现在时间是2021-2-2,重新回来看2019学习的一知半解的
F
F
T
FFT
FFT,又有了新的理解
所以修改了以往写过的文章,并增添些许内容
因为过去一年多,上了高中,学的知识多了些,以前不懂的有些东西现在看来挺简单的??
- Add
建议了解系数和点值表示法后直接从复数看起
因为前面很多是第一次学习的时候,为了全面了解
然而似乎并没有起到这个效果??
文章目录
引入
如果给你一个多项式
A
(
x
)
=
∑
a
n
x
n
A(x) = ∑a_nx^n
A(x)=∑anxn 和
B
(
x
)
=
∑
b
n
x
n
B(x) = ∑b_nx^n
B(x)=∑bnxn,求
A
(
x
)
⋅
B
(
x
)
A(x) · B(x)
A(x)⋅B(x)
你会怎么做??
——可能只能选择
O
(
n
2
)
O(n^2)
O(n2),做
∑
i
=
1
n
∑
j
=
1
m
a
i
∗
b
j
\sum_{i=1}^n\sum_{j=1}^mai*bj
∑i=1n∑j=1mai∗bj
但是你觉得那些毒瘤出题dalao,会让你轻轻松松
O
(
n
2
)
O(n^2)
O(n2)水过去吗?
如此之高的时间复杂度永远成为了多项式乘法的一个瓶颈…
直到伟大的
F
F
T
FFT
FFT就出现了,将其优化到
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
系数和点值表示法
对于求一个 n − 1 n-1 n−1次的多项式 f ( x ) f(x) f(x),可以有两种表示方法,并且可以互相转化
系数表示法
概念
f
(
x
)
=
∑
i
=
0
n
−
1
c
i
∗
x
i
f(x)=\sum_{i=0}^{n-1}c_i*x^i
f(x)=i=0∑n−1ci∗xi
什么意思呢?
🍔设
f
(
x
)
=
(
a
0
∗
x
0
+
a
1
∗
x
1
+
a
2
∗
x
2
)
∗
(
b
0
∗
x
0
+
b
1
∗
x
1
+
b
2
∗
x
2
)
f(x)=(a_0*x^0+a_1*x^1+a_2*x^2)*(b_0*x^0+b_1*x^1+b_2*x^2)
f(x)=(a0∗x0+a1∗x1+a2∗x2)∗(b0∗x0+b1∗x1+b2∗x2)
那么一一相乘将之拆成了九项式子相加
f
(
x
)
=
a
0
b
0
∗
x
0
+
a
0
b
1
∗
x
1
+
a
0
b
2
∗
x
2
+
a
1
b
0
∗
x
1
+
a
1
b
1
∗
x
2
f(x)=a_0b_0*x^0+a_0b_1*x^1+a_0b_2*x^2+a_1b_0*x^1+a_1b_1*x^2
f(x)=a0b0∗x0+a0b1∗x1+a0b2∗x2+a1b0∗x1+a1b1∗x2
+
a
1
b
2
∗
x
3
+
a
2
b
0
∗
x
2
+
a
2
b
1
∗
x
3
+
a
2
b
2
∗
x
4
+a_1b_2*x^3+a_2b_0*x^2+a_2b_1*x^3+a_2b_2*x^4
+a1b2∗x3+a2b0∗x2+a2b1∗x3+a2b2∗x4
进行同类项合并
f
(
x
)
=
a
0
b
0
∗
x
0
+
(
a
0
b
1
+
a
1
b
0
)
∗
x
1
+
(
a
0
b
2
+
a
1
b
1
+
a
2
b
0
)
∗
x
2
f(x)=a_0b_0*x^0+(a_0b_1+a_1b_0)*x_1+(a_0b_2+a_1b_1+a_2b_0)*x^2
f(x)=a0b0∗x0+(a0b1+a1b0)∗x1+(a0b2+a1b1+a2b0)∗x2
+
(
a
1
b
2
+
a
2
b
1
)
∗
x
3
+
a
2
b
2
∗
x
4
+(a_1b_2+a_2b_1)*x^3+a_2b_2*x^4
+(a1b2+a2b1)∗x3+a2b2∗x4
c
0
=
a
0
b
0
c_0=a_0b_0
c0=a0b0
c
1
=
(
a
0
b
1
+
a
1
b
0
)
c_1=(a_0b_1+a_1b_0)
c1=(a0b1+a1b0)
c
2
=
(
a
0
b
2
+
a
1
b
1
+
a
2
b
0
)
c_2=(a_0b_2+a_1b_1+a_2b_0)
c2=(a0b2+a1b1+a2b0)
c
3
=
(
a
1
b
2
+
a
2
b
1
)
c_3=(a_1b_2+a_2b_1)
c3=(a1b2+a2b1)
c
4
=
a
2
b
2
c_4=a_2b_2
c4=a2b2
用中国话来理解就是 c i c_i ci是我们整合后的对于 x i x^i xi的系数和,将这些相加就是最后的 f ( x ) f(x) f(x)
- Add
c i c_i ci本质来说可以看作是两个函数的卷积
h ( n ) = ∑ i = 0 n − 1 c i x i , f ( n ) = ∑ i = 0 n − 1 a i x i , g ( n ) = ∑ i = 0 n − 1 b i x i h(n)=\sum_{i=0}^{n-1}c_i\ x^i,f(n)=\sum_{i=0}^{n-1}a_i\ x^i,g(n)=\sum_{i=0}^{n-1}b_i\ x^i h(n)=i=0∑n−1ci xi,f(n)=i=0∑n−1ai xi,g(n)=i=0∑n−1bi xi ⇒ c i = ∑ j = 0 i a j × b i − j \Rightarrow c_i=\sum_{j=0}^ia_j\times b_{i-j} ⇒ci=j=0∑iaj×bi−j
系数表示法 → \rightarrow →点值表示法
就是把
x
i
x_i
xi带进去就可以算出来每一个点
i
i
i的函数值,就可以表示该点
(
x
i
,
y
i
)
(x_i,y_i)
(xi,yi)
y
i
=
∑
j
=
0
n
−
1
c
j
∗
x
i
j
y_i=\sum_{j=0}^{n-1}c_j*x_i^j
yi=j=0∑n−1cj∗xij
系数表示法的优缺点
优点
多项式的求值计算效率高,对于
A
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
.
