m!$ 。虽然这个公式在多项式求$\ln$中的用处并不大，但是泰勒展开中需要它。

积分

积分就是“逆导数”。例如，$2x$的积分是$x^2$。

这里重点介绍一个公式：

④$a{x}^n$的积分是$\frac{a}{n+1}{x}^{n+1}$。
证明: 由于$x^{n+1}$的导数是$(n+1)x^n$，所以$\frac{a}{n+1}{x}^{n+1}$的导数就是$a{x}^n$。

于是我们也学会了多项式积分：

void jifen(int *A,int *res,int len){
	for (int i=1;i<=len;i++)  res[i]=(A[i-1]*ny(i))%mod;
	res[0]=0;
}

Solution

根据$$B(x)\equiv \ln A(x)(mod{x}^n)$$

等式两边同时求导得$$B^{\prime }(x)\equiv \frac{A(x{)}^{\prime }}{A(x)}(mod{x}^n)$$

于是我们先将$A(x)$求导得到$A(x{)}^{\prime }$，然后求出$A(x)$的逆元得到$\frac{1}{A(x)}$，再将这两个多项式相乘得到$B^{\prime }(x)$，最后积分回去即可。

时间复杂度$O(n\log n)$。

多项式牛顿迭代

Description

给定多项式$G$，请你找到多项式$F$使得$G(F(x))\equiv 0(mod{x}^n)$。

前置芝士: 泰勒展开

泰勒展开不会的话请自己学，我不想写 笔者只放一个套路式：

$G(x)={\sum }_{i=0}^{\infty }\frac{G^{(i)}(a)}{i!}(x-a{)}^i$

Solution

这里的$G,F$分别是两个多项式函数。例如当$G(x)=x+2,f(x)=x-1$时，那么$G(F(15))=G(14)=16$。

假设我们已经求出了$G(F_0(x))\equiv 0(mod{x}^{\frac{n}{2}})$。

我们考虑将这个式子在$x$处泰勒展开。根据Part 2中的公式，不难得到

$$G(F(x))\equiv \sum _{i=0}^{\infty }\frac{G^{(i)}(F_0(x))}{i!}(F(x)-F_0(x){)}^i(mod{x}^n)$$

对于右式而言，

${\sum }_{i=0}^{\infty }\frac{G^{(i)}(F(x))}{i!}(x-a{)}^i(mod{x}^n)$
$\equiv G(F_0(x))+G^{\prime }(F_0(x))(F(x)-F_0(x))$

为什么$G(F(x))$的泰勒展开式的高于一次项都被消去了呢？因为

$$G(F(x))\equiv 0(mod{x}^{\frac{n}{2}})$$

$$G(F_0(x))\equiv 0(mod{x}^{\frac{n}{2}})$$

两式相减得
$$G(F(x))-G(F_0(x))\equiv 0(mod{x}^{\frac{n}{2}})$$

于是，对于$(G(F(x))-G(F_0(x)){)}^p$而言，若$2\le p$，那么必然有

$$G(F(x))-G(F_0(x))\equiv 0(mod{x}^n)$$

所以高次项都被消除了。

我们回到刚才的式子
$$G(F(x))\equiv G(F_0(x))+G^{\prime }(F_0(x))(F(x)-F_0(x))(mod{x}^n)$$

我们让需要求的$G(F(x))$放到一边，于是随便整理一波得到
$$F(x)=F_0(x)-\frac{G(F_0(x))}{G^{\prime }(F_0(x))}$$

