多项式乘法问题的快速傅里叶变换算法简述

问题：给定多项式 $A(x)={\Sigma }_{i=0}^n{a}_i{x}^i,B(x)={\Sigma }_{i=0}^m{b}_i{x}^i$ 的系数 $a_{\mathrm{0..}n},b_{\mathrm{0..}m}$，求其多项式乘积 $C(x)=A(x)B(x)={\Sigma }_{i=0}^{m+n}{c}_i{x}^i$ 的各项系数 $c_{\mathrm{0..}n+m}$，以下不妨设 $n>m$。

朴素算法：计算 $c_i={\Sigma }_{j=0}^i{a}_j{b}_{i-j}$，时间复杂度 $O(n^2)$。

多项式乘法的快速傅里叶变换（FFT）算法：
第一步，找到最小的 $N$，满足 $N\ge n+m$ 且 $N$ 为 2 的整数幂，将多项式 $A(x)$ 和 $B(x)$ 高次项系数补 $0$，补至 $x^{N-1}$ 项为止，至此 $A(x)$ 和 $B(x)$ 以及积 $C(x)$ 都有 $N$ 个系数；
第二步，用 FFT 将 $A(x)$ 和 $B(x)$ 由系数表示转为点值表示，即将 $a_0,a_1,..,a_{N-1}$ 转化为 $A({\omega }_N^0),A({\omega }_N^1),..,A({\omega }_N^{N-1})$，其中所取的 $N$ 个样本点是方程 ${\omega }^N=1$ 的 $N$ 个复根，即满足 ${\omega }_N^k=e^{\frac{2\pi ik}{N}}=\cos \frac{2\pi k}{N}+i\sin \frac{2\pi k}{N},i=\sqrt{-1}$，$B(x)$ 也是同理；
第三步，计算 $C({\omega }_N^k)=A({\omega }_N^k)B({\omega }_N^k)$，得出多项式 $C(x)$ 的点值表示；
第四步，用 FFT 将 $C(x)$ 由点值表示转为系数表示，这一步和第二步都可以在 $\Theta (n\log n)$ 的时间复杂度下完成；
第五步，删去系数为 $0$ 的高次项，保留到最高项 $c_{n+m}{x}^{n+m}$。
总时间复杂度 $O(n\log n)$。

FFT 具体细节见下文，参考代码如下，其中 $FFT(a,l)$ 函数将 $a[\mathrm{0..}{2}^l]$ 由参数表示转为点值表示，$FFTN(a,l)$ 函数将 $a[\mathrm{0..}{2}^l]$ 由点值表示转为参数表示。

import math

def BitReverse(p, l):
    q, r = [], [0]
    for i in range(1, 1 << l):
        r.append(r[i >> 1] >> 1 | (i & 1) << l - 1)
    for ri in r:
        q.append(p[ri])
    return q

def IterativeFFT(a, l, g):
    a = BitReverse(a, l)
    for s in range(l):
        m = 2 << s
        wm = complex(math.cos(2 * math.pi / m), g * math.sin(2 * math.pi / m))
        for k in range(0, 1 << l, m):
            w = complex(1)
            for j in range(m >> 1):
                u, t = a[k + j], w * a[k + j + (m >> 1)]
                a[k + j], a[k + j + (m >> 1)] = u + t, u - t
                w *= wm
    return a

def FFT(a, l):
    return IterativeFFT(a, l, 1)

def FFTN(a, l):
    return [ai / (1 << l) for ai in IterativeFFT(a, l, -1)]

由于 FFT 引入复数和浮点运算，使得运算结果和标准答案间存在由小数运算导致的系统误差。考虑到复数域上方程 $z^N=1$ 与模 $p$ 剩余类域上方程 $x^N\equiv 1(modp)$ 的同构性，若 $\exists x_N\in [1,p-1]$ 使得 $x_N^N\equiv 1(modp)$ 且对于 $\forall i,j\in [1,N]$，若 $i\ne j$ 则 $x_N^i\not\equiv x_N^j(modp)$，则 $x_N$ 在模 $p$ 意义下与 FFT 中的 ${\omega }_N$ 作用相同，可以代替以避免引入复数和浮点运算。以上就是数论变换（NTT）的简要概括。