.
.
a
n
∗
x
n
A(x)=a_0+a_1*x^1+a_2*x^2...a_n*x^n
A(x)=a0+a1∗x1+a2∗x2...an∗xn
提一个同类项
x
x
x,变成
A
(
x
)
=
a
0
+
x
(
a
1
+
a
2
∗
x
+
.
.
.
a
n
∗
x
n
−
1
)
A(x)=a_0+x(a_1+a_2*x+...a_n*x^{n-1})
A(x)=a0+x(a1+a2∗x+...an∗xn−1),不停地提
x
x
x出来
我们就可以在
a
0
a_0
a0处通过霍纳法则
O
(
n
)
O(n)
O(n)算出来
多项式的加减计算效率也高
A
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
+
.
.
.
+
a
n
−
1
∗
x
n
−
1
A(x)=a_0+a_1*x^1+a_2*x^2+...+a_{n-1}*x^{n-1}
A(x)=a0+a1∗x1+a2∗x2+...+an−1∗xn−1
B
(
x
)
=
b
0
+
b
1
∗
x
1
+
.
.
.
+
b
n
−
1
∗
x
n
−
1
B(x)=b_0+b_1*x^1+...+b_{n-1}*x^{n-1}
B(x)=b0+b1∗x1+...+bn−1∗xn−1
可以通过
O
(
n
)
O(n)
O(n),算出
C
(
x
)
=
c
0
+
c
1
∗
x
1
+
.
.
.
+
c
n
−
1
∗
x
n
−
1
C(x)=c_0+c_1*x^1+...+c_{n-1}*x^{n-1}
C(x)=c0+c1∗x1+...+cn−1∗xn−1
对于每一个
i
∈
[
0
,
n
)
i∈[0,n)
i∈[0,n),都有
c
i
=
a
i
+
b
i
c_i=a_i+b_i
ci=ai+bi,其实就是直接系数方面的相加减
缺点
多项式的乘法计算时间复杂度将达到
O
(
n
2
)
O(n^2)
O(n2)
1.感性理解就是我们要枚举
A
A
A里面的每一项,再与
B
B
B里面的每一项进行相乘再合并同类项
2.数学公式表达则是:解释一下为什么上界是
2
n
−
2
2n-2
2n−2
额其实很好想,
A
,
B
A,B
A,B的最高项都是
x
n
−
1
x^{n-1}
xn−1相乘肯定就是
C
C
C的最高项,也就是
x
2
n
−
2
x^{2n-2}
x2n−2
C
(
x
)
=
∑
i
=
0
2
n
−
2
c
i
∗
x
i
,
c
i
=
∑
j
=
0
i
a
j
b
i
−
j
C(x)=\sum_{i=0}^{2n-2}c_i*x^i,c_i=\sum_{j=0}^ia_jb_{i-j}
C(x)=i=0∑2n−2ci∗xi,ci=j=0∑iajbi−j
点值表示法
概念
给一堆点对
(
x
1
,
x
2
,
x
3
.
.
.
x
n
)
,
(
y
1
,
y
2
,
y
3
.
.
.
y
n
)
(x_1,x_2,x_3...x_n),(y_1,y_2,y_3...y_n)
(x1,x2,x3...xn),(y1,y2,y3...yn),满足
f
(
x
i
)
=
y
i
f(x_i)=y_i
f(xi)=yi
即
(
x
i
,
y
i
)
(x_i,y_i)
(xi,yi)是曲线上
y
=
f
(
x
)
y=f(x)
y=f(x)的点
- Add
这样表示似乎更好?
( x 0 , y 0 ) , ( x 1 , y 1 ) , ( x 2 , y 2 ) . . . . ( x n − 1 , y n − 1 ) (x_0,y_0),(x_1,y_1),(x_2,y_2)....(x_{n-1},y_{n-1}) (x0,y0),(x1,y1),(x2,y2)....(xn−1,yn−1)
用中国话来讲就是我们知道了平面直角坐标系上某条函数的
n
n
n对点
然后就可以勾勒出这一条唯一的函数图象
要确定一条函数的图像,要至少知道函数最高次+1个不同的点
简单证明一下:
1.感性理解,我们说两个点确定一条直线,也就是说要两个点才能画出一次函数
而我们的抛物线又要三个点才能画出二次函数
.
.
.
...
...以此类推
2.运用解方程的方法,我们面对四个点会设
f
(
x
)
=
a
∗
x
3
+
b
∗
x
2
+
c
∗
x
1
+
d
f(x)=a*x^3+b*x^2+c*x^1+d
f(x)=a∗x3+b∗x2+c∗x1+d
四个不同的方程对应四个解
感觉好像是一样的证明,别管这么多了,反正都是简单证明,口胡口胡
点值表达式–>系数表达式
f
(
x
)
=
∑
i
=
0
n
−
1
y
i
∏
j
≠
i
(
x
−
x
j
)
∏
j
≠
i
(
x
i
−
x
j
)
f(x)=\sum_{i=0}^{n-1}y_i\frac{\prod_{j\neq i}(x-x_j)}{\prod_{j\ne i}(x_i-x_j)}
f(x)=i=0∑n−1yi∏j=i(xi−xj)∏j=i(x−xj)
这个证明要用到拉格朗日插值法,但是因为我们一般不用这玩意儿,老子就不搞了,太现实了
点值表达式的优缺点
优点
加减法计算效率高:对两个点值表达的次数界为
n
n
n的多项式,计算只有
O
(
n
)
O(n)
O(n)
如果
C
(
x
)
=
A
(
x
)
+
b
(
x
)
C(x)=A(x)+b(x)
C(x)=A(x)+b(x),那么
C
(
x
k
)
=
A
(
x
k
)
+
B
(
x
k
)
C(x_k)=A(x_k)+B(x_k)
C(xk)=A(xk)+B(xk)
更具体而言:对于给定的
A
(
x
0
,
y
0
)
,
(
x
1
,
y
1
)
.
