【FFT快速傅里叶变换】讲解

参考来源：
十分简明易懂的FFT（快速傅里叶变换）
小学生都能看懂的FFT！！！

一、FFT的介绍

1. FFT是什么
   快速傅里叶变换（FFT）是一种能在 $O(n\log n)$ 的时间内将一个多项式转换成它的点值表示的算法。

2. FFT的作用
   快速计算多项式乘法（即卷积）
   （还可以用到字符串的模糊匹配）

   前置知识

3. 多项式的表示
   
   点值表示法：

• 实际上就是把多项式看成一个函数，放到直角坐标系里。
• 这条曲线上就有无数个点，取n个不同的x带入，会得到n个不同的y，他们在坐标系中，就是n个不同的在这条曲线上的点。
• 也就是说，这n个点唯一确定这个多项式。 （为什么唯一确定呢？）
• 因为：把这n个x，y带入多项式，得到n个式子，把这n个式子联立起来，得到一个有n条方程的n元方程组，就可以求得每一项的系数（高斯消元法）。这样就唯一确定了一个多项式。

4. 多项式乘法

• 系数表示的多项式乘法【$O(n2)$】：枚举A(x)中的每一项，分别与B(x)中的每一项相乘，求得新的多项式C(x)。

• 点值表示的多项式乘法【$O(n)$】：$C(xi)=A(xi)\times B(xi)$。

• 那么我们要计算多项式的乘法，就可以先将系数表示转换为点值表示，相乘以后，再将点值表示转换为系数表示即可。——这个转换过程就用到了FFT。

• 朴素：系数转点值的算法叫DFT（离散傅里叶变换）

• 朴素：点值转系数叫IDFT（离散傅里叶逆变换）

二、DFT（离散傅里叶变换：系数表示 —> 点值表示）

1. 复数知识回顾

• 复数可以看做复平面直角坐标系上的一个点（也可以是向量）。
  x轴就是实数集的坐标轴，y轴就是虚数单位i轴
• 复数z的模定义为它到原点的距离，记为 $\mid z\mid =\sqrt{(a^2+b^2)}$
• 复数z=a+bi的共轭复数为$a-bi$（虚部取反）
• 复数运算
  $$z1+z2=(a+c)+(b+d)i$$
  $$z1z2=(ac-bd)+(ad+bc)i$$
  $$(a1,\theta 1)\ast (a2,\theta 2)=(a1a2,\theta 1+\theta 2)——模长相乘，极角相加$$

2. 离散傅里叶变换的思考

• 从这里开始所有的n都默认为2的整数次幂（虽然我不知道有什么用，但是大家都这样写了emmm，好像是为了保证每次分治时，不会出现奇数的长度）。
• 由上面的知识可知，系数表示 —> 点值表示，只需要带入n个x，求得n个点，就可以得到点值表示了。但是这n个点不是随意带入的，因为暴力计算 $x_k^0，...，x_k^{n-1}$ 也很费时间。
• 如果我们带入的这个x，能够使得 $x^k=\pm 1，\forall k$ ，那么我们就不用计算$x_k^{n-1}$了。
• 显然，复平面直角坐标系的单位圆上的每一个点都可以做到。

3. 单位根

• 如果将单位圆等分为8等分，则橙色点即为n=8时要取的点，从(1,0)点开始，逆时针从0号开始标号，标到7号。
  （这个图是我偷的 ）

• 记编号为k的点代表的复数值为${\omega }_n^k$​，那么由模长相乘，极角相加可知$({\omega }_n^1{)}^k={\omega }_n^k$

• 其中${\omega }_n^1$称为n次单位根，而且每一个ω都可以求出为
  ${\omega }_n^k=\cos \frac{k}{n}2\pi +i\sin \frac{k}{n}2\pi$

• 那么${\omega }_n^0,{\omega }_n^1,...,{\omega }_n^{n-1}$即为我们要代入的$x^0,x^1,...,x^{n-1}$。

• 单位根的性质

  1、${\omega }_n^k={\omega }_{2n}^{2k}$

  它们表示的点（或向量）表示的复数是相同的。

  2、 ${\omega }_n^{k+\frac{n}{2}}=-{\omega }_n^k$

  它们表示的点关于原点对称，所表示的复数实部相反，所表示的向量等大反向。

  3、${\omega }_n^0={\omega }_n^n$

证明：把系数带到三角函数表达式中即可证明。

三、FFT（快速傅里叶变换：系数表示 —> 点值表示）

DFT 分治 --> FFT

那么如果可以求出$A1({\omega }_n^k)$和$A2({\omega }_n^k)$的值，我们就可以求出$A({\omega }_n^k)$和$A({\omega }_n^{k+\frac{n}{2}})$的值（$k<\frac{n}{2}$），也就是知道$A({\omega }_n^i)$（$0<=i<n$）的值了。