关于复数基础知识的简述

令 $i=\sqrt{-1},\forall x,y\in \mathbb{R}$，有复数 $z=x+iy\in \mathbb{C}$，其中 $x$ 称作 $z$ 的实部，$y$ 称作 $z$ 的虚部。特别的，当 $x=0$，即 $z=iy$ 时，$z$ 可被称作纯虚数。还需了解的，$z=x+iy$ 与 $\bar{z}=x-iy$ 互为共轭复数，满足 $z\bar{z}=(x+iy)(x-iy)=x^2+y^2$（注意，这里两个虚部非零的复数的乘积为一个实数）。定义复数 $z=x+iy$ 的模 $\left|z\right|=\sqrt{x^2+y^2}$，则有公式 $z\bar{z}={\left|z\right|}^2$。

关于复数运算，$\forall z_1,z_2\in \mathbb{C},k\in \mathbb{R}$，其中 $z_1=x_1+i{y}_1,z_2=x_2+i{y}_2$，有
$$\begin{gathered} z_1+z_2=(x_1+i{y}_1)+(x_2+i{y}_2)=(x_1+x_2)+i(y_1+y_2) \\ k{z}_1=k(x_1+i{y}_1)=(k{x}_1)+i(k{y}_1) \end{gathered}$$
特别的，当 $k=-1$ 时，有
$$\begin{gathered} -z_2=-(x_2+i{y}_2)=(-x_2)+i(-y_2)=-x_2-i{y}_2 \\ {z}_1-z_2=(x_1+i{y}_1)-(x_2+i{y}_2)=(x_1-x_2)+i(y_1-y_2) \end{gathered}$$
关于乘除法运算，则利用公式 $i^2=-1$ 和 $z\bar{z}={\left|z\right|}^2$ 化简得
$$\begin{gathered} z_1{z}_2=(x_1+i{y}_1)(x_2+i{y}_2)=x_1{x}_2+i{x}_1{y}_2+i{y}_1{x}_2+i^2{y}_1{y}_2=(x_1{x}_2-y_1{y}_2)+i(x_1{y}_2+y_1{x}_2) \\ \frac{z_1}{z_2}=\frac{x_1+i{y}_1}{x_2+i{y}_2}=\frac{(x_1+i{y}_1)(x_2-i{y}_2)}{(x_2+i{y}_2)(x_2-i{y}_2)}=\frac{(x_1{x}_2+y_1{y}_2)+i(y_1{x}_2-x_1{y}_2)}{x_2^2+y_2^2}=\frac{x_1{x}_2+y_1{y}_2}{x_2^2+y_2^2}+i\frac{y_1{x}_2-x_1{y}_2}{x_2^2+y_2^2} \end{gathered}$$
由此可得出，复数域对于四则运算都是封闭的。

在复数坐标系下，任一复数 $z=x+iy$ 等价于从原点 $(0,0)$ 到点 $(x,y)$ 的向量，复数加减的几何意义即为对应向量加减，满足三角形法则和平行四边形法则。但为了理解复数乘除的几何意义，我们必须引入复数的指数表示。

对于任一复数 $z=x+iy$，都可以转化成其指数表示 $z=\left|z\right|e^{i\theta }=e^{\ln |z|+i\theta }$ （其中 $e$ 为自然对数），其中实数 $\theta$ 满足条件 $\cos \theta =\frac{x}{\sqrt{x^2+y^2}},\sin \theta =\frac{y}{\sqrt{x^2+y^2}}$（注意，$\ln \left|z\right|+i\theta$ 是个复数，即域 $e^{\mathbb{C}}$ 和复数域 $\mathbb{C}$ 是等同的。另外，虽然 $\theta$ 可以取遍实数，但值以 $2\pi$ 为周期）。证明二者的等价性，实际上就是证明欧拉恒等式
$$e^{i\theta }=\cos \theta +i\sin \theta$$