.
.
(
x
n
−
1
,
y
n
−
1
)
)
,
B
(
x
0
,
y
0
′
)
,
(
x
1
,
y
1
′
)
.
.
.
(
x
n
−
1
,
y
n
−
1
′
)
)
A{(x_0,y_0),(x_1,y_1)...(x_{n-1},y_{n-1}))},B{(x_0,y_0'),(x_1,y_1')...(x_{n-1},y_{n-1}'))}
A(x0,y0),(x1,y1)...(xn−1,yn−1)),B(x0,y0′),(x1,y1′)...(xn−1,yn−1′))
那么
A
A
A和
B
B
B对相同的
n
n
n个点对求和,
C
C
C的点对就表示成
C
(
x
0
,
y
0
+
y
0
′
)
,
(
x
1
,
y
1
+
y
1
′
)
.
.
.
(
x
n
−
1
,
y
n
−
1
+
y
n
−
1
′
)
)
C{(x_0,y_0+y_0'),(x_1,y_1+y_1')...(x_{n-1},y_{n-1}+y_{n-1}'))}
C(x0,y0+y0′),(x1,y1+y1′)...(xn−1,yn−1+yn−1′))
乘法计算效率也高:对两个点值表达的次数界为
n
n
n的多项式,计算只有
O
(
n
)
O(n)
O(n)
如果
C
(
x
)
=
A
(
x
)
∗
b
(
x
)
C(x)=A(x)*b(x)
C(x)=A(x)∗b(x),那么
C
(
x
k
)
=
A
(
x
k
)
∗
B
(
x
k
)
C(x_k)=A(x_k)*B(x_k)
C(xk)=A(xk)∗B(xk)
这样只需要将
A
,
B
A,B
A,B进行逐点相乘就可以求出了
C
C
C,但是
C
C
C的次数界要达到
2
n
2n
2n
A
,
B
A,B
A,B次数界也只有
n
n
n,所以我们必须对
A
,
B
A,B
A,B进行扩点处理,将其扩大成
C
C
C的次数界
更具体而言:扩充
A
(
x
0
,
y
0
)
,
(
x
1
,
y
1
)
.
.
.
(
x
2
n
−
1
,
y
2
n
−
1
)
)
,
B
(
x
0
,
y
0
′
)
,
(
x
1
,
y
1
′
)
.
.
.
(
x
2
n
−
1
,
y
2
n
−
1
′
)
)
A{(x_0,y_0),(x_1,y_1)...(x_{2n-1},y_{2n-1}))},B{(x_0,y_0'),(x_1,y_1')...(x_{2n-1},y_{2n-1}'))}
A(x0,y0),(x1,y1)...(x2n−1,y2n−1)),B(x0,y0′),(x1,y1′)...(x2n−1,y2n−1′))
C
C
C的点对就表示成
C
(
x
0
,
y
0
+
y
0
′
)
,
(
x
1
,
y
1
+
y
1
′
)
.
.
.
(
x
n
−
1
,
y
2
n
−
1
+
y
2
n
−
1
′
)
)
C{(x_0,y_0+y_0'),(x_1,y_1+y_1')...(x_{n-1},y_{2n-1}+y_{2n-1}'))}
C(x0,y0+y0′),(x1,y1+y1′)...(xn−1,y2n−1+y2n−1′))
缺点
我们如何求一个新点的值呢?是不是只能转化成系数表达式,用
O
(
n
)
O(n)
O(n)计算
但是时间复杂度就在转化这里达到了
O
(
n
2
)
O(n^2)
O(n2)
换言之:对于多项式
A
(
x
)
A(x)
A(x) 和
B
(
x
)
B(x)
B(x),假设
d
e
g
A
+
d
e
g
B
<
n
degA + degB < n
degA+degB<n(
deg是数学中的表示多项式的次数的玩意儿)
如果有
A
A
A 和
B
B
B 在
x
0
,
x
1
,
.
.
.
,
x
n
−
1
{x_0, x_1, . . . , x_{n-1}}
x0,x1,...,xn−1 处的点值表示
则
(
A
⋅
B
)
(A · B)
(A⋅B)的点值表示可以通过
(
A
⋅
B
)
(
x
i
)
=
A
(
x
i
)
⋅
B
(
x
i
)
(A · B)(x_i) = A(x_i) · B(x_i)
(A⋅B)(xi)=A(xi)⋅B(xi) 在
O
(
N
)
O(N)
O(N) 时间内得到
还原
(
A
⋅
B
)
(A · B)
(A⋅B) 为系数表示就实现了多项式乘法,但是还原的时间
O
(
n
2
)
O(n^2)
O(n2)
🍔:所以如果有一道题给我们系数表达式,最后又让我们输出结果的系数表达式
我们用以上的方法虽然计算成点值表达式只用了
O
(
n
)
O(n)
O(n)
但是最后在转化成系数表达式的时候,时间复杂度还是蹭蹭蹭地涨到了
O
(
n
2
)
O(n^2)
O(n2)
看上面的式子,我们会面临枚举
i
,
j
i,j
i,j的难题,还是没有在本质上解决问题
但是我们的 F F T FFT FFT就剋以做到以上的转化且只用 O ( n l o g n ) O(nlogn) O(nlogn)
1.把已知的一个多项式转化成对应的点值表示
2.把已知的点值表示转换成对应的多项式
说了这么多,还是没有告诉我怎么做啊!!!不急慢慢往下看
复数和单位复根
复数
我们把形如 z = a + b i z=a+bi z=a+bi(a,b均为实数)的数称为复数,其中 a a a称为实部, b b b称为虚部, i i i称为虚数单位
i = − 1 i=\sqrt{-1} i=−1,即 i 2 = − 1 i^2=-1 i2=−1
我们可以把复数当做一个向量丢在二维平面,即平面直角坐标系
百度百科说:复数之间的加减乘(除)是可以直接算的,除法因为不怎么用就不说了
1.加法法则
设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
z1=a+bi,z2=c+di
z1=a+bi,z2=c+di是任意两个复数,
则它们的和是
(
a
+
b
i
)
+
(
c
+
d
i
)
=
(
a
+
c
)
+
(
b
+
d
)
i
(a+bi)+(c+di)=(a+c)+(b+d)i
(a+bi)+(c+di)=(a+c)+(b+d)i
两个复数的和依然是复数,它的实部是原来两个复数实部的和,它的虚部是原来两个虚部的和,当然复数的加法满足交换律和结合律