• 分治边界是n=1，直接return。

• 分治的复杂度：
  $T(n)=2T(\frac{n}{2})+O(n)=O(n\log n)$

四、IFFT（快速傅里叶逆变换：点值表示 —> 系数表示）

• 结论： 一个多项式在分治的过程中乘上单位根的共轭复数，分治完的每一项除以n即为原多项式的每一项系数。
• 也就是说 FFT 和 IFFT 可以用几乎同样的方式一起求，只不过IFFT带入前，需要求一次倒数（即共轭复数），最后的系数还需要除以n，其他的求法都一样。

五、代码实现（主要看思路）

以下板子都是我抄的，没有测试过，看个思路就可以了。

1、递归版

#include<complex>
#define cp complex<double>

cp omega(int n, int k)
{
    return cp(cos(2 * PI * k / n), sin(2 * PI * k / n));
}

void fft(cp  *a, int n, bool inv)
{
    if(n == 1)
        return;
    static cp buf[N];
    int m = n / 2;//mid
    for(int i = 0; i < m; i++)  //将每一项按照奇偶分为两组
    {
        buf[i] = a[2 * i];
        buf[i + m] = a[2 * i + 1];
    }
    for(int i = 0; i < n; i++)
        a[i] = buf[i];
    fft(a, m, inv); //递归处理两个子问题
    fft(a + m, m, inv);
    for(int i = 0; i < m; i++)  //枚举x，计算A(x)
    {
        cp x = omega(n, i);
        if(inv)
            x = conj(x);
        //conj是一个自带的求共轭复数的函数，精度较高。当复数模为1时，共轭复数等于倒数
        buf[i] = a[i] + x * a[i + m]; //根据之前推出的结论计算
        buf[i + m] = a[i] - x * a[i + m];
    }
    for(int i = 0; i < n; i++)
    {
        a[i] = buf[i];
        if(inv)
            a[i] = (int)(a[i]/n + 0.5);//注意精度
    }
}


//求a,b相乘
cp a[MAXN],b[MAXN];
int c[MAXN];
fft(a, n, 0), fft(b, n, 0);//0系数转点值
for(int i = 0; i < n; i++)
    a[i] *= b[i];
fft(a, n, 1);//1点值转系数
for(int i = 0; i < n; i++)
    c[i] = a[i];

2、非递归版（较快）

• 可以发现每个位置分治后的最终位置为其二进制翻转后得到的位置。
• 那么如何快速求一个数的二进制翻转呢？
• 我们 可以用递归的思路来考虑。
• 我们可以把一个二进制数看成两部分，它的前bit-1位是一部分，它的最后一位是一部分。一个数的二进制翻转就相当于是把它的最后一位当成首位，然后在后面接上它前bit-1为的二进制翻转。
• 而且在这个循环中我们能保证，在计算“i”的二进制翻转之前1~i-1中的所有数的二进制翻转都已经完成。“i”的前bit-1位的数值其实就是i>>1的值，直接调用i>>1的二进制翻转的结果就相当于调用了“i”的前bit-1位二进制翻转的结果。
• 但是i>>1的翻转与“i”的前bit-1位的翻转是区别的！因为我们的二进制翻转始终以bit位为标准，所以i>>1会比“i”的前bit-1位多出一个前导零，而翻转之后就会多出一个“后缀零”，所以“i”的前bit-1位的翻转要去掉那个“后缀零”，也就是“rev[i>>1]>>1”。
  
• 因此，我们只要把末尾左移$(bit-1)$位变成首位，再或上面得到的前$bit-1$位翻转并处理的结果：$rev[i>>1]>>1$就是我们要的答案了。

思路来源：补充——FFT中的二进制翻转问题

int bit = 0;
while((1 << bit) < n)
    bit++;
for(int i = 0; i < n; i++)
{
    rev[i] = (rev[i>>1]>>1) | ((i&1)<<(bit-1));
    if(i < rev[i])
        swap(a[i], a[ rev[i] ]); // i < t 的限制使得每对点只被交换一次（否则交换两次相当于没交换）
}

