一份非常详尽的FFT教学向博客_fft运算加法封闭吗-CSDN博客

本文链接：https://blog.csdn.net/Force_CHL/article/details/81637974

作为一个蒟蒻，在发现自己的 $FFT$ 理解貌似有很多坑之后，我决定重写一篇 非常非常非常 详尽的 $FFT$ 博客
这篇博客从 $0$ 喀什讲解，面向和我一样的 $ruo$ ，所以， $Dalao$ 退散
QwQ

在此特感谢function2 深入浅出的讲解，本文出自其讲义

多项式的数域

对于数域 $F$ ,若 $a_0 , a_1 , a_2 , \cdots , a_n \in F$

$f(x)=\sum_{i=0}^{n}a_ix_i$

为数域 $F$ 上的一个多项式

其数域 $F$ 上的所有多项式记作 $F[x]$

同样的

$Q[x]$ 为有理数域的所有多项式

$R[x]$ 为实数域的所有多项式

$C[x]$ 为复数域的所有多项式

多项式的度数

多项式最高非零项的次数成为多项式的度数,用 $deg$ 表示

$f(x) = \sum_{i = 0}^{n} a_i x^i$

其中 $a_i\neq 0$

记作 $degf(x)=n$

首一多项式(略)

加法与数乘运算(略)

多项式的线性空间

线性空间,即向量空间

满足线性性,封闭性

线性性: 量与量之间按比例呈线性的关系

封闭性: 其两个集合内元素进行二元运算结果必然在集合内

显然多项式加法,数乘运算满足线性性

记 $F_n[x]$ 表示数域 $F$ 上度数不超过 $n$ 的全体多项式的集合,显然它们构成一个线性空间

多项式与向量满足一一对应的双射关系

$f(x)=\sum_{i = 0} ^ {n}a_ix^i \Leftrightarrow \vec{a}=(a_0 , a_1 , \cdots , a_n)$

多项式的系数表达

用一个 $n+1$ 维的向量来表示 $F_n[x]$ 中的全体多项式

多项式乘法

$f(x)=\sum_{i=0}^{n}a_ix_i$

$g(x)=\sum_{i=0}^{n}b_ix_i$

$h(x) = f(x)*g(x)=\sum_{i=0}^{2*n}\sum_{j=0}^{i}a_jb_{i-j}x^i$

向量的卷积

多项式乘法中将多项式用向量表示其系数关系就是向量的卷积

$f(x)=\vec{a}$

$g(x)=\vec{b}$

$h(x)=\vec{c}=\vec{a}\otimes\vec{b}$

$c_i=\sum_{j=0}^{i}a_j*b_{i-j}$

多项式的幂

$f^{k}(x)=\prod_{i=1}^{k}f(x)$

多项式的复合

$(f \circ g)(x)=f(g(x))=\sum_{i=0}^{n}a_ig^{i}(x)$

多项式的分治乘法

设 $n$ 为 $2$ 的自然数次幂,即 $\exists k\in N,n=2^k$

设 $f,g\in F_{2n-1}[x]$ (一共有2n项)

将其分为两半

$f(x)=f_0(x)+x^nf_1(x)$

$g(x)=g_0(x)+x^ng_1(x)$

显然的, $f_0,f_1,g_0,g_1\in F_{n-1}[x]$

$(f \times g)(x) = (f_0 \times g_0)(x) +x_n(f_0 \times g_1 +f_1 \times g_0)(x) + x_{2n}(f_1 \times g_1)(x)$

观察中间项, $(f_0 \times g_1 +f_1 \times g_0)(x)=((f_0+f_1)\times(g_0 + g_1) - f_0 * g_0 - f_1 * g_1)(x)$

那么我们就只需要处理 $(f_0 \times g_0)(x) , (f_1 \times g_1)(x) , ((f_0 +f_1) \times (g_0 + g_1))(x)$ ,规模均为原问题的一半

所以 $T(n)=3T(\frac{n}{2})+O(n)=O(n^{log_23})\approx O(n^{1.585})$

多项式的点值表达

$degf(x) = n$

$x_0 , x_1 , x_2 , \cdots , x_n \in F$

$y_0 = f(x_0) , y_1 = f(x_1) , y_2 = f(x_2) , \cdots , y_n = f(x_n)$
则

$(x_0 , y_0) , (x_1 , y_1) , (x_2 , y_2) , \cdots ,(x_n , y_n)$ 为多项式

$f(x)$ 的点值表达

点值表达与系数表达满足双射关系

有范德蒙德矩阵 $V$

$\begin{pmatrix} 1 & x_0 & x_0^2 & \cdots & x_0^n\\ 1 & x_1 & x_1^2 & \cdots & x_1^n\\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & x_n & x_n^2 & \cdots & x_n^n\\ \end{pmatrix} \begin{pmatrix} a_0\\ a_1\\ \vdots\\ a_n \end{pmatrix} = \begin{pmatrix} y_0\\ y_1\\ \vdots\\ y_n \end{pmatrix}$