这里给出一种简明的证法。令
$$f(\theta )=e^{-i\theta }(\cos \theta +i\sin \theta )$$
对其求导得
$$\frac{\mathrm{d}}{\mathrm{d}\theta }f(\theta )=e^{-i\theta }\left[-i(\cos \theta +i\sin \theta )+\frac{\mathrm{d}}{\mathrm{d}\theta }(\cos \theta +i\sin \theta )\right]\equiv 0$$
即 $f(\theta )$ 为常值函数，而 $f(0)=1$，则有 $f(\theta )=e^{-i\theta }(\cos \theta +i\sin \theta )\equiv 1$，即有恒等式 $e^{i\theta }=\cos \theta +i\sin \theta$，证毕。

关于 $e^{i\theta }$ 到底如何定义，到目前为止并未给出一个明确答案，上文的证明看起来似乎也只是不严谨地将实数域中 $\frac{\mathrm{d}}{\mathrm{d}x}{e}^{kx}=k{e}^{kx}$ 的结论扩展到了复数域。但事实上，关于 $e^{i\theta }$ 的定义是基于级数的，而其在定义域上的延拓恰好保证了上述证明的严谨性。在实数域中，有级数
$$\begin{gathered} e^{\theta }=1+\theta +\frac{{\theta }^2}{2}+\frac{{\theta }^3}{6}+...=\sum _{k=0}^{\infty }\frac{{\theta }^k}{k!} \\ \cos \theta =1-\frac{{\theta }^2}{2}+\frac{{\theta }^4}{24}-...=\sum _{k=0}^{\infty }\frac{(-1{)}^k{\theta }^{2k}}{(2k)!} \\ \sin \theta =\theta -\frac{{\theta }^3}{6}+\frac{{\theta }^5}{120}-...=\sum _{k=0}^{\infty }\frac{(-1{)}^k{\theta }^{2k+1}}{(2k+1)!} \end{gathered}$$
对于虚数 $i\theta$，类比定义 $e^{i\theta }$ 得
$$e^{i\theta }=1+i\theta +\frac{(i\theta {)}^2}{2}+\frac{(i\theta {)}^3}{6}+...=\sum _{k=0}^{\infty }\frac{(i\theta {)}^k}{k!}$$
由于 $i^{k+4}=i^k,i^3=-i,i^2=-1$，化简上式得
$$e^{i\theta }=1+i\theta -\frac{{\theta }^2}{2}-i\frac{{\theta }^3}{6}+...=\sum _{k=0}^{\infty }(-1{)}^k\left[\frac{{\theta }^{2k}}{(2k)!}+i\frac{{\theta }^{2k+1}}{(2k+1)!}\right]=\cos \theta +i\sin \theta$$
于是，这里用级数再次证明了恒等式。

通过以上证明，得出复数的两种表示是等价的，这样可以用指数表示更容易理解复数乘除的几何意义。在复数坐标系下，任一复数 $z=\left|z\right|e^{i\theta }$ 对应模长为 $\left|z\right|$，方向为与实正半轴成 $\theta$ 角的向量。将上文中的 $z_1,z_2$ 转为指数表示 $z_1=\left|z_1\right|e^{i{\theta }_1},z_2=\left|z_2\right|e^{i{\theta }_2}$，则复数乘除运算
$$\begin{gathered} z_1{z}_2=\left|z_1\right|\left|z_2\right|e^{i({\theta }_1+{\theta }_2)} \\ \frac{z_1}{z_2}=\frac{\left|z_1\right|}{\left|z_2\right|}{e}^{i({\theta }_1-{\theta }_2)} \end{gathered}$$
可见，复数相乘（除），等价于对应向量模长相乘（除），角度相加（减）。

这样，我们解释了上文中方程 ${\omega }^N=1$ 的 $N$ 个复根 ${\omega }_N^k=e^{\frac{2\pi ik}{N}}=\cos \frac{2\pi k}{N}+i\sin \frac{2\pi k}{N}$ 所涉及到的复数基础知识。