• 先把每个数放到最后的位置上，然后不断向上还原，同时求出点值表示。
• 可以预处理${\omega }_n^k$和${\omega }_n^{-k}$，分别存在omg和inv数组中。调用fft时，如果无需取倒数，则传入omg；如果需要取倒数，则传入inv。

cp a[N], b[N], omg[N], inv[N];

void init()
{
    for(int i = 0; i < n; i++)
    {
        omg[i] = cp(cos(2 * PI * i / n), sin(2 * PI * i / n));
        inv[i] = conj(omg[i]);
    }
}
void fft(cp *a, cp *omg)
{
    int lim = 0;
    while((1 << lim) < n)
        lim++;
    for(int i = 0; i < n; i++)
    {
        int t = 0;
        for(int j = 0; j < lim; j++)
            if((i >> j) & 1)
                t |= (1 << (lim - j - 1));
        if(i < t)
            swap(a[i], a[t]); // i < t 的限制使得每对点只被交换一次（否则交换两次相当于没交换）
    }
    static cp buf[N];
    for(int l = 2; l <= n; l *= 2)
    {
        int m = l / 2;
        for(int j = 0; j < n; j += l)
            for(int i = 0; i < m; i++)
            {
                buf[j + i] = a[j + i] + omg[n / l * i] * a[j + i + m];
                buf[j + i + m] = a[j + i] - omg[n / l * i] * a[j + i + m];
            }
        for(int j = 0; j < n; j++)
            a[j] = buf[j];
    }
}

3、蝴蝶操作

• “蝴蝶操作”的目的是：丢掉buf数组。

• buf的使用：
  $$a[j+i]=a[j+i]+omg[n/l\ast i]\ast a[j+i+m]$$
  $$a[j+i+m]=a[j+i]-omg[n/l\ast i]\ast a[j+i+m]$$

  要求这两行不能互相影响，所以我们需要buf数组。

• 原地进行：
  $$cpt=omg[n/l\ast i]\ast a[j+i+m]$$
  $$a[j+i+m]=a[j+i]-t$$
  $$a[j+i]=a[j+i]+t$$

cp a[N], b[N], omg[N], inv[N];

void init(){
    for(int i = 0; i < n; i++){
        omg[i] = cp(cos(2 * PI * i / n), sin(2 * PI * i / n));
        inv[i] = conj(omg[i]);
    }
}
void fft(cp *a, cp *omg){
    int lim = 0;
    while((1 << lim) < n) lim++;
    for(int i = 0; i < n; i++){
        int t = 0;
        for(int j = 0; j < lim; j++)
            if((i >> j) & 1) t |= (1 << (lim - j - 1));
        if(i < t) swap(a[i], a[t]); // i < t 的限制使得每对点只被交换一次（否则交换两次相当于没交换）
    }
    for(int l = 2; l <= n; l *= 2){
    int m = l / 2;
    for(cp *p = a; p != a + n; p += l)
        for(int i = 0; i < m; i++){
            cp t = omg[n / l * i] * p[i + m];
            p[i + m] = p[i] - t;
            p[i] += t;
        }
    }
}

