多项式全家桶——Part.4 多项式ln、exp、快速幂

拿头学真的学得会！

咕咕咕了好久，它又回来了。
其实最近一直在补补微积分的东东，算是一个初步入门了吧。
要学微积分可以康百度百科
或者看这位大佬的总结：戳这里！
然后多项式要求ln、exp、快速幂之类的神奇操作其实只需要用到少许的知识，下面小结一下。

前置芝士1：微积分

导数

导数是一个线性近似（或线性接近）的一个工具。
什么叫线性接近，其实在二维平面内就是求变换率，也就是求一条接近的直线。
在三维空间内就是求一个平面去逼近一个多元函数。
至于怎么逼近，就是一系列的推到过程了。

反正我也不是很会，就记记结论：

还再补充两个比较有用的东东：
函数乘积：
$$f(x)=g(x)\ast h(x)$$
$$f^{\prime }(x)=g^{\prime }(x)\ast h(x)+g(x)\ast h^{\prime }(x)$$
复合函数
$$设y=f(g(x)),u=g(x)$$
$$\frac{y^{\prime }}{x^{\prime }}=f^{\prime }(u)\ast g^{\prime }(x)$$
写成另外的形式就是：
$$f(g(x){)}^{\prime }=f^{\prime }(g(x))\ast g^{\prime }(x)$$

导数的大概就怎么多了，其他的应该用不上。

积分

还记得那个神奇的问题吗？
求二次函数某段区间的面积。
这就是经典的积分形式。

比如求函数$f(x)=x^2$在$[1,2]$区间内的面积。
那么可以写成这种形式：
$${\int }_1^{2}f(x)dx$$
这个叫做$f(x)$的积分。

牛顿-莱布尼兹公式（积分基本定理）
已知一个函数的积分：
$${\int }_a^{b}f(x)dx$$
那么把$f(x)$看做是一个函数$F(x)$的导函数，那么即可写成：
$${\int }_a^{b}f(x)dx=F(b)-F(a)$$
证明？我也不会。记结论用就好了。

多项式对数函数（ln）

介绍

考虑一个奇怪的式子：
$$G(x)\equiv ln(A(x))(mod{x}^n)$$
我们要求出$G(x)$是多少。
（求$G(x)$的意义目前我还不知道，但是求出这个之后和后面的exp组成连招可以加速很多东东。）

既然我们介绍到了导数，那么这个就可以用导数来求之。

过程

先把要用的两个柿子摆在这：
$$f(x)=b\ast x^a;f^{\prime }(x)=b\ast a\ast x^{a-1};F(x)=\frac{b}{a+1}\ast x^{a+1}$$
设$F(x)=ln(x)$
原式即可写成：
$$G(x)\equiv F(A(x))(mod{x}^n)$$
两边同时求导：
$$G^{\prime }(x)\equiv F^{\prime }(A(x))A^{\prime }(x)(mod{x}^n)$$
$$G^{\prime }(x)\equiv \frac{A^{\prime }(x)}{A(x)}(mod{x}^n)$$
那么$G^{\prime }(x)$就好做了，先把$A(x)$求个导，然后求个逆，卷起来。
求出$G^{\prime }(x)$之后，还要把它积分回去，继续套上面的积分柿子即可。

当然，在做的时候可能要注意一下第一项。

代码

待填

学习资料：
百度百科（百度百科是真的详细）
同济大学——高等数学
https://www.cnblogs.com/knife-rose/p/12120373.html#1864488977
https://www.cnblogs.com/zwfymqz/p/10505188.html
https://www.cnblogs.com/zhangleo/p/11010374.html

前置芝士2：牛顿迭代

牛顿迭代

又称牛顿-拉弗森迭代。（可惜了这么多人想出的方法前面被套上了牛顿的大名）
牛顿迭代就是求一个函数的某个根的算法。（当然，求不同的根要从不同的角度来求）

条件：该函数可以二次求导。

原理其实很简单，就是先从某个点下手，求出在这个点时函数的切线。
然后求出切线后可以求出切线与x轴交点，求出交点后就继续从焦点位置做切线。
依次往复，即可迭代出一个根。