关于 FFT 分治策略的简述和复杂度分析

以 $N=8$ 为例，说明 FFT 是怎样利用分治策略将问题规模缩减进行优化的。

令 $A(x)=a_0{x}^0+a_1{x}^1+a_2{x}^2+a_3{x}^3+a_4{x}^4+a_5{x}^5+a_6{x}^6+a_7{x}^7$，于是 FFT 算法求多项式 $A(x)$ 在 ${\omega }_8^0,{\omega }_8^1,{\omega }_8^2,{\omega }_8^3,{\omega }_8^4,{\omega }_8^5,{\omega }_8^6,{\omega }_8^7$ 处的取值。
$$\begin{gathered} A({\omega }_8^0)=a_0({\omega }_8^0{)}^0+a_1({\omega }_8^0{)}^1+a_2({\omega }_8^0{)}^2+a_3({\omega }_8^0{)}^3+a_4({\omega }_8^0{)}^4+a_5({\omega }_8^0{)}^5+a_6({\omega }_8^0{)}^6+a_7({\omega }_8^0{)}^7 \\ A({\omega }_8^1)=a_0({\omega }_8^1{)}^0+a_1({\omega }_8^1{)}^1+a_2({\omega }_8^1{)}^2+a_3({\omega }_8^1{)}^3+a_4({\omega }_8^1{)}^4+a_5({\omega }_8^1{)}^5+a_6({\omega }_8^1{)}^6+a_7({\omega }_8^1{)}^7 \\ A({\omega }_8^2)=a_0({\omega }_8^2{)}^0+a_1({\omega }_8^2{)}^1+a_2({\omega }_8^2{)}^2+a_3({\omega }_8^2{)}^3+a_4({\omega }_8^2{)}^4+a_5({\omega }_8^2{)}^5+a_6({\omega }_8^2{)}^6+a_7({\omega }_8^2{)}^7 \\ A({\omega }_8^3)=a_0({\omega }_8^3{)}^0+a_1({\omega }_8^3{)}^1+a_2({\omega }_8^3{)}^2+a_3({\omega }_8^3{)}^3+a_4({\omega }_8^3{)}^4+a_5({\omega }_8^3{)}^5+a_6({\omega }_8^3{)}^6+a_7({\omega }_8^3{)}^7 \\ A({\omega }_8^4)=a_0({\omega }_8^4{)}^0+a_1({\omega }_8^4{)}^1+a_2({\omega }_8^4{)}^2+a_3({\omega }_8^4{)}^3+a_4({\omega }_8^4{)}^4+a_5({\omega }_8^4{)}^5+a_6({\omega }_8^4{)}^6+a_7({\omega }_8^4{)}^7 \\ A({\omega }_8^5)=a_0({\omega }_8^5{)}^0+a_1({\omega }_8^5{)}^1+a_2({\omega }_8^5{)}^2+a_3({\omega }_8^5{)}^3+a_4({\omega }_8^5{)}^4+a_5({\omega }_8^5{)}^5+a_6({\omega }_8^5{)}^6+a_7({\omega }_8^5{)}^7 \\ A({\omega }_8^6)=a_0({\omega }_8^6{)}^0+a_1({\omega }_8^6{)}^1+a_2({\omega }_8^6{)}^2+a_3({\omega }_8^6{)}^3+a_4({\omega }_8^6{)}^4+a_5({\omega }_8^6{)}^5+a_6({\omega }_8^6{)}^6+a_7({\omega }_8^6{)}^7 \\ A({\omega }_8^7)=a_0({\omega }_8^7{)}^0+a_1({\omega }_8^7{)}^1+a_2({\omega }_8^7{)}^2+a_3({\omega }_8^7{)}^3+a_4({\omega }_8^7{)}^4+a_5({\omega }_8^7{)}^5+a_6({\omega }_8^7{)}^6+a_7({\omega }_8^7{)}^7 \end{gathered}$$