2.减法法则
设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
z1=a+bi,z2=c+di
z1=a+bi,z2=c+di是任意两个复数,
则它们的差是
(
a
+
b
i
)
−
(
c
+
d
i
)
=
(
a
−
c
)
+
(
b
−
d
)
i
(a+bi)-(c+di)=(a-c)+(b-d)i
(a+bi)−(c+di)=(a−c)+(b−d)i
两个复数的差依然是复数,它的实部是原来两个复数实部的差,它的虚部是原来两个虚部的差
3.乘法法则
设
z
1
=
a
+
b
i
,
z
2
=
c
+
d
i
(
a
、
b
、
c
、
d
∈
R
)
z1=a+bi,z2=c+di(a、b、c、d∈R)
z1=a+bi,z2=c+di(a、b、c、d∈R)是任意两个复数,
那么它们的积
(
a
+
b
i
)
(
c
+
d
i
)
=
(
a
c
−
b
d
)
+
(
b
c
+
a
d
)
i
(a+bi)(c+di)=(ac-bd)+(bc+ad)i
(a+bi)(c+di)=(ac−bd)+(bc+ad)i
其实就是把两个复数相乘,类似两个多项式相乘,展开得:
a
c
+
a
d
i
+
b
c
i
+
b
d
i
2
ac+adi+bci+bdi^2
ac+adi+bci+bdi2,因为
i
2
=
−
1
i^2=-1
i2=−1,所以结果是
(
a
c
-
b
d
)
+
(
b
c
+
a
d
)
i
(ac-bd)+(bc+ad)i
(ac-bd)+(bc+ad)i ,两个复数的积仍然是一个复数
此时,复数相乘表现为幅角相加,模长相乘
单位复根
定义
n
n
n次单位复根为
ω
n
i
\omega_n^i
ωni,满足
x
n
=
1
x^n=1
xn=1的复数
x
x
x,表现在平面直角坐标系中
单位复根满足的性质如下:可以想象成在单位圆上的旋转
ω n a ∗ ω n b = ω n a + b \omega_n^a*\omega_n^b=\omega_n^{a+b} ωna∗ωnb=ωna+b
ω n i = ω n i + n \omega_n^i=\omega_n^{i+n} ωni=ωni+n,也就是转了一圈单位圆最后在坐标系上只转了幅角为i
ω k n k i = ω n i \omega_{kn}^{ki}=\omega_n^i ωknki=ωni
ω n i = − ω n i + n / 2 \omega_n^i=-\omega_n^{i+n/2} ωni=−ωni+n/2, − - −可以理解为倒着转
因为单位复根刚好有 n n n个,可以分别一一对应我们的 n − 1 n-1 n−1次多项式,形成点值表达式
{ ( ω n 0 , f ( ω n 0 ) ) , ( ω n 1 , f ( ω n 1 ) ) , ( ω n 2 , f ( ω n 2 ) ) . . . , ( ω n n − 1 , f ( ω n n − 1 ) ) } \{(\omega_n^0,f(\omega_n^0)),(\omega_n^1,f(\omega_n^1)),(\omega_n^2,f(\omega_n^2))...,(\omega_n^{n-1},f(\omega_n^{n-1}))\} {(ωn0,f(ωn0)),(ωn1,f(ωn1)),(ωn2,f(ωn2))...,(ωnn−1,f(ωnn−1))}
我们的
F
F
T
FFT
FFT是要求
n
n
n为2的幂次的
- Add
对于一个函数 f ( n ) = ∑ i = 0 n − 1 c i x i f(n)=\sum_{i=0}^{n-1}c_i\ x_i f(n)=∑i=0n−1ci xi
其实可以上调 n n n但不能下降 n n n
意思就是可以将 n n n配成任何比 n n n大的 n ′ n' n′,系数 c c c直接配成 0 0 0,不就行了?
所以 F F T FFT FFT的 n n n的要求是完全可以人为调控达到的
所以像上图的五个单位复根
其实我们是分成了八个单位复根,然后就只用前五个
如图分成了八份,只用其中涂绿了的五份
- Add
前面提到是将复数当成向量放在二维平面的单位圆里
所以对于单位圆上的一点,假设角度为 x x x,那么该点可以表示为 ( c o s x , i s i n x ) (cos\ x,i\ sin\ x) (cos x,i sin x)
对于两个角度分别为 x , y x,y x,y的在单位圆上的点,相乘
( c o s x , i s i n x ) × ( c o s y , i s i n y ) = (cos\ x,i\ sin\ x)\times (cos\ y,i\ sin\ y)= (cos x,i sin x)×(cos y,i sin y)=
( c o s x c o s y − s i n x s i n y , i ( s i n x c o s y + c o s x s i n y ) ) (cos\ x\ cos\ y-sin\ x\ sin\ y,i(sin\ x\ cos\ y+cos\ x\ sin\ y)) (cos x cos y−sin x sin y,i(sin x cos y+cos x sin y))
发现就是角度为 x + y x+y x+y的点坐标 ( c o s ( x + y ) , i s i n ( x + y ) ) (cos(x+y),i\ sin(x+y)) (cos(x+y),i sin(x+y))
这也恰恰应证了复数相乘表现为幅角相加,模长相乘
点乘算出来的结果是一个点
叉乘算出来的结果仍是一个向量
傅里叶正变换(一般形式 → \rightarrow →点值表达式)
理论
- Add
F F T FFT FFT就是知道用点值表达式表示函数
FFT 的正变换实现,是基于对多项式进行奇偶项分开递归再合并的分治进行的
对于
n
−
1
n-1
n−1 次多项式,我们选择插入
n
n
n 次单位根求出其点值表达式,
这就跟我们引入单位复根的原因相结合了
设
f
(
x
)
=
a
0
+
a
1
∗
x
1
+
a
2
∗
x
2
+
.