这里盗张图（https://www.matongxue.com/madocs/205.html）

其中A是起点，迭代一次后得到B点，迭代两次后得到C点，迭代三次后得到D点……
然后我们发现若迭代的次数足够多，就可以无限接近于那个根。

写成柿子的形式就是：
$$x_{n+1}=x_n-\frac{f(x_n)}{f^{\prime }(x_n)}$$
其实就是解一下切线方程即可得到，或者说可以看做是泰勒展开取前两项。

至于正确性证明，我不会！还得看百度百科。
时间的话$O(能过)$

• 优点：简单，直观，好用。
• 缺点：有时候求出的根会很奇怪，而且求出的只是近似值。同时，条件比较苛刻。

一些不行的情况还是看其他大爷的博客把。

多项式的牛顿迭代

其实多项式的牛顿迭代还是和上面很相似的。
这个写出来还挺简单的。

想想牛顿迭代是干嘛的，就是做完一次操作之后，然后再推到下一次操作。
这是不是很像递推思想？如果多项式再把递推弄成倍增思想岂不更妙。
于是我们就考虑来弄弄。

设$G(f(x))$表示当前的多项式函数为$G(f(x))$，然后要求的多项式是$f(x)$
一般式就写成：
$$G(f(x))\equiv 0(mod{x}^n)$$
我们再设$f0(x)$表示我们已经求出模$x^{\lceil \frac{n}{2}\rceil }$意义下的$f(x)$，现在要倍增上去求$f(x)$
当然，$n=1$时要特别求一下

那么考虑$G(f(x))$在$f0(x)$处的泰勒展开。
变成：
$$G(f(x))=\sum _{i=0}^{Inf}{G}^{(i)}(f0(x))\ast (f(x)-f0(x){)}^i\ast (i!{)}^{-1}$$
然后我们发现，由于在$i>=2$的情况中，在模$2^n$意义下是$0$，所以直接省略掉。
化简为：
$$G(f(x))=G(f0(x))+G^{\prime }(f0(x))\ast (f(x)-f0(x))$$
移项得：
$$f(x)=f0(x)-\frac{G(f0(x))}{G^{\prime }(f0(x))}$$
就没啦。

应用？

先讲一个比较好玩的应用。
看到我们的多项式求逆。
看到那又臭又长的推导，十分不舒服。
学会牛顿迭代之后就3行：
考虑原式：
$$A(x)\ast B(x)\equiv 1(mod{x}^n)$$
移项：
$$A(x)-\frac{1}{B(x)}\equiv 0(mod{x}^n)$$
这就是牛顿迭代的形式。
那么设
$$G(B(x))=A(x)-\frac{1}{B(x)}$$
迭代一下：
$$B(x)=B0(x)-\frac{G(B0(x))}{G^{\prime }(B0(x))}$$

$$B(x)=B0(x)-\frac{A(x)-\frac{1}{B0(x)}}{B0(x{)}^{-2}}$$
化简得：
$$B(x)=2B0(x)-AB0(x{)}^2$$
于是就得到求逆的基本递推式子啦~

多项式对数函数（exp）

介绍

考虑一个奇怪的式子：
$$B(x)\equiv e^{A(x)}(mod{x}^n)$$
我们要求出$G(x)$是多少。
求出来之后就可以直接套上ln打组合技了。

过程

由上式可知：
$$ln(B(x))=A(x)$$
那么可以设$G(B(x))$
$$G(B(x))=ln(B(x))-A(x)$$
牛顿迭代即可：
$$B(x)=B0(x)-\frac{G(B0(x))}{G^{\prime }(B0(x))}$$

$$B(x)=B0(x)-\frac{ln(B0(x))-A(x)}{B0(x{)}^{-1}}$$

$$B(x)=B0(x)\ast (1-ln(B0(x))+A(x))$$

套一套就好了。
很easy！

代码

待填

多项式快速幂

介绍

这个是求这个东东的：
$$A(x{)}^k\equiv B(x)(mod{x}^n)$$

过程

其实在学完上面两个东东之后，这个就是一眼秒的题了。
$$A(x{)}^k=e^{k\ast ln(A(x))}$$
直接套板子吧~

代码

待填