由于 ${\omega }_8^4={\omega }_2^1=-1$，故 ∀ k ∈ { 0 , 1 , 2 , 3 } , ω 8 4 + k = − ω 8 k \forall k \in \{0, 1, 2, 3\}, \omega_8^{4 + k} = -\omega_8^k ∀k∈{0,1,2,3},ω84+k​=−ω8k​，有
$$({\omega }_8^{4+k}{)}^m=\{\begin{array}{rl}({\omega }_8^k{)}^m& m=2t\\ -({\omega }_8^k{)}^m& m=2t+1\end{array}$$

将 ${\omega }_8^4,{\omega }_8^5,{\omega }_8^6,{\omega }_8^7$ 代换成 ${\omega }_8^0,{\omega }_8^1,{\omega }_8^2,{\omega }_8^3$，并分类得
$$\begin{gathered} A({\omega }_8^0)=\left[a_0({\omega }_8^0{)}^0+a_2({\omega }_8^0{)}^2+a_4({\omega }_8^0{)}^4+a_6({\omega }_8^0{)}^6\right]+\left[a_1({\omega }_8^0{)}^1+a_3({\omega }_8^0{)}^3+a_5({\omega }_8^0{)}^5+a_7({\omega }_8^0{)}^7\right] \\ A({\omega }_8^4)=\left[a_0({\omega }_8^0{)}^0+a_2({\omega }_8^0{)}^2+a_4({\omega }_8^0{)}^4+a_6({\omega }_8^0{)}^6\right]-\left[a_1({\omega }_8^0{)}^1+a_3({\omega }_8^0{)}^3+a_5({\omega }_8^0{)}^5+a_7({\omega }_8^0{)}^7\right] \\ A({\omega }_8^1)=\left[a_0({\omega }_8^1{)}^0+a_2({\omega }_8^1{)}^2+a_4({\omega }_8^1{)}^4+a_6({\omega }_8^1{)}^6\right]+\left[a_1({\omega }_8^1{)}^1+a_3({\omega }_8^1{)}^3+a_5({\omega }_8^1{)}^5+a_7({\omega }_8^1{)}^7\right] \\ A({\omega }_8^5)=\left[a_0({\omega }_8^1{)}^0+a_2({\omega }_8^1{)}^2+a_4({\omega }_8^1{)}^4+a_6({\omega }_8^1{)}^6\right]-\left[a_1({\omega }_8^1{)}^1+a_3({\omega }_8^1{)}^3+a_5({\omega }_8^1{)}^5+a_7({\omega }_8^1{)}^7\right] \\ A({\omega }_8^2)=\left[a_0({\omega }_8^2{)}^0+a_2({\omega }_8^2{)}^2+a_4({\omega }_8^2{)}^4+a_6({\omega }_8^2{)}^6\right]+\left[a_1({\omega }_8^2{)}^1+a_3({\omega }_8^2{)}^3+a_5({\omega }_8^2{)}^5+a_7({\omega }_8^2{)}^7\right] \\ A({\omega }_8^6)=\left[a_0({\omega }_8^2{)}^0+a_2({\omega }_8^2{)}^2+a_4({\omega }_8^2{)}^4+a_6({\omega }_8^2{)}^6\right]-\left[a_1({\omega }_8^2{)}^1+a_3({\omega }_8^2{)}^3+a_5({\omega }_8^2{)}^5+a_7({\omega }_8^2{)}^7\right] \\ A({\omega }_8^3)=\left[a_0({\omega }_8^3{)}^0+a_2({\omega }_8^3{)}^2+a_4({\omega }_8^3{)}^4+a_6({\omega }_8^3{)}^6\right]+\left[a_1({\omega }_8^3{)}^1+a_3({\omega }_8^3{)}^3+a_5({\omega }_8^3{)}^5+a_7({\omega }_8^3{)}^7\right] \\ A({\omega }_8^7)=\left[a_0({\omega }_8^3{)}^0+a_2({\omega }_8^3{)}^2+a_4({\omega }_8^3{)}^4+a_6({\omega }_8^3{)}^6\right]-\left[a_1({\omega }_8^3{)}^1+a_3({\omega }_8^3{)}^3+a_5({\omega }_8^3{)}^5+a_7({\omega }_8^3{)}^7\right] \end{gathered}$$