.
.
+
a
n
−
1
∗
x
n
−
1
f(x)=a_0+a_1*x^1+a_2*x^2+...+a_{n-1}*x^{n-1}
f(x)=a0+a1∗x1+a2∗x2+...+an−1∗xn−1,
f
0
(
x
)
=
a
0
+
a
2
∗
x
+
a
4
∗
x
2
+
a
6
∗
x
3
+
.
.
.
f_0(x)=a_0+a_2*x+a_4*x^2+a_6*x^3+...
f0(x)=a0+a2∗x+a4∗x2+a6∗x3+...,
f
1
(
x
)
=
a
1
+
a
3
∗
x
+
a
5
∗
x
2
+
.
.
.
f_1(x)=a_1+a_3*x+a_5*x^2+...
f1(x)=a1+a3∗x+a5∗x2+...
则
f
(
x
)
=
f
0
(
x
2
)
+
x
∗
f
1
(
x
2
)
f(x)=f_0(x^2)+x*f_1(x^2)
f(x)=f0(x2)+x∗f1(x2)
证明的话把这个式子展开就行了,跳过
也就是说我们把 f ( x ) f(x) f(x)分成了两类,奇数项分成一类,偶数项分成一类,去得到上列公式
接着,令
n
=
2
∗
p
n=2*p
n=2∗p,那么就有以下转化
f
(
ω
n
i
)
=
f
0
(
(
ω
n
/
2
i
/
2
)
2
)
+
ω
n
i
∗
f
1
(
(
w
n
/
2
i
/
2
)
2
)
=
f
0
(
ω
p
i
)
+
ω
n
i
∗
f
1
(
ω
p
i
)
f(\omega_n^i)=f_0((\omega_{n/2}^{i/2})^2)+\omega_n^i*f1((w_{n/2}^{i/2})^2)=f_0(\omega_p^i)+\omega_n^i*f_1(\omega_p^i)
f(ωni)=f0((ωn/2i/2)2)+ωni∗f1((wn/2i/2)2)=f0(ωpi)+ωni∗f1(ωpi)
f
(
ω
n
i
+
p
)
=
f
0
(
(
ω
n
/
2
(
i
+
p
)
/
2
)
2
)
+
ω
n
i
+
p
∗
f
1
(
(
w
n
/
2
(
i
+
p
)
/
2
)
2
)
f(\omega_n^{i+p})=f_0((\omega_{n/2}^{(i+p)/2})^2)+\omega_n^{i+p}*f1((w_{n/2}^{(i+p)/2})^2)
f(ωni+p)=f0((ωn/2(i+p)/2)2)+ωni+p∗f1((wn/2(i+p)/2)2)
=
f
0
(
ω
p
i
+
p
)
+
ω
n
i
+
p
∗
f
1
(
ω
p
i
+
p
)
=
f
0
(
ω
p
i
)
−
ω
n
i
∗
f
1
(
ω
p
i
)
=f_0(\omega_p^{i+p})+\omega_n^{i+p}*f_1(\omega_p^{i+p})=f_0(\omega_p^i)-\omega_n^i*f_1(\omega_p^i)
=f0(ωpi+p)+ωni+p∗f1(ωpi+p)=f0(ωpi)−ωni∗f1(ωpi)
由上述式子我们可以知道,如果我们知道
f
0
(
ω
p
i
)
,
f
1
(
ω
p
i
)
f_0(\omega_p^i),f_1(\omega_p^i)
f0(ωpi),f1(ωpi),我们就可以
O
(
1
)
O(1)
O(1)算出
f
(
ω
n
i
)
,
f
(
ω
n
i
+
n
/
2
)
f(\omega_n^i),f(\omega_n^{i+n/2})
f(ωni),f(ωni+n/2)
那么如果我们递归求出了
f
0
(
x
)
,
f
1
(
x
)
f_0(x),f_1(x)
f0(x),f1(x)的
n
/
2
n/2
n/2次的插值,我们就能
O
(
n
)
O(n)
O(n)的算出
f
(
x
)
f(x)
f(x)的
n
n
n次单位根的插值,所以时间复杂度则是
O
(
n
l
o
g
n
)
O(nlogn)
O(nlogn)
一言以蔽之:当 x x x 取遍所有 n n n 次单位复根时, x 2 x^2 x2 取遍所有 ( n / 2 ) (n/2) (n/2) 次单位复根
递归模板
struct complex {//先自己手打STL里面的复数,可以防止某些**卡常
double real, i;
complex () {}
complex ( double xx, double yy ) {
real = xx;
i = yy;
}
}a[MAXN], b[MAXN];
complex operator + ( complex s, complex t ) {
return complex ( s.real + t.real, s.i + t.i );
}
complex operator - ( complex s, complex t ) {
return complex ( s.real - t.real, s.i - t.i );
}
complex operator * ( complex s, complex t ) {
return complex ( s.real * t.real - s.i * t.i, s.real * t.i + s.i * t.real );
}
const double pi = acos ( -1.0 );
void FFT ( int limit, complex *a, int inv ) {
if ( limit == 1 )
return;
complex a1[limit >> 1], a2[limit >> 1];
for ( int i = 0;i < limit;i += 2 ) {
a1[i >> 1] = a[i];
a2[i >> 1] = a[i + 1];
}
FFT ( limit >> 1, a1, inv );
FFT ( limit >> 1, a2, inv );
complex w = complex ( cos ( 2 * pi / limit ), inv * sin ( 2 * pi / limit ) ), p = complex ( 1, 0 );
for ( int i = 0;i < ( limit >> 1 );i ++, p = p * w ) {
a[i] = a1[i] + p * a2[i];
a[i + ( limit >> 1)] = a1[i] - p * a2[i];
}
}
傅里叶逆变换(点值表达式–>一般形式)
其实正变换的实现就是下列的矩阵相乘,反正我是没看出来
[
(
ω
n
0
)
0
(
ω
n
0
)
1
.