范德蒙德矩阵的行列式为 $\prod_{j < i} (x_i - x_j)$

由于 $x_i \neq x_j$ ,所以行列式值非零,有唯一解

在 $x$ 确定时, $a,y$ 有一一对应的双射关系

多项式的点值乘法(略)

多项式的插值

给出多项式的点值表达,求多项式的系数表达

高斯消元 $O(n^3)$
拉格朗日插值法 $O(n^2)$

高斯消元(略)

拉格朗日插值法

$L(x)=\sum_{i=0}^{n}\frac{\prod_{j \neq i}x - x_j}{\prod_{j \neq i}x_i - x_j}y_i$
不难发现

$L(x_i) = y_i$

所以 $L,f$ 有相同的系数表达

自然数幂级数和

自然数幂级数和记作 $S$

$S(n,k)=\sum_{i = 0} ^ {n}i^k$

$S(n,0) = n + 1$
//在这里我们将

$0^0$ 看为

$1$

$S(n,1) = \frac{n(n+1)}{2}$

$S(n,2) = \frac{n(n+1)(2n+1)}{6}$

合理推测

$S(n,k)$ 为 $n$ 的 $k+1$ 次多项式

为了计算 $S(n,k)$

选择 $x_i=i(i = 0,\cdots , k),y_i = S(x_i , k)$

插值求解即可

证明

$(n+1)^{k+1} - n^{k+1} = \sum_{i=0}^{k} \begin{pmatrix} k+1\\ i \end{pmatrix} n^i$

$n^{k+1} - (n - 1) ^ {k+1} = \sum_{i=0}^{k} \begin{pmatrix} k+1\\ i \end{pmatrix} (n - 1)^i$

$\vdots$

$1^{k+1}-0^{k+1}=\sum_{i=0}^{k} \begin{pmatrix} k+1\\ i \end{pmatrix} 0^i$

累加得

$(n+1)^{k+1}=\sum_{i=0}^{k} \begin{pmatrix} k+1\\ i \end{pmatrix} S(n,i)$
显然可得

$S(n,k)$ 的度数

欧拉公式

$e^{i\theta}=cos(\theta)+isin(\theta)$
几何意义上是单位圆上角度为

$\theta$ 的点

单位复数根

考虑构造一个 $x$ ，使得 $x^n=1$

由欧拉公式可得 $e^{2k\pi i}=1$

则 $x^n = e^{2k\pi i} , x = e^{\frac{2k\pi i}{n}}$

当 $k = 1$ 时，令 $\omega_n=e^{\frac{2\pi i}{n}}$ ，称为主 $n$ 次单位根

$w_n^k = e^{\frac{2k\pi i}{n}} = cos(\frac{2k\pi}{n}) + isin(\frac{2k\pi}{n})$

由三角函数的周期性 $T=2\pi$ ，不难得到 $w_n^k$ 的周期性

$w_n^k = w_n^{k\mod n}$

$w_n^n = w_n^0 = 1$

当 $k=0,1,2,\cdots,n-1$ 时，得到 $w_n^0,w_n^1,w_n^2,\cdots,w_n^{n-1}$ ，称为 $n$ 次单位复数根

单位复数根的性质

消去引理：对于常数 $d>0$ ，有 $w_{dn}^{dk} = w_n^k$
折半引理：若 $n$ 为偶数，则 $n$ 次单位复数根的平方的集合就是 $\frac{n}{2}$ 次单位复数根的集合。特别的，每个 $\frac{n}{2}$ 次单位复数根出现两次
求和引理：

$\sum_{i=0}^{n-1}(w_n^k)^i= \begin{cases} n &n\mid k\\ 0 &n\nmid k \end{cases}$

离散傅里叶变换(DFT)

多项式的系数表达式 $f=(a_0,a_1,a_2,\cdots,a_{n-1})$ ，求出在 $x_0 = w_n^0 , x_1 = w_n^1 , x_2 = w_n^2 , \cdots , x_{n-1} = w_n^{n-1}$ 初的点值

$y_k = f(x_k) = f(w_n^k)$

输出向量 $y=(y_0 , y_1 , y_2 , \cdots , y_{n-1})$

代入范德蒙德矩阵得：

$\begin{pmatrix} 1 & w_n^{0} & {w_n^{0}}^2 & \cdots & {w_n^{0}}^{n-1}\\ 1 & w_n^{1} & {w_n^{1}}^2 & \cdots & {w_n^{1}}^{n-1}\\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & w_n^{(n-1)} & {w_n^{(n-1)}}^2 & \cdots & {w_n^{(n-1)}}^{n-1}\\ \end{pmatrix} \begin{pmatrix} a_0\\ a_1\\ \vdots\\ a_{n-1} \end{pmatrix} = \begin{pmatrix} y_0\\ y_1\\ \vdots\\ y_{n-1} \end{pmatrix}$
此过程称为长度为