再由公式 $({\omega }_8^k{)}^{2m}=({\omega }_4^k{)}^m$，带入得
$$\begin{gathered} A({\omega }_8^0)=\left[a_0({\omega }_4^0{)}^0+a_2({\omega }_4^0{)}^1+a_4({\omega }_4^0{)}^2+a_6({\omega }_4^0{)}^3\right]+{\omega }_8^0\left[a_1({\omega }_4^0{)}^0+a_3({\omega }_4^0{)}^1+a_5({\omega }_4^0{)}^2+a_7({\omega }_4^0{)}^3\right] \\ A({\omega }_8^4)=\left[a_0({\omega }_4^0{)}^0+a_2({\omega }_4^0{)}^1+a_4({\omega }_4^0{)}^2+a_6({\omega }_4^0{)}^3\right]-{\omega }_8^0\left[a_1({\omega }_4^0{)}^0+a_3({\omega }_4^0{)}^1+a_5({\omega }_4^0{)}^2+a_7({\omega }_4^0{)}^3\right] \\ A({\omega }_8^1)=\left[a_0({\omega }_4^1{)}^0+a_2({\omega }_4^1{)}^1+a_4({\omega }_4^1{)}^2+a_6({\omega }_4^1{)}^3\right]+{\omega }_8^1\left[a_1({\omega }_4^1{)}^0+a_3({\omega }_4^1{)}^1+a_5({\omega }_4^1{)}^2+a_7({\omega }_4^1{)}^3\right] \\ A({\omega }_8^5)=\left[a_0({\omega }_4^1{)}^0+a_2({\omega }_4^1{)}^1+a_4({\omega }_4^1{)}^2+a_6({\omega }_4^1{)}^3\right]-{\omega }_8^1\left[a_1({\omega }_4^1{)}^0+a_3({\omega }_4^1{)}^1+a_5({\omega }_4^1{)}^2+a_7({\omega }_4^1{)}^3\right] \\ A({\omega }_8^2)=\left[a_0({\omega }_4^2{)}^0+a_2({\omega }_4^2{)}^1+a_4({\omega }_4^2{)}^2+a_6({\omega }_4^2{)}^3\right]+{\omega }_8^2\left[a_1({\omega }_4^2{)}^0+a_3({\omega }_4^2{)}^1+a_5({\omega }_4^2{)}^2+a_7({\omega }_4^2{)}^3\right] \\ A({\omega }_8^6)=\left[a_0({\omega }_4^2{)}^0+a_2({\omega }_4^2{)}^1+a_4({\omega }_4^2{)}^2+a_6({\omega }_4^2{)}^3\right]-{\omega }_8^2\left[a_1({\omega }_4^2{)}^0+a_3({\omega }_4^2{)}^1+a_5({\omega }_4^2{)}^2+a_7({\omega }_4^2{)}^3\right] \\ A({\omega }_8^3)=\left[a_0({\omega }_4^3{)}^0+a_2({\omega }_4^3{)}^1+a_4({\omega }_4^3{)}^2+a_6({\omega }_4^3{)}^3\right]+{\omega }_8^3\left[a_1({\omega }_4^3{)}^0+a_3({\omega }_4^3{)}^1+a_5({\omega }_4^3{)}^2+a_7({\omega }_4^3{)}^3\right] \\ A({\omega }_8^7)=\left[a_0({\omega }_4^3{)}^0+a_2({\omega }_4^3{)}^1+a_4({\omega }_4^3{)}^2+a_6({\omega }_4^3{)}^3\right]-{\omega }_8^3\left[a_1({\omega }_4^3{)}^0+a_3({\omega }_4^3{)}^1+a_5({\omega }_4^3{)}^2+a_7({\omega }_4^3{)}^3\right] \end{gathered}$$