.
.
(
ω
n
0
)
n
−
1
(
ω
n
1
)
0
(
ω
n
1
)
1
.
.
.
(
ω
n
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
n
−
1
)
0
(
ω
n
n
−
1
)
1
.
.
.
(
ω
n
n
−
1
)
n
−
1
]
×
[
a
0
a
1
a
2
.
.
.
a
n
−
1
]
=
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
\begin{bmatrix} \ (\omega_n^0)^0 & (\omega_n^0)^1 & ... &(\omega_n^0)^{n-1} \\ \\ (\omega_n^1)^0 & (\omega_n^1)^1 & ... & (\omega_n^1)^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{n-1})^0 & (\omega_n^{n-1})^1 & ... & (\omega_n^{n-1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ a_0 \\ \ a_1\\ \ a_2 \\ \ .\\ \ .\\ \ .\\ \ a_{n-1} \end{bmatrix} = \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix}
⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ (ωn0)0(ωn1)0..(ωnn−1)0(ωn0)1(ωn1)1..(ωnn−1)1...............(ωn0)n−1(ωn1)n−1..(ωnn−1)n−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤×⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ a0 a1 a2 . . . an−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ f(wn0) f(wn1) f(wn2) . . . f(wnn−1)⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
- Add
快速傅里叶逆变化 I F F T IFFT IFFT,将点值表达式转换为系数表达式
一般都是用的系数表达式
矩阵相乘的第i行第j列等于
求和第一个矩阵的第i行的每一个数和第二个矩阵的第j列的每一个数的乘积
我们记
V
V
V就为(系数矩阵)上列的第一个矩阵,接下来再定义一个矩阵
D
D
D,
D
=
[
(
ω
n
−
0
)
0
(
ω
n
−
0
)
1
.
.
.
(
ω
n
−
0
)
n
−
1
(
ω
n
−
1
)
0
(
ω
n
−
1
)
1
.
.
.
(
ω
n
−
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
−
n
+
1
)
0
(
ω
n
−
n
+
1
)
1
.
.
.
(
ω
n
−
n
+
1
)
n
−
1
]
D= \begin{bmatrix} \ (\omega_n^{-0})^0 & (\omega_n^{-0})^1 & ... &(\omega_n^{-0})^{n-1} \\ \\ (\omega_n^{-1})^0 & (\omega_n^{-1})^1 & ... & (\omega_n^{-1})^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{-n+1})^0 & (\omega_n^{-n+1})^1 & ... & (\omega_n^{-n+1})^{n-1} \\ \end{bmatrix}
D=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ (ωn−0)0(ωn−1)0..(ωn−n+1)0(ωn−0)1(ωn−1)1..(ωn−n+1)1...............(ωn−0)n−1(ωn−1)n−1..(ωn−n+1)n−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
那么计算矩阵
D
∗
V
D*V
D∗V的
i
,
j
i,j
i,j项,分为两种情况
①:
i
=
j
i=j
i=j,(任何数除零外的零次方都为1)
(
D
∗
V
)
i
,
j
=
∑
k
=
0
n
−
1
D
i
,
k
∗
V
k
,
j
=
∑
k
=
0
n
−
1
ω
n
−
i
k
∗
ω
n
j
k
=
∑
k
=
0
n
−
1
ω
n
(
j
−
i
)
k
=
∑
k
=
0
n
−
1
ω
n
0
=
n
(D*V)_{i,j}=\sum_{k=0}^{n-1}D_{i,k}*V_{k,j}=\sum_{k=0}^{n-1}\omega_n^{-ik}*\omega_n^{jk}=\sum_{k=0}^{n-1}\omega_n^{(j-i)k}=\sum_{k=0}^{n-1}\omega_n^0=n
(D∗V)i,j=k=0∑n−1Di,k∗Vk,j=k=0∑n−1ωn−ik∗ωnjk=k=0∑n−1ωn(j−i)k=k=0∑n−1ωn0=n
②:
i
≠
j
i\ne j
i=j
(
D
∗
V
)
i
,
j
=
∑
k
=
0
n
−
1
D
i
,
k
∗
V
k
,
j
=
∑
k
=
0
n
−
1
ω
n
−
i
k
∗
ω
n
j
k
=
∑
k
=
0
n
−
1
ω
n
(
j
−
i
)
k
(D*V)_{i,j}=\sum_{k=0}^{n-1}D_{i,k}*V_{k,j}=\sum_{k=0}^{n-1}\omega_n^{-ik}*\omega_n^{jk}=\sum_{k=0}^{n-1}\omega_n^{(j-i)k}
(D∗V)i,j=k=0∑n−1Di,k∗Vk,j=k=0∑n−1ωn−ik∗ωnjk=k=0∑n−1ωn(j−i)k
=
(
ω
n
j
−
i
)
0
+
(
ω
n
j
−
i
)
1
+
(
ω
n
j
−
i
)
2
+
.
.
.