高精度使用

#include <cstdio>
#include <cmath>
#include <cstring>
#include <algorithm>
#include <complex>
#define space putchar(' ')
#define enter putchar('\n')
using namespace std;
typedef long long ll;
template <class T>
void read(T &x)
{
    char c;
    bool op = 0;
    while(c = getchar(), c < '0' || c > '9')
        if(c == '-')
            op = 1;
    x = c - '0';
    while(c = getchar(), c >= '0' && c <= '9')
        x = x * 10 + c - '0';
    if(op)
        x = -x;
}
template <class T>
void write(T x)
{
    if(x < 0)
        putchar('-'), x = -x;
    if(x >= 10)
        write(x / 10);
    putchar('0' + x % 10);
}
const int N = 1000005;
const double PI = acos(-1);
typedef complex <double> cp;
char sa[N], sb[N];
int n = 1, lena, lenb, res[N];
cp a[N], b[N], omg[N], inv[N];
void init()
{
    for(int i = 0; i < n; i++)
    {
        omg[i] = cp(cos(2 * PI * i / n), sin(2 * PI * i / n));
        inv[i] = conj(omg[i]);
    }
}
void fft(cp *a, cp *omg)
{
    int lim = 0;
    while((1 << lim) < n)
        lim++;
    for(int i = 0; i < n; i++)
    {
        int t = 0;
        for(int j = 0; j < lim; j++)
            if((i >> j) & 1)
                t |= (1 << (lim - j - 1));
        if(i < t)
            swap(a[i], a[t]); // i < t 的限制使得每对点只被交换一次（否则交换两次相当于没交换）
    }
    for(int l = 2; l <= n; l *= 2)
    {
        int m = l / 2;
        for(cp *p = a; p != a + n; p += l)
            for(int i = 0; i < m; i++)
            {
                cp t = omg[n / l * i] * p[i + m];
                p[i + m] = p[i] - t;
                p[i] += t;
            }
    }
}
int main()
{
    scanf("%s%s", sa, sb);
    lena = strlen(sa), lenb = strlen(sb);
    while(n < lena + lenb)
        n *= 2;
    for(int i = 0; i < lena; i++)
        a[i].real(sa[lena - 1 - i] - '0');
    for(int i = 0; i < lenb; i++)
        b[i].real(sb[lenb - 1 - i] - '0');
    init();
    fft(a, omg);
    fft(b, omg);
    for(int i = 0; i < n; i++)
        a[i] *= b[i];
    fft(a, inv);
    for(int i = 0; i < n; i++)
    {
        res[i] += floor(a[i].real() / n + 0.5);
        res[i + 1] += res[i] / 10;
        res[i] %= 10;
    }
    for(int i = res[lena + lenb - 1] ? lena + lenb - 1: lena + lenb - 2; i >= 0; i--)
        putchar('0' + res[i]);
    enter;
    return 0;
}

六、模板

例题：A * B Problem Plus HDU - 1402 （大数高精度乘法）

Calculate A * B.

Input

Each line will contain two integers A and B. Process to end of file.

Note: the length of each integer will not exceed 50000.

Output

For each case, output A * B in one line.

Sample Input
1
2
1000
2

Sample Output
2
2000

AC代码：

#include <cmath>
#include <cstdio>
#include <cstdlib>
#include <cstring>
#include <iostream>
#include <algorithm>
#include <cmath>
#define maxn (1<<16)
#define pi acos(-1)

using namespace std;

struct Complex
{
    double re, im;
    Complex(double r = 0.0, double i = 0.0)
    {
        re = r, im = i;
    }
    void print()
    {
        printf("%lf %lf\n", re, im);
    }
};

Complex operator +(const Complex&A, const Complex&B)
{
    return Complex(A.re + B.re, A.im + B.im);
}
Complex operator -(const Complex&A, const Complex&B)
{
    return Complex(A.re - B.re, A.im - B.im);
}
Complex operator *(const Complex&A, const Complex&B)
{
    return Complex(A.re * B.re - A.im * B.im, A.re * B.im + A.im * B.re);
}

//以每一位为系数, 那么多项式长度不超过50000
//对应的乘积的长度不会超过100000, 也就是不超过(1 << 17) = 131072
Complex a[maxn * 2], b[maxn * 2], inv[2][maxn * 2];
int N, na, nb, rev[maxn * 2], ans[maxn * 2];
string s1, s2;

void FFT(Complex *a, int f)//f表示DFT（0）还是IDFT（1）
{
    Complex x, y;
    for(int i = 0; i < N; i++)
        if(i < rev[i]) //不加这条if会交换两次（就是没交换）
            swap(a[i], a[rev[i]]);
    for(int i = 1; i < N; i <<= 1) //i是准备合并序列的长度的二分之一
        for(int j = 0, t = N / (i << 1); j < N; j += i << 1) //i*2是准备合并序列的长度，j是合并到了哪一位(第某段的开头的坐标),t表示每一份单位根占单位圆的多少
            for(int k = 0, l = 0; k < i; k++, l += t) //k是第某段内的第i位(只扫描前一半，后面一半可以同时求)
            {
                x = inv[f][l] * a[j + k + i]; //inv[f][l]表示第L份单位根
                y = a[j + k];
                a[j + k] = y + x;
                a[j + k + i] = y - x;
            }
    if(f)
        for(int i = 0; i < N; i++)
            a[i].re /= N;
}

void Init()
{
    int bit = 0;
    while((1 << bit) < N)
        bit++;
    for(int i = 0; i < N; i++)//预处理逆反位置
    {
        rev[i] = (rev[i >> 1] >> 1) | ((i & 1) << (bit - 1));
    }