于是直接分治下去就行了。

令时间复杂度为$T(n)$，则$T(n)=n\log n+T(\frac{n}{2})=n\log n$。

应用

这个东西的应用极其广泛。比如它可以直接解决多项式求逆。

---

令$G(F(x))=F(x{)}^{-1}-A(x)$。根据多项式求逆的定义，显然$G(F(x))\equiv 0(mod{x}^n)$。

所以$$F(x)=F_0(x)-\frac{F_0(x{)}^{-1}-A(x)}{-F_0(x{)}^{-2}}$$

即$$F(x)=2F_0(x)-F_0(x{)}^{2}A(x)$$

多项式开根

Description

给定一个多项式$A$，请你找到多项式$B$使得$B^2(x)\equiv A(x)(mod{x}^n)$。

Solution

建议读者把它当成一道题而不是一个模板来做，由此训练一下多项式牛顿迭代的函数构造以及推导整理能力。

令$$G(F(x))=F(x{)}^2-A(x)$$

则$$F(x)\equiv F_0(x)-\frac{F_0(x{)}^2-A(x)}{2F_0(x)}(mod{x}^n)$$

整理得$$F(x)=\frac{A(x)}{2F_0(x)}+\frac{F_0(x)}{2}$$

于是我们分治下去，回溯的时候，求一下$F_0(x)$的逆元，再用$A(x)$乘上它并加上$F_0(x)$，然后除以$2$即可。

时间复杂度$O(n\log n)$。

多项式exp(指数函数)

Description

给定多项式$A(x)$，请你求出多项式$B(x)$使得$e^{A(x)}\equiv B(x)(mod{x}^n)$。

Solution

等式两边同时$\ln$得$$\ln B(x)\equiv A(x)(mod{x}^n)$$

令$G(F(x))=\ln F(x)-A(x)$，不难得到$G(B(x))\equiv 0(mod{x}^n)$，于是我们就可以快乐地牛顿迭代了。

$F(x)=F_0(x)-\frac{\ln F_0(x)-A(x)}{\frac{F_0^{\prime }(x)}{F_0(x)}}$
$=F_0(x)-\frac{\ln F_0(x)-A(x)}{\frac{1}{F_0(x)}}$
$=F_0(x)(1-\ln F_0(x)+A(x))$

递归下去，回溯时做一遍多项式$\ln$与多项式乘法即可。

时间复杂度$O(n\log n)$。

多项式快速幂

Description

给定多项式 $A(x)$ 与 $p$，请求出多项式 $B(x)$ 使得 $B(x)\equiv A(x{)}^p(mod{x}^n)$。

Solution

首先，一种方法是快速幂套多项式乘法，时间复杂度是 $O(n\log n\log p)$的。

考虑如何优化。不难发现 $x=e^{\ln x}$，所以 $B(x)\equiv e^{p\ln A(x)}$。

于是我们求出 $\ln A(x)$，将各项系数乘 $p$ 然后再 $\exp$ 求出 $e^{p\ln A(x)}$ 即为答案。

---

完整模板

int n,k;
int a[maxl],b[maxl],rev[maxl];

int quick_power(int x,int y){
	int res=1;
	for (;y;y=y>>1,x=(x*x)%mod){
		if (y&1)  res=(res*x)%mod;
	}
	return res;
}
int ny(int tmpxtmpxxx){return quick_power(tmpxtmpxxx,mod-2);}

namespace poly{
	int tmp[maxl],f[maxl],g[maxl];
	void NTT(int *A,int len,int flag){
		for (rg int i=0;i<len;++i){
			if (i>rev[i])  swap(A[i],A[rev[i]]);
		}
		for (rg int i=2;i<=len;i*=2){
			int wn;
			if (flag==1)  wn=quick_power(G,(mod-1)/i);
			else wn=quick_power(Gi,(mod-1)/i);
			for (int j=0;j<len;j+=i){
				int w=1;
				for (rg int k=j;k<j+(i/2);k++){
					int u=A[k],v=(w*A[k+(i/2)])%mod;
					A[k]=(u+v)%mod,A[k+(i/2)]=(u+mod-v)%mod;
					w=(w*wn)%mod;
				}
			}
		}
		if (flag==-1){
			int ducati_cai=quick_power(len,mod-2);
			for (int i=0;i<len;++i)  A[i]=(A[i]*ducati_cai)%mod;
		}
	}
	void Mul(int *A,int *B,int *C,int n,int m){
		int F[maxl],G[maxl];
		 
		int p=1,cnt=0;
		while (p<=n+m)  p*=2,cnt++;
		for (int i=0;i<=p;++i)  rev[i]=(rev[i>>1]>>1)|((i&1)<<(cnt-1));
		for (int i=0;i<=n;++i)  F[i]=A[i];
		for (int i=0;i<=m;++i)  G[i]=B[i];
		for (int i=n+1;i<=p;++i)  F[i]=0;
		for (int i=m+1;i<=p;++i)  G[i]=0;
		