+
(
ω
n
j
−
i
)
n
−
1
=(\omega_n^{j-i})^0+(\omega_n^{j-i})^1+(\omega_n^{j-i})^2+...+(\omega_n^{j-i})^{n-1}
=(ωnj−i)0+(ωnj−i)1+(ωnj−i)2+...+(ωnj−i)n−1
发现这个公式是一个以
ω
n
j
−
1
\omega_n^{j-1}
ωnj−1为公比的等比数列,
那么就可以转换为
(
ω
n
j
−
i
)
0
−
(
ω
n
j
−
i
)
1
∗
(
ω
n
j
−
i
)
n
−
1
1
−
(
ω
n
j
−
i
)
1
=
1
−
(
ω
n
j
−
i
)
n
1
−
ω
n
j
−
i
=
0
1
−
ω
n
j
−
i
=
0
\frac{(\omega_n^{j-i})^0-(\omega_n^{j-i})^1*(\omega_n^{j-i})^{n-1}}{1-(\omega_n^{j-i})^1}=\frac{1-(\omega_n^{j-i})^n}{1-\omega_n^{j-i}}=\frac{0}{1-\omega_n^{j-i}}=0
1−(ωnj−i)1(ωnj−i)0−(ωnj−i)1∗(ωnj−i)n−1=1−ωnj−i1−(ωnj−i)n=1−ωnj−i0=0
单位复根的
n
n
n次方
=
0
=0
=0,见上文单位复根定义
因为此公式的前提是
j
≠
i
j\ne i
j=i,所以分母一定不为
0
0
0
故 j ≠ i j\ne i j=i时, ( D ∗ V ) i , j = 0 (D*V)_{i,j}=0 (D∗V)i,j=0
用
D
∗
V
∗
f
D*V*f
D∗V∗f去转换为点值表达式,去带最上面的这一板块的公式,你会惊讶地发现
[
(
ω
n
−
0
)
0
(
ω
n
−
0
)
1
.
.
.
(
ω
n
−
0
)
n
−
1
(
ω
n
−
1
)
0
(
ω
n
−
1
)
1
.
.
.
(
ω
n
−
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
−
n
+
1
)
0
(
ω
n
−
n
+
1
)
1
.
.
.
(
ω
n
−
n
+
1
)
n
−
1
]
×
[
(
ω
n
0
)
0
(
ω
n
0
)
1
.
.
.
(
ω
n
0
)
n
−
1
(
ω
n
1
)
0
(
ω
n
1
)
1
.
.
.
(
ω
n
1
)
n
−
1
.
.
.
.
.
.
.
.
.
.
.
.
(
ω
n
n
−
1
)
0
(
ω
n
n
−
1
)
1
.
.
.
(
ω
n
n
−
1
)
n
−
1
]
×
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
=
\begin{bmatrix} \ (\omega_n^{-0})^0 & (\omega_n^{-0})^1 & ... &(\omega_n^{-0})^{n-1} \\ \\ (\omega_n^{-1})^0 & (\omega_n^{-1})^1 & ... & (\omega_n^{-1})^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{-n+1})^0 & (\omega_n^{-n+1})^1 & ... & (\omega_n^{-n+1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ (\omega_n^0)^0 & (\omega_n^0)^1 & ... &(\omega_n^0)^{n-1} \\ \\ (\omega_n^1)^0 & (\omega_n^1)^1 & ... & (\omega_n^1)^{n-1} \\ \\.&.&...&. \\.&.&...&. \\ (\omega_n^{n-1})^0 & (\omega_n^{n-1})^1 & ... & (\omega_n^{n-1})^{n-1} \\ \end{bmatrix} \times \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix} =
⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ (ωn−0)0(ωn−1)0..(ωn−n+1)0(ωn−0)1(ωn−1)1..(ωn−n+1)1...............(ωn−0)n−1(ωn−1)n−1..(ωn−n+1)n−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤×⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ (ωn0)0(ωn1)0..(ωnn−1)0(ωn0)1(ωn1)1..(ωnn−1)1...............(ωn0)n−1(ωn1)n−1..(ωnn−1)n−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤×⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ f(wn0) f(wn1) f(wn2) . . . f(wnn−1)⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=
[
n
0
0
.
.
.
0
0
n
0
.
.
.
0
0
0
n
.
.
0
.
.
.
.
.
.
.
.
.
.
.
.
0
0
0
0
.
.
.
n
]
×
[
f
(
w
n
0
)
f
(
w
n
1
)
f
(
w
n
2
)
.
.
.
f
(
w
n
n
−
1
)
]
=
[
n
∗
a
0
n
∗
a
1
n
∗
a
2
.
.
.
n
∗
a
n
−
1
]
\begin{bmatrix} \ n&0&0&...&0 \\ \ 0&n&0&...&0 \\ \ 0 &0&n&..&0\\ \ ...&...&...&... &0\\ \ 0&0&0&...&n \\ \end{bmatrix} \times \begin{bmatrix} \ f(w_n^0) \\ \ f(w_n^1) \\ \ f(w_n^2)\\ \ . \\ \ . \\ \ . \\ \ f(w_n^{n-1}) \\ \end{bmatrix} = \begin{bmatrix} \ n*a_0 \\ \ n*a_1\\ \ n*a_2 \\ \ .\\ \ .\\ \ .\\ \ n*a_{n-1} \end{bmatrix}
⎣⎢⎢⎢⎢⎡ n 0 0 ... 00n0...000n...0..............0000n⎦⎥⎥⎥⎥⎤×⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ f(wn0) f(wn1) f(wn2) . . . f(wnn−1)⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎢⎢⎢⎢⎡ n∗a0 n∗a1 n∗a2 . . . n∗an−1⎦⎥⎥⎥⎥⎥⎥⎥⎥⎤
所以最后对答案全部
/
n
/n
/n就是点值表达式了,这也是为什么我们为这么定义
D
,
V
D,V
D,V了
逆变换就相当于把正变换过程中的 ω n k \omega^k_n ωnk换成 w n − k w^{-k}_n wn−k,之后结果除以n就可以了——摘自某dalao博客
离散傅里叶变换实现
理论
之前的思路全都是递归思想,实现出来后发现吓死个人,所以我们考虑转成迭代
以下的图摘自学长大佬:
学长让我们换成二进制看看:
可以发现终序列是原序列每个元素的翻转。
于是我们可以先把要变换的系数排在相邻位置,从下往上迭代。
在这里给出一个参考的方法:
我们对于每个 i,假设已知 i-1 的翻转为 j。考虑不进行翻转的二进制加法怎么进行:从最低位开始,找到第一个为 0 的二进制位,将它之前的 1 变为 0,将它自己变为 1。因此我们可以从 j 的最高位开始,倒过来进行这个过程
——摘自某dalao的博主
所以我们才会把这个
F
F
T
FFT
FFT跟蝴蝶操作搞在一起,盗一波百度的图片
模板
void FFT ( complex *c, int f ) {
for ( int i = 0;i < len;i ++ )
if ( i < r[i] )
swap ( c[i], c[r[i]] );