设 $A^{[0]}(x)=a_0{x}^0+a_2{x}^1+a_4{x}^2+a_6{x}^3,A^{[1]}(x)=a_1{x}^0+a_3{x}^1+a_5{x}^2+a_7{x}^3$，则有
$$\begin{gathered} A({\omega }_8^0)=A^{[0]}({\omega }_4^0)+{\omega }_8^0{A}^{[1]}({\omega }_4^0) \\ A({\omega }_8^4)=A^{[0]}({\omega }_4^0)-{\omega }_8^0{A}^{[1]}({\omega }_4^0) \\ A({\omega }_8^1)=A^{[0]}({\omega }_4^1)+{\omega }_8^1{A}^{[1]}({\omega }_4^1) \\ A({\omega }_8^5)=A^{[0]}({\omega }_4^1)-{\omega }_8^1{A}^{[1]}({\omega }_4^1) \\ A({\omega }_8^2)=A^{[0]}({\omega }_4^2)+{\omega }_8^2{A}^{[1]}({\omega }_4^2) \\ A({\omega }_8^6)=A^{[0]}({\omega }_4^2)-{\omega }_8^2{A}^{[1]}({\omega }_4^2) \\ A({\omega }_8^3)=A^{[0]}({\omega }_4^3)+{\omega }_8^3{A}^{[1]}({\omega }_4^3) \\ A({\omega }_8^7)=A^{[0]}({\omega }_4^3)-{\omega }_8^3{A}^{[1]}({\omega }_4^3) \end{gathered}$$

经过以上步骤，问题转化成了求多项式 $A^{[0]}(x)$ 在 ${\omega }_4^0,{\omega }_4^1,{\omega }_4^2,{\omega }_4^3$ 处的取值和多项式 $A^{[1]}(x)$ 在 ${\omega }_4^0,{\omega }_4^1,{\omega }_4^2,{\omega }_4^3$ 两个子问题，而子问题和原问题本质上是同一个问题的不同规模情境。对于一个规模为 $N$ 的问题，FFT 算法经过以上一次迭代将其分解为两个规模为 $\frac{N}{2}$ 的问题和 $N$ 次简单加减运算，用时间公式表示为 $T(N)=2T(\frac{N}{2})+N$，解得 $T(N)=\Theta (N\log N)$。

另外需注意，以上分析过程是自顶而下的，但实际 FFT 实现是自底而上的，并且额外空间复杂度为 $O(1)$。具体实现过程见上文代码，此处不再赘述。

关于 NTT 的举例简述

以模数 998244353 为例，简述 NTT 与 FFT 的异同。

998244353 的原根为 3，这意味着 $3^{998244352}\equiv 1(mod998244353)$ 并且在模 998244353 意义下集合 { 3 0 , 3 1 , . . . , 3 998244351 } \{3^0, 3^1, ..., 3^{998244351}\} {30,31,...,3998244351} 中的元素与集合 { 1 , 2 , . . . , 998244352 } \{1, 2, ..., 998244352\} {1,2,...,998244352} 中的元素一一对应（如 $3^0$ 对应 $1$，$3^1$ 对应 $3$，$3^2$ 对应 $9$ 等等），这说明在模 998244353 意义下 3 的作用和 FFT 中的 ${\omega }_{998244352}$ 等价。考虑到 FFT 算法要求 $N$ 必须是 2 的正整数幂，而 $998244352=7\ast 17\ast 2^{23}=119\ast 2^{23}$，所以 NTT 算法在模数 998244353 下处理多项式的次数上限就是 $2^{23}$，这点不同于 FFT 算法，因为 FFT 的理论上限是无限，或者说受限于机器数的精度表示。

具体来说，当处理 $N=2^l$ 规模的数据时（$l\le 23$），NTT 算法使用的单位根为 $x=3^{\frac{998244352}{N}}=3^{119\ast 2^{23-l}}(mod998244353)$，这样可以保证 $x^N\equiv 1(mod998244353)$ 并且 $x^0,x^1,...,x^{N-1}$ 在模 998244353 下各不相等。与之相对的，由于 3 和 332748118 在模 998244353 下互逆，在进行点值转回系数时，使用的单位逆根为 $x^{-1}=332748118^{\frac{998244352}{N}}=332748118^{119\ast 2^{23-l}}(mod998244353)$。