		NTT(F,p,1),NTT(G,p,1);
		for (rg int i=0;i<=p;++i)  C[i]=(F[i]*G[i])%mod;
		NTT(C,p,-1);
	}
	void get_inv(int *A,int *res,int len){
		if (len==1){
			res[0]=quick_power(A[0],mod-2);
			return;
		}
		get_inv(A,res,(len+1)>>1);
		
		int p=1,cnt=0;
		while (p<=len<<1)  p<<=1,cnt++;
		
		for (rg int i=0;i<=p;++i)  rev[i]=(rev[i>>1]>>1)|((i&1)<<(cnt-1));
		for (int i=0;i<=len;++i)  tmp[i]=A[i];
		for (int i=len;i<=p;++i)  tmp[i]=0;
		
		NTT(tmp,p,1),NTT(res,p,1);
		for (rg int i=0;i<=p;++i)  res[i]=(((2-res[i]*tmp[i])%mod+mod)%mod*res[i])%mod;
		NTT(res,p,-1);
		
		for (int i=len;i<=p;++i)  res[i]=0;
	}
	void Divide(int *A,int *B,int *D,int *R,int n,int m){
		int invb[maxl],dtmp[maxl];
		
		reverse(B+1,B+m+1),reverse(A+1,A+n+1);
		get_inv(B,invb,n-m+1),Mul(A,invb,D,n-m,n-m);
		
		reverse(A+1,A+n+1),reverse(B+1,B+m+1),reverse(D+1,D+n-m+1);
		Mul(B,D,dtmp,m,n-m);
		for (int i=0;i<m;++i)  R[i]=(A[i]-dtmp[i]+mod)%mod;
	}
	void get_mod(int *A,int *B,int *R,int n,int m){Divide(A,B,tmp,R,n,m);}
	void qiudao(int *A,int *res,int len){
		for (int i=1;i<len;++i)  res[i-1]=(A[i]*i)%mod;
		res[len-1]=0;
	}
	void jifen(int *A,int *res,int len){
		for (int i=1;i<len;++i)  res[i]=(A[i-1]*ny(i))%mod;
		res[0]=0;
	}
	void get_ln(int *A,int *res,int len){
		int inva[maxl],da[maxl],mul_num[maxl];
		memset(inva,0,sizeof(inva));
		
		get_inv(A,inva,len);
		qiudao(A,da,len);
		Mul(inva,da,mul_num,len,len);
		jifen(mul_num,res,len);
	}
	void get_exp(int *A,int *res,int len){
	    if (len==1){
	        res[0]=1;
	        return;
	    }
	    get_exp(A,res,(len+1)>>1);
	    
	    int p=1,cnt=0;
	    while (p<=len<<1)  p<<=1,cnt++;
	    for (rg int i=0;i<p;++i)  rev[i]=(rev[i>>1]>>1)|((i&1)<<(cnt-1));
	    for (int i=0;i<len;++i)  g[i]=A[i];
	    for (int i=len;i<p;++i)  g[i]=0;
	    for (int i=0;i<p;++i)  f[i]=0;
	    
	    get_ln(res,f,len);
	    NTT(g,p,1),NTT(f,p,1),NTT(res,p,1);
	    for (rg int i=0;i<p;++i)  res[i]=((1-f[i]+g[i]+mod)%mod*res[i])%mod;
	    NTT(res,p,-1);
	    
	    for (int i=len;i<p;++i)  res[i]=0;
	}
	void get_pow(int *A,int *res,int len,int k){
		int C[maxl];
		get_ln(A,C,len);
		
		for (int i=0;i<len;++i)  C[i]=(C[i]*k)%mod;
		get_exp(C,res,len);
	}
};

学会了这些多项式的算法之后，我们来看看这些算法的广大应用。

下篇