    for(int i = 0; i < N; i++)//预处理单位根
        inv[0][i] = inv[1][i] = Complex(cos(2 * pi * i / N), sin(2 * pi * i / N)), inv[1][i].im = -inv[0][i].im;
}

void pre()
{
    na = s1.length();
    nb = s2.length();

    for(N = 1; N < na || N < nb; N <<= 1);
    N <<= 1;

    for(int i = 0; i < N; i++)//多组输入记得清空数组
    {
        if(i < na)
            a[i].re = s1[na - 1 - i] - '0', a[i].im = 0;
        else
            a[i].re = a[i].im = 0;
        if(i < nb)
            b[i].re = s2[nb - 1 - i] - '0', b[i].im = 0;
        else
            b[i].re = b[i].im = 0;
        ans[i] = 0;
    }
}

void work()
{
    Init();
    FFT(a, 0), FFT(b, 0);
    for(int i = 0; i < N; i++)
        a[i] = a[i] * b[i];
    FFT(a, 1);

    for(int i = 0; i < N; i++)//进位处理
    {
        ans[i] += (int)(a[i].re + 0.5);
        ans[i + 1] += ans[i] / 10;
        ans[i] %= 10;
    }

    int flag = 0;
    for(int i = N - 1; i >= 0; i--)//输出处理
    {
        if(ans[i])
        {
            printf("%d", ans[i]);
            flag = 1;
        }
        else if(flag || i == 0)//如果不是前导0 或者 （全部都是0,那么flag = 0,到最后一位时,0不能忽略,必须输出一个0）
            printf("0");
    }
    printf("\n");
}

int main()
{
    while(cin >> s1 >> s2)
    {
        pre();
        work();
    }
    return 0;
}

七、应用-- 字符串模糊匹配

1. 题意：模板串P和文本串T都带有?号，可以匹配任意一个字符，求P在T中所有的出现位置。

2. 定义：文本偏移量 $f(A,B)=sigma(|A[i]-B[i]|)$
   由于绝对值不好求，故转化为 平方
   $$f(A,B)=sigma（(|A[i]-B[i]|{)}^2）=sigmaA[i{]}^2+sigmaB[i{]}^2-2\ast sigmaA[i]\ast B[i]$$

3. 由于在多项式乘法中， $C_k(满足i+j=k)$

   • 故对于字符串$A[0...(N-1)]$、$B[0...(N-1)]$，我们需要将其中一个逆反，才能满足上面的算式。
   • 即 $b[0...(N-1)]$ 其中$b[i]=[N-i-1]$（b是B的逆反串）
   • $A[i]$与$B[i]$比较，相当于$A[i]$与$b[N-i-1]$比较，而$i+(N-i-1)\equiv N-1$
   • 因此，我们可以构造两个多项式，A，b的第i位上的字符为$x^i$的系数，求$f(A,b)$，看第N位上的系数是否为0，即可判断是否匹配。
   • 以上是没有通配符?的情况，显然这个复杂度O(nlogn)比kmp的O(n)要大，不划算。

4. 若有通配符？，我们只需要改变一下函数$f(A,B)$即可。

   • 令？ = 0，其他符号映射非零数值
   • 那么只要有？不管另一个是什么，都能够匹配，即$f()$均等于0.
   • 即$f(A,B)=sigma((A[i]-B[i]{)}^2\ast A[i]\ast B[i])$

5. 若要计算 A字符串（N）、B字符串（M），在B中有多少个$B[i,i+N)$区间，能够满足有$[N\ast 0.75]$的字符与A匹配（不要求连续），即有75%的字符与B子区间对应相同。

• 假设字符集$|S|$中为a~b
• 若$A[i]==a$，则令$a[i]=1$，否则$a[i]=0$，$i\in 1...n$
• 若$B[i]==a$，则令$b[i]=1$，否则$b[i]=0$，$i\in 1...n$
• 然后构造$f(A,B)=sigma(a[i]\ast b[i])$
• 直接可求$a[i]=a[i]\ast b[i]$
• 然后统计 $cnt[‘a’]+=a[i]$，cnt[a]即表示字符a一致的位置有多少个。
• 我们可以按照以上方法，对字符集中的每一个字符进行一遍计算，再对cnt[ ]求和，就可以得到最后匹配位置的总和。