快速傅里叶变换(FFT)

借用了一些他人的博客供自己理解。此为FFT的学习笔记。

前言

几个相关的多项式算法：

FFT：快速傅里叶变换 - $O(nlog(n))$ 计算多项式乘法
DFT：离散傅里叶变换 - $O(n^2)$ 计算多项式乘法
FNTT/NTT ： 快速傅里叶变换的优化版 - 优化常数和误差
FWT ：快速沃尔什变换 - 利用类似FFT的方法解决一类卷积问题
MTT ： myy的FFT - 任意模数
FMT ：快速莫比乌斯变换

多项式

多项式乘法

设$P(x)$和$Q(x)$为两个关于$x$的长度分别为$n$、$m$的多项式
$P(x)={\sum }_{i=0}^n{a}_i\ast x^i$
$Q(x)={\sum }_{i=0}^m{b}_i\ast x^i$
则$P(x)\ast Q(x)={\sum }_{i=0}^n{\sum }_{j=0}^m{a}_i{x}^i\ast b_j{x}^j$
我们往往表达为卷积的形式：
设$P(x)\ast Q(x)$得到的答案多项式为$C(x)$，则可写为卷积的形式：
$C_k={\sum }_{i=0}^k{P}_i\ast Q_{k-i}$

表示一个多项式

系数表示法

设$A(x)$表示一个$n+1$阶的多项式
形如 $a_0+a_1{x}^1+a_2{x}^2+...+a_n{x}^n$ ($a_i$为系数)
则$A(x)={\sum }_{i=0}^n{a}_i\ast x^i$
显然，这样计算两个多项式的时间复杂度为$O(n^2)$

点值表示法

对于一个多项式$y=f(x)$，将$n$个不同的$x$带入多项式，会得到$n$个不同的$y$(这里的不同不是横向比较$y_i$, 而是纵向地对于不同的多项式而言)。
那么这$n$个不同的$x_i$和$y_i$组成了$n$个点对，它们唯一确定了一个多项式的表达式
其中$y_i={\sum }_{j=0}^{n-1}{a}_j\ast x_i^j$
这样计算多项式乘法的时间复杂度还是为$O(n^2)$
选$n$个点对的时间复杂度为$O(n)$
每个点对的时间复杂度为$O(n)$

可以看到，对于两种表示法，时间复杂度均为$O(n^2)$
对于系数表示法，每个点的系数固定，不好优化
而点值表示法是可以进行优化的，请看下文。

复数

一些涉及的知识点

向量

具有大小和方向的量
在几何中通常用带有箭头的线段表示
表示为$\overrightarrow{ST}$

平行四边形定则

$\overrightarrow{AD}$ + $\overrightarrow{AB}$ = $\overrightarrow{AC}$

圆的弧度制

等于半径长的圆弧所对的圆心角叫做1弧度的角，用符号$rad$表示，读作弧度。用弧度作为单位来度量角的制度叫做弧度制。
$$1^{\circ }=\frac{\pi }{180}rad$$
$$180^{\circ }=\pi rad$$

虚数单位

引进一个新数$i$，称作虚数单位，规定：
(1). $i^2=-1$
(2). 实数可以和它进行四则运算，原有的加法、乘法运算率仍然成立。
虚数单位$i$定义为二次方程$x^2+1==0$的一个解。又可以表示为$x^2==-1$
所以虚数单位$i$又可以表示为$i=\sqrt{-1}$
但是，使用这种记法时需要非常谨慎，这是因为有些在实数范围内成立的公式在复数范围内并不成立。
$\sqrt{a}\ast \sqrt{b}=\sqrt{ab}$ 仅对于非负实数和才成立
为了避免这种错误，尽量不要用平方根来表示虚数。例如我们不应使用$\sqrt{-n}$，而应该用$\sqrt{ni}$

复数

设实数$a$, $b$。形如$a+bi$的数叫做复数。复数域是目前已知最大的数域。
在复平面中，$x$轴表示实数，$y$轴(除原点)代表虚数。从$O(0,0)$到$(a,b)$的向量表示复数$a+bi$

模长 ： 从$O(0,0)$到$(a,b)$的距离，即为$\sqrt{a^2+b^2}$

幅角 ： 假设以逆时针为正方向，从$x$轴正半轴到已知向量的转角的有向角

运算法则

加法

因为在复平面中，复数可以表示为向量。
所以复数的加法可以转换为向量加法，满足平行四边形定则。

乘法

几何定义： 复数相乘，模长相乘，幅角相加
代数定义：
( a + b i ) ∗ ( c + d i ) (a + bi) * (c + di)