for ( int i = 1;i < len;i <<= 1 ) {
complex omega ( cos ( pi / i ), f * sin ( pi / i ) );
for ( int j = 0;j < len;j += ( i << 1 ) ) {
complex w ( 1, 0 );
for ( int k = 0;k < i;k ++, w = w * omega ) {
complex x = c[j + k], y = w * c[j + k + i];
c[j + k] = x + y;
c[i + j + k] = x - y;
}
}
}
}
模板的板题运用
例题:洛谷P3803【模板】多项式乘法(FFT)
递归版CODE
#include <cmath>
#include <cstdio>
using namespace std;
#define MAXN 3000005
struct complex {
double real, i;
complex () {}
complex ( double xx, double yy ) {
real = xx;
i = yy;
}
}a[MAXN], b[MAXN];
complex operator + ( complex s, complex t ) {
return complex ( s.real + t.real, s.i + t.i );
}
complex operator - ( complex s, complex t ) {
return complex ( s.real - t.real, s.i - t.i );
}
complex operator * ( complex s, complex t ) {
return complex ( s.real * t.real - s.i * t.i, s.real * t.i + s.i * t.real );
}
const double pi = acos ( -1.0 );
void FFT ( int limit, complex *a, int inv ) {
if ( limit == 1 )
return;
complex a1[limit >> 1], a2[limit >> 1];
for ( int i = 0;i < limit;i += 2 ) {
a1[i >> 1] = a[i];
a2[i >> 1] = a[i + 1];
}
FFT ( limit >> 1, a1, inv );
FFT ( limit >> 1, a2, inv );
complex w = complex ( cos ( 2 * pi / limit ), inv * sin ( 2 * pi / limit ) ), p = complex ( 1, 0 );
for ( int i = 0;i < ( limit >> 1 );i ++, p = p * w ) {
a[i] = a1[i] + p * a2[i];
a[i + ( limit >> 1)] = a1[i] - p * a2[i];
}
}
int main() {
int n, m;
scanf ( "%d %d", &n, &m );
for ( int i = 0;i <= n;i ++ )
scanf ( "%lf", &a[i].real );
for ( int i = 0;i <= m;i ++ )
scanf ( "%lf", &b[i].real );
int limit = 1;
while ( limit <= n + m )
limit <<= 1;
FFT ( limit, a, 1 );
FFT ( limit, b, 1 );
for ( int i = 0;i <= limit;i ++ )
a[i] = a[i] * b[i];
FFT ( limit, a, -1 );
for ( int i = 0;i <= n + m;i ++ )
printf ( "%d ", ( int ) ( a[i].real / limit + 0.5 ) );
return 0;
}
迭代版CODE
推荐使用递推版,要比递归版快
#include <iostream>
#include <cstdio>
#include <cmath>
using namespace std;
#define maxn 3000005
struct complex {
double x, i;
complex(){}
complex( double X, double I ) {
x = X, i = I;
}
}A[maxn], B[maxn];
int len = 1;
int r[maxn];
double pi = acos( -1.0 );
complex operator + ( complex a, complex b ) {
return complex( a.x + b.x, a.i + b.i );
}
complex operator - ( complex a, complex b ) {
return complex( a.x - b.x, a.i - b.i );
}
complex operator * ( complex a, complex b ) {
return complex( a.x * b.x - a.i * b.i, a.x * b.i + a.i * b.x );
}
void FFT( complex *c, int f ) { //f=1系数转化为点值表达式w^1 f=-1点值转化为系数表达式w^(-1)
/*
蝴蝶发现:终序列是原序列每个元素二进制的翻转
*/
for( int i = 0;i < len;i ++ )
if( i < r[i] ) swap( c[i], c[r[i]] );
for( int i = 1;i < len;i <<= 1 ) { //枚举迭代区间长度的一半
complex omega( cos( pi / i ), f * sin( pi / i ) );//区间长度本来是2i 就是要分成2i份 每一份是2pi/2i=pi/i
for( int j = 0;j < len;j += ( i << 1 ) ) {//枚举每一次迭代区间的开头
complex w( 1, 0 );
for( int k = 0;k < i;k ++, w = w * omega ) {
/*
只枚举迭代区间的左半部分
左半部分和右半部分进行计算
就可以算出上一层 直接覆盖即可
(w^k)^2=[w^(k+n/2)]^2
左半部分是按照偶数分类
右半部分是按照奇数分类
f(x)=x*f1(x^2)+f2(x^2)
f1是奇数分类 f2是偶数分类
*/
complex x = c[j + k], y = w * c[j + k + i];
c[j + k] = x + y;
c[j + k + i] = x - y;
}
}
}
}
int main() {
int n, m;
scanf( "%d %d", &n, &m );
for( int i = 0;i <= n;i ++ )
scanf( "%lf", &A[i].x );
for( int i = 0;i <= m;i ++ )
scanf( "%lf", &B[i].x );
int l = 0;
while( len <= n + m ) {
len <<= 1;
l ++;
}
for( int i = 0;i < len;i ++ )
r[i] = ( r[i >> 1] >> 1 ) | ( ( i & 1 ) << ( l - 1 ) );
/*
在原序列中i与i/2的关系是:i可以看做是i/2的二进制上的每一位左移一位得来
那么在反转后的数组中就需要右移一位
因为i直接左移一位
那么i二进制的右边第一位是没有考虑到的
那么如果那一位是1
反转后就应该是最高位为1
*/
FFT( A, 1 );
FFT( B, 1 );
for( int i = 0;i < len;i ++ )
A[i] = A[i] * B[i];
FFT( A, -1 );
for( int i = 0;i <= n + m;i ++ )
printf( "%d ", int( A[i].x / len + 0.5 ) );
return 0;
}
给个版权吧:以上内容部分学习于
https://www.cnblogs.com/Tiw-Air-OAO/p/10162034.html
学校的lucky学长(没找到blog)
老师专讲
叉姐