$n$ 的离散傅里叶变换，记作

$y = DFT_n(f)$

注意： 多项式的系数表达式的度数为 $n-1$ ，而单位根为 $n$ 次单位复数根

快速傅里叶变换(FFT)

$f = (a_0 , a_1 , a_ 2 , \cdots , a_{n-1})$

将奇数项，偶数项分别提出，得到构造出两个度为 $\frac{n}{2}$ 的系数表示（假设 $n$ 为偶数）

$f_0 = (a_0 , a_2 , a_4 , \cdots , a_{n-2})$

$f_1 = (a_1 , a_3 , a_5 , \cdots , a_{n-1})$

那么 $f(x) = f_0(x^2) + x*f(1)(x^2)$

设 $k < \frac{n}{2}$

$f(w_n^k) = f_0(w_2^{2k}) + w_n^k f_1(w_n^{2k}) = f_0(w_{\frac{n}{2}}^k) + w_n^k f_1(w_{\frac{n}{2}}^k)$

$f(w_n^{k+\frac{n}{2}}) = f_0(w_n^{2k+n}) + w_n^{k+\frac{n}{2}} f_1(w_n^{2k+n}) = f_0(w_{\frac{n}{2}}^k) - w_n^k f_1(w_{\frac{n}{2}}^k$

令 $y_k = f(w_n^k) , y_k^{[0]} = f_0(w_{\frac{n}{2}}^k) , y_k^{[1]} = f_1(w_{\frac{n}{2}}^k)$

那么

$y_k = y_k^{[0]} + w_n^ky_k^{[1]}$

$y_{k+\frac{n}{2}} = y_k^{[0]} - w_n^ky_k^{[1]}$

这一系列操作称为蝴蝶操作， $w_n^k$ 称为旋转因子

每次递归求得 $y_k^{[0]} , y_k^{[1]}$ ，问题规模变为 $\frac{n}{2})$ ，合并得到 $y_k$

$T(n)=2T(\frac{n}{2}) + O(n) = O(n\log n)$

逆离散傅里叶变换(IDFT)

多项式的点值表达式 $(w_n^0 , y_0) , (w_n^1 , y_1) , (w_n^2 , y_2) , \cdots , (w_n^{n-1} , y_{n-1})$ ，转化为系数表达式

尝试求得范德蒙德矩阵的逆矩阵 $V^{-1}$

即求 $V_n V_n^{-1} = I_n$

即 $v_i^{T}v_j^{-1} = \begin{cases} 1 &i=j\\0 &i\neq j\end{cases}$ ，其中 $v_i^{T}$ 为 $V$ 的行向量， $T$ 为转置， $v_j^{-1}$ 为 $V^{-1}$ 的列向量

$v_i^{T} = (w_n^{0i} , w_n^{1i} , w_n^{2i} , \cdots , w_n^{(n-1)i})$

联系求和定理

$\sum_{i=0}^{n-1}(w_n^k)^i= \begin{cases} n &k = 0\\ 0 &k \neq 0 \end{cases}$

那么构造 $v_j^{-1} = \frac{1}{n}(w_n^{-0j} , w_n^{-1j} , w_n^{-2j} , \cdots , w_n^{-(n-1)j})^{T}$

验证：

$v_i^{T}v_j^{-1} = \frac{1}{n}\sum_{k = 0}^{n - 1}(w_n^{i-j})^k = \begin{cases} n &i=j\\ 0 &i\neq j\end{cases}$

将 $Va = y$ 同乘 $V^{-1}$ 得 $a = yV^{-1}$ ，即：

$\frac{1}{n} \begin{pmatrix} 1 & w_n^{-0} & {w_n^{-0}}^2 & \cdots & {w_n^{-0}}^{n-1}\\ 1 & w_n^{-1} & {w_n^{-1}}^2 & \cdots & {w_n^{-1}}^{n-1}\\ \vdots & \vdots & \vdots & \ddots & \vdots \\ 1 & w_n^{-(n-1)} & {w_n^{-(n-1)}}^2 & \cdots & {w_n^{-(n-1)}}^{n-1}\\ \end{pmatrix} \begin{pmatrix} y_0\\ y_1\\ \vdots\\ y_{n-1} \end{pmatrix} = \begin{pmatrix} a_0\\ a_1\\ \vdots\\ a_{n-1} \end{pmatrix}$

可见， $a$ 是系数表达 $y = (y_0 , y_1 , y_2 , \cdots , y_{n-1})$ 的多项式在 $w_n^0 , w_n^1 m, w_n^2 , \cdots , w_n^{n-1}$ 处取的的点值除